2026年人工智能（机器学习基础）试题及答案

2026年人工智能（机器学习基础）试题及答案

（考试时间：90分钟满分100分）班级______姓名______第I卷（选择题共30分）答题要求：本大题共10小题，每小题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的标签B.监督学习的目标是找到一个函数，使得预测结果与真实标签尽可能接近C.监督学习只能处理分类问题D.监督学习不包括回归问题答案：B2.决策树算法中，用于选择划分属性的指标通常是（）A.信息增益B.均方误差C.欧式距离D.余弦相似度答案：A3.下列哪种算法不属于无监督学习算法（）A.K-Means算法B.支持向量机C.主成分分析D.高斯混合模型答案：B4.在神经网络中，激活函数的作用是（）A.增加模型的复杂度B.对输入数据进行归一化C.引入非线性因素，使模型能够处理非线性问题D.加快模型的训练速度答案：C5.梯度下降法是一种常用的优化算法，其目的是（）A.计算梯度B.寻找函数的最大值C.寻找函数的最小值D.计算损失函数答案：C6.以下关于线性回归模型的说法，错误的是（）A.线性回归模型的目标是找到一条直线，使得预测值与真实值的误差最小B.线性回归模型只能处理线性关系的数据C.线性回归模型的参数可以通过最小二乘法求解D.线性回归模型在实际应用中不需要进行特征工程答案：D7.支持向量机（SVM）主要用于解决（）问题A.分类B.回归C.聚类D.降维答案：A8.在K-Means聚类算法中，K的含义是（）A.数据的维度B.聚类的类别数C.迭代的次数D.样本的数量答案：B9.以下哪种方法可以用于评估分类模型的性能（）A.均方误差B.准确率C.余弦相似度D.主成分分析答案：B10.深度学习中，卷积神经网络（CNN）主要用于处理（）数据A.文本B.图像C.音频D.时间序列答案：B第II卷（非选择题共70分）简答题（共20分）答题要求：本大题共2小题，每小题10分。请简要回答问题。1.请简述机器学习中模型评估的常用指标有哪些，并分别说明其适用场景。2.什么是过拟合和欠拟合？如何避免过拟合和欠拟合？计算题（共20分）答题要求：本大题共2小题，每小题10分。请写出计算过程和答案。1.已知一个简单的线性回归模型y=2x+1，现有一组数据x=[1,2,3,4,5]，对应的真实值y=[3,5,7,9,11]，请计算该模型的均方误差（MSE）。2.对于一个二分类问题，使用逻辑回归模型进行预测。已知模型的参数w=[0.5,-0.3]，偏置b=0.1，输入特征x=[1,2]，请计算该模型的预测概率。算法设计题（共15分）答题要求：请设计一个简单的K-Means聚类算法的实现步骤，包括初始化聚类中心、计算距离、更新聚类中心等过程。材料分析题（共15分）材料：在某电商平台上，用户购买商品后会给出评价（好评、中评、差评）。为了提高用户体验，平台希望通过机器学习算法预测用户可能给出的评价，以便提前采取措施。问题：请你根据上述材料，设计一个基于监督学习的解决方案，包括选择合适的算法、数据预处理步骤以及如何评估模型的性能。综合应用题（共20分）材料：某医院收集了一批患者的病历数据，包括患者的症状、检查结果等信息，同时记录了患者是否患有某种疾病。现在需要建立一个模型来预测新患者是否患有该疾病。问题：1.请选择一种合适的机器学习算法，并说明理由。（5分）2.描述数据预处理的步骤。（5分）3.如何评估模型的性能？请列出具体的评估指标和方法。（10分）答案：简答题：1.常用指标及适用场景：准确率，适用于分类问题，衡量分类正确的样本占总样本的比例；召回率，适用于关注正例被预测出来的比例的分类场景；F1值，综合考虑准确率和召回率；均方误差，适用于回归问题，衡量预测值与真实值误差的平方和的均值。2.过拟合是模型在训练集上表现很好，但在测试集上表现很差，原因是模型过于复杂，学习了训练数据中的噪声。欠拟合是模型在训练集和测试集上表现都不好，原因是模型过于简单，没有捕捉到数据的特征。避免过拟合可采用正则化、减少特征数量、早停等；避免欠拟合可增加特征、增加模型复杂度等。计算题：1.首先计算预测值：当x=1时，y_pred=2×1+1=3；当x=2时，y_pred=2×2+1=5；当x=3时，y_pred=2×3+1=7；当x=4时，y_pred=2×4+1=9；当x=5时，y_pred=2×5+1=11。均方误差MSE=[(3-3)²+(5-5)²+(7-7)²+(9-9)²+(11-11)²]/5=0。2.首先计算z=w1x1+w2x2+b=0.5×1+(-0.3)×2+0.1=0。预测概率p=1/(1+e^(-z))=1/(1+e^0)=0.5。算法设计题：1.随机选择K个样本作为初始聚类中心。2.对于每个样本，计算其到各个聚类中心的距离，将其划分到距离最近的聚类中心所在的簇。3.计算每个簇中样本的均值，作为新的聚类中心。4.重复步骤2和3，直到聚类中心不再变化或达到最大迭代次数。材料分析题：可选择朴素贝叶斯算法。数据预处理步骤：对评价文本进行清洗，去除停用词等；将评价标签进行编码；划分训练集和测试集。评估模型性能可使用准确率、召回率、F1值等指标，通过将预测结果与真实标签对比计算得到。综合应用题：1.可选择决策树算法，理由是它能处理离散型数据，可直