2025 年大学人工智能（机器学习基础）下学期单元测试卷

2025年大学人工智能（机器学习基础）下学期单元测试卷

（考试时间：90分钟满分100分）班级______姓名______一、单项选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填写在括号内）1.以下关于机器学习的说法，错误的是（）A.机器学习是一门多领域交叉学科B.它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能C.机器学习只能处理线性可分的数据D.机器学习包括监督学习、无监督学习和强化学习等多种类型2.在监督学习中，若输出变量的取值是离散的，通常称这种学习任务为（）A.回归问题B.分类问题C.聚类问题D.降维问题3.决策树学习中，用于选择划分属性的准则是（）A.信息增益B.基尼指数C.均方误差D.A和B4.支持向量机（SVM）的主要思想是（）A.最大化分类间隔B.最小化分类间隔C.最大化样本点到超平面的距离D.最小化样本点到超平面的距离5.以下哪个算法不属于无监督学习算法（）A.K近邻算法B.朴素贝叶斯算法C.主成分分析算法D.层次聚类算法6.在K近邻算法中，K值的选择对分类结果有重要影响。当K值较小时，模型（）A.对噪声数据更鲁棒B.学习的近似误差更小C.学习的估计误差更小D.分类的边界更平滑7.神经网络中，以下哪种激活函数具有“软饱和”特性（）A.Sigmoid函数B.ReLU函数C.Tanh函数D.以上都不是8.梯度下降法是一种常用优化算法，其目的是（）A.最大化目标函数B.最小化目标函数C.寻找目标函数的驻点D.寻找目标函数的鞍点9.在随机梯度下降中，每次更新模型参数时（）A.使用全部训练数据B.使用一个随机选择的训练样本C.使用固定数量的训练样本D.使用逐渐增加数量的训练样本10.以下关于模型评估指标的说法，正确的是（）A.在分类问题中，准确率越高模型越好B.在回归问题中，均方误差越小模型越好C.F1值是精确率和召回率的调和平均数，F1值越大模型越差D.ROC曲线下的面积越大，模型性能越差二、多项选择题（总共5题，每题5分，每题至少有两个正确答案，请将正确答案填写在括号内）1.以下属于机器学习中常用的性能度量的有（）A.错误率与精度B.查准率与查全率C.F1值D.均方误差E.交叉熵2.决策树的剪枝策略包括（）A.预剪枝B.后剪枝C.深度优先搜索剪枝D.广度优先搜索剪枝E.随机剪枝3.朴素贝叶斯分类器的基本假设是（）A.属性之间相互独立B.属性之间存在强相关性C.每个属性同等重要D.属性的取值服从某种概率分布E.不同属性对分类结果的影响相同4.以下哪些算法可用于特征选择（）A.主成分分析B.信息增益C.卡方检验D.支持向量机E.决策树5.关于深度学习中的卷积神经网络（CNN），正确的说法有（）A.卷积层通过卷积核提取图像特征B.池化层用于减少数据维度C.全连接层将提取的特征进行分类D.CNN主要用于处理结构化数据E.CNN在图像识别等领域有广泛应用三、判断题（总共10题，每题2分，请判断对错，在括号内打“√”或“×”）1.机器学习的核心是让计算机自动从数据中学习模式和规律。（）2.在监督学习中，训练数据既有特征向量又有对应的标签。（）3.决策树的每个内部节点对应一个属性上的测试。（）4.支持向量机的最优分类超平面一定存在且唯一。（）5.无监督学习不需要人工标注的数据。（）6.K近邻算法是一种基于距离度量的分类算法。（）7.神经网络中的神经元是对生物神经元的简单模拟。（）8.梯度下降法中，学习率越大，算法收敛速度越快。（）9.模型评估时，测试集只能用于评估模型性能，不能用于训练模型。（）10.深度学习模型的训练过程就是不断调整模型参数以最小化损失函数的过程。（）四、简答题（总共3题，每题10分，请简要回答问题）1简述监督学习和无监督学习的区别。2请说明决策树算法中信息增益的计算方法及作用。3解释什么是过拟合和欠拟合，并说明如何避免这两种情况。五、综合题（总共1题，每题20分，请详细解答问题）假设我们有一个数据集，包含以下特征和标签：特征：身高（cm）、体重（kg）、年龄（岁）标签：是否喜欢运动（是/否）请设计一个简单的机器学习模型（可以是决策树、朴素贝叶斯等）来预测一个人是否喜欢运动，并说明你的建模步骤和理由。答案：一、单项选择题1.C2.B3.D4.A5.B6.B7.A8.B9.B10.B二、多项选择题1.ABCDE2.AB3.AD4.ABCE5.ABCE三、判断题1.√2.√3.√4.×5.√6.√7.√8.×9.√10.√四、简答题1.监督学习是从标注数据中学习预测模型，数据包含特征和对应的标签，模型学习特征与标签之间的关系，用于预测未知数据的标签。无监督学习是从无标注数据中学习数据的内在结构或分布，不依赖标签信息，主要用于数据降维、聚类等任务。2.信息增益的计算方法：对于数据集D，其信息熵为H(D)，对于属性a，根据属性a的取值将D划分为若干子集Dv，每个子集Dv的信息熵为H(Dv)，则属性a的信息增益为Gain(D,a)=H(D)-∑|Dv|/|D|H(Dv)。信息增益用于选择划分属性，增益越大，该属性对样本分类的贡献越大。3.过拟合是指模型在训练集上表现很好，但在测试集上表现很差，模型过于复杂，包含了过多噪声和无关特征。欠拟合是指模型在训练集和测试集上表现都不好，模型过于简单，没有捕捉到数据的重要特征。避免过拟合可采用正则化、剪枝、增加数据等方法；避免欠拟合可增加模型复杂度、选择更合适的特征、调整超参数等。五、综合题建模步骤：1.数据预处理：对身高、体重、年龄等特征进行归一化处理，消除不同特征量纲的影响。2.选择模型：考虑到数据维度较低且问题相对简单，选择决策树模型。3.训练模型：使用训练数据训练决策树模型，让模型学习特征与是否喜欢运动之间的关系。4.评估模型：使用测试数据评估模型