2025 年大学人工智能与信息社会（机器学习基础）下学期期末测试卷

2025年大学人工智能与信息社会（机器学习基础）下学期期末测试卷

（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，请将正确答案填在括号内）1.以下关于机器学习中监督学习的说法，正确的是（）A.监督学习不需要给定训练数据B.监督学习的目标是预测输入数据的类别或数值C.监督学习中模型的输出与输入数据没有关系D.监督学习不能用于回归问题2.在决策树算法中，用于选择划分属性的准则是（）A.信息增益B.基尼系数C.均方误差D.以上都是3.以下哪种算法不属于无监督学习算法（）A.聚类算法B.决策树算法C.主成分分析算法D.自编码器算法4.支持向量机（SVM）的主要目标是（）A.最大化分类间隔B.最小化分类间隔C.最大化训练误差D.最小化训练误差5.对于线性回归模型，以下说法错误的是（）A.线性回归模型是一种监督学习模型B.线性回归模型可以用于预测连续型变量C.线性回归模型的目标是找到一条直线，使预测值与真实值的误差最小D.线性回归模型只能处理线性关系的数据6.在神经网络中，激活函数的作用是（）A.增加模型的复杂度B.对输入数据进行非线性变换C.减少模型的参数数量D.提高模型的训练速度7.以下关于梯度下降算法的说法，正确的是（）A.梯度下降算法是一种无监督学习算法B.梯度下降算法可以用于求解凸函数的最小值C.梯度下降算法在每次迭代中都会使目标函数的值增加D.梯度下降算法不需要初始化参数8.在K近邻算法中，K的取值对分类结果有重要影响，以下说法正确的是（）A.K值越大，模型越容易过拟合B.K值越小，模型越容易过拟合C.K值的大小与模型的过拟合没有关系D.K值越大，模型的泛化能力越强9.以下哪种机器学习算法常用于文本分类任务（）A.支持向量机B.决策树C.朴素贝叶斯D.以上都是10.在机器学习中，交叉验证的主要目的是（）A.评估模型的泛化能力B.提高模型的训练速度C.减少模型的参数数量D.增加模型的复杂度二、多项选择题（总共5题，每题5分，每题有多个正确答案，请将正确答案填在括号内，少选、多选均不得分）1.以下属于机器学习中常用的评估指标的有（）A.准确率B.召回率C.F1值D.均方误差2.决策树算法的优点包括（）A.模型简单，易于理解和解释B.可以处理数值型和类别型数据C.不需要进行特征缩放D.对缺失值不敏感3.以下哪些算法属于深度学习算法（）A.卷积神经网络（CNN）B.循环神经网络（RNN）C.深度信念网络（DBN）D.支持向量机（SVM）4.在聚类算法中，常用的距离度量方法有（）A.欧氏距离B.曼哈顿距离C.余弦相似度D.汉明距离5.以下关于模型评估的说法，正确的有（）A.训练集用于训练模型B.验证集用于调整模型超参数C.测试集用于评估模型的最终性能D.可以使用同一数据集进行训练、验证和测试三、判断题（总共10题，每题2分，请判断对错，在括号内打“√”或“×”）1.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。（）2.无监督学习主要用于发现数据中的潜在模式和结构，而不需要预先定义的标签。（）3.决策树算法在构建过程中，会优先选择信息增益大的属性进行划分。（）4.支持向量机只能处理线性可分的数据。（）5.线性回归模型的损失函数通常采用均方误差。（）6.在神经网络中，神经元之间的连接权重是随机初始化的。（）7.梯度下降算法是一种全局最优解搜索算法。（）8.K近邻算法的计算复杂度与样本数量和特征数量无关。（）9.朴素贝叶斯算法基于贝叶斯定理和特征条件独立假设。（）10.模型的过拟合是指模型在训练集上表现良好，但在测试集上表现较差的现象。（）四、简答题（总共3题，每题10分，请简要回答问题）1.请简述监督学习和无监督学习的区别。2.决策树算法在构建过程中，如何避免过拟合？3.请说明支持向量机的基本原理，并举例说明其在实际中的应用。五、综合题（总共1题，每题20分，请结合所学知识，完成题目要求）假设你有一个数据集，包含多个特征和一个目标变量。请使用决策树算法构建一个分类模型，并对模型进行评估。请详细描述你的步骤，包括数据预处理、模型训练、模型评估等过程。答案：一、单项选择题1.B2.D3.B4.A5.D6.B7.B8.B9.D10.A二、多项选择题1.ABCD2.ABD3.ABC4.ABC5.ABC三、判断题1.√2.√3.√4.×5.√6.√7.×8.×9.√10.×四、简答题1.监督学习有预先定义的标签，模型根据已知标签数据学习规律以预测未知数据标签；无监督学习无预先定义标签，旨在发现数据内在模式和结构。2.可通过剪枝操作，如预剪枝在构建树时提前停止分裂，避免过度拟合；后剪枝在树构建完后对节点合并或删除，降低过拟合风险。还可适当增加训练数据量，提高模型泛化能力。3.基本原理：寻找一个超平面将不同类数据分开，使间隔最大。应用：在手写数字识别中，将手写数字图像特征作为输入，通过SVM训练分类模型，可准确识别数字。五、综合题1.数据预处理：检查数据缺失值，可采用均值、中位数等填充；对类别型数据