北京大学《机器学习》2024 - 2025 学年第一学期期末试卷

第1页学院：专业班级：姓名：学院：专业班级：姓名：学号：装订线内不要答题学院/专业：__________姓名：__________学号：__________注意事项：1、本试卷满分100分。2、考试时间120分钟。题号一二三四五六七得分得分评阅人一、选择题（总共10题，每题3分，在每小题给出的四个选项中，只有一项是符合题目要求的）1.以下关于机器学习中模型评估指标的说法，错误的是（）A.准确率（Accuracy）适用于所有分类问题B.F1值综合考虑了精确率（Precision）和召回率（Recall）C.均方误差（MSE）常用于回归模型的评估D.ROC曲线下的面积（AUC）越大，模型性能越好2.下列哪种算法不属于无监督学习算法（）A.K均值聚类算法B.决策树算法C.主成分分析算法D.高斯混合模型算法3.在支持向量机（SVM）中，引入核函数的目的是（）A.提高模型的泛化能力B.解决线性不可分问题C.加快模型的训练速度D.降低模型的计算复杂度4.对于梯度下降算法，以下说法正确的是（）A.梯度方向是函数值下降最快的方向B.步长越大，收敛速度越快C.梯度下降算法只能用于线性模型D.随机梯度下降每次更新参数时只使用一个样本5.以下关于神经网络的说法，正确的是（）A.增加神经网络的层数一定会提高模型性能B.神经元的激活函数可以是任意函数C.反向传播算法用于计算神经网络的梯度D.神经网络只能处理数值型数据6.下列哪个模型是基于概率图模型的（）A.朴素贝叶斯模型B.逻辑回归模型C.支持向量机模型D.决策树模型7.在K近邻算法中，K的取值对模型性能的影响是（）A.K越大，模型越容易过拟合B.K越小，模型越容易过拟合C.K的取值不影响模型性能D.K越大，模型的计算复杂度越低8.以下哪种方法不属于特征选择的方法（）A.主成分分析B.决策树的剪枝C.Lasso回归D.随机森林9.对于深度学习中的卷积神经网络（CNN），卷积层的主要作用是（）A.对输入数据进行降维B.增加模型的非线性C.提取数据的特征D.对数据进行分类10.下列关于模型正则化的说法，错误的是（）A.L1正则化会使参数变得稀疏B.L2正则化可以防止模型过拟合C.正则化参数越大，模型的泛化能力越强D.正则化是通过在损失函数中添加惩罚项实现的二、多项选择题（总共5题，每题4分，在每小题给出的选项中，有多项符合题目要求，全部选对得4分，选对但不全得2分，有选错得0分）1.以下哪些是机器学习中常用的优化算法（）A.AdagradB.RMSPropC.AdamD.SGD2.下列属于集成学习方法的有（）A.随机森林B.梯度提升树C.决策树桩D.支持向量机3.在深度学习中，常用的损失函数有（）A.交叉熵损失函数B.均方误差损失函数C.Huber损失函数D.绝对值损失函数4.以下关于数据预处理的说法，正确的有（）A.数据标准化可以使不同特征具有相同的尺度B.数据归一化可以将数据映射到[0,1]区间C.缺失值处理方法包括删除缺失值所在的样本或特征D.数据清洗主要是去除噪声和重复数据5.对于机器学习中的模型评估，以下说法正确的有（）A.训练集用于训练模型参数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模型训练、验证和测试三、判断题（总共10题，每题2分，判断下列说法的正误）1.机器学习中的模型都是确定性模型，不存在概率模型。（）2.线性回归模型的目标是最小化预测值与真实值之间的绝对误差。（）3.决策树的剪枝可以防止模型过拟合。（）4.神经网络中的权重初始化对模型的训练和性能没有影响。（）5.无监督学习的目标是从数据中发现潜在的模式和规律。（）6.支持向量机中的间隔最大化原则可以保证模型的泛化能力。（）7.随机森林中的每棵决策树都是独立训练的，没有任何关联。（）8.特征工程只包括特征选择和特征提取，不包括特征构建。（）9.深度学习模型的训练过程中，一定会出现梯度消失或梯度爆炸的问题。（）10.模型评估指标的选择只取决于问题的类型，与模型的具体应用无关。（）四、简答题（总共3题，每题10分，请简要回答问题）1.请简述梯度下降算法的基本原理和步骤。2.解释朴素贝叶斯分类器的基本思想，并说明其优缺点。3.简述深度学习中反向传播算法的作用和计算过程。五、综合题（总共2题，每题20分，请结合所学知识，详细解答问题）1.给定一个数据集，包含多个特征和一个目标变量。请设计一个完整的机器学习流程，包括数据预处理、模型选择、训练、评估和调优，以