2026年人工智能训练师特征选择实操考核试题

2026年人工智能训练师特征选择实操考核试题1单选题（每题2分，共20分）1.1在信用卡违约预测任务中，原始特征含“近6个月平均消费金额”与“近6个月消费笔数”。若二者Pearson相关系数达0.92，下列哪种特征选择策略最可能提升模型泛化能力？A.保留二者并引入交互项B.仅保留“平均消费金额”C.仅保留“消费笔数”D.对二者做PCA降维后保留第一主成分1.2使用L1正则化逻辑回归进行特征筛选时，增大正则化系数λ会导致：A.更多特征系数被压缩至接近零B.特征系数标准差一定减小C.训练集AUC一定单调上升D.测试集AUC一定单调上升1.3在文本分类任务中，原始TF-IDF矩阵维度为50000×200000。若采用卡方检验（χ²）进行特征过滤，设定保留特征数k=5000，则最终矩阵维度为：A.50000×5000B.5000×200000C.50000×200000D.5000×50001.4基于互信息（MutualInformation）做特征排序时，若某离散特征与标签的互信息值为0，则：A.该特征与标签独立B.该特征方差为0C.该特征一定无预测能力D.该特征与标签线性相关1.5在梯度提升树（GBDT）中，使用“特征重要性”作为筛选依据时，下列哪项描述正确？A.重要性为零的特征对验证集增益一定为零B.重要性可解释为该特征在所有树中用于分裂带来的总增益C.重要性计算与损失函数无关D.重要性高的特征一定与标签因果相关1.6对高维基因组数据（p=20000，n=200）采用递归特征消除（RFE）+SVM-RBF时，最易出现的风险是：A.欠拟合B.计算复杂度低C.过拟合D.特征间共线性消失1.7使用方差阈值（VarianceThreshold）过滤时，若设定阈值为0.0，则：A.所有常数特征被移除B.所有零方差特征被移除C.所有离散特征被移除D.所有连续特征被移除1.8在图像分类任务中，采用预训练ResNet50提取2048维向量后，再使用LASSO做二次筛选。若λ取最小均方误差对应值，则：A.一定出现维度灾难B.可能保留少于100维特征C.一定保留全部2048维D.一定需要GPU加速1.9基于SHAP值进行特征选择时，下列哪项操作可直接得到全局特征重要性？A.对每条样本的SHAP值取绝对值后按特征维度求和B.对每条样本的SHAP值取平方后按样本维度求和C.对每条样本的SHAP值取对数后按特征维度求平均D.对每条样本的SHAP值取sigmoid后按样本维度求平均1.10在流式数据场景（特征维度动态增长）中，最适合的在线特征选择算法是：A.OnlineStreamingFeatureSelection(OSFS)B.BatchRidgeRegressionC.OfflinePCAD.K-meansClustering2多选题（每题3分，共15分；多选少选均不得分）2.1下列哪些指标可直接用于过滤式特征选择？A.F-scoreB.GiniIndexC.ReliefFD.SilhouetteCoefficient2.2关于嵌入式特征选择，下列说法正确的有：A.RandomForest的“meandecreaseimpurity”属于嵌入式方法B.L1正则化在SVM中可实现特征稀疏化C.ElasticNet同时结合L1与L2惩罚D.GBDT的“featureimportance”属于过滤式方法2.3在Pythonsklearn中，以下哪些类支持`.fit_transform(X,y)`接口且y为必需参数？A.SelectKBest(score_func=mutual_info_classif)B.RFE(estimator=LogisticRegression())C.SelectFromModel(estimator=LassoCV())D.VarianceThreshold()2.4下列哪些技术可缓解特征选择过程中的信息泄漏（dataleakage）？A.在训练集上计算统计量，再映射到验证集B.采用嵌套交叉验证C.将特征选择与模型训练放在同一CV折内D.使用未来信息填充缺失值2.5关于基于深度学习的自动特征选择，下列说法正确的有：A.Attention权重可直接用于特征排序B.ConcreteDropout可估计特征不确定性C.LASSO与神经网络无法结合D.可微分特征选择（DFS）通过Gumbel-Softmax实现离散采样3判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1使用皮尔逊相关系数做特征选择时，只能捕获线性关系。3.2在文本特征选择中，DF（DocumentFrequency）越小越应该被保留。3.3基于树模型的特征重要性对特征尺度敏感。3.4过滤式方法的速度通常快于包裹式方法。3.5当特征与标签呈U型关系时，互信息可能大于线性相关系数。3.6在RFE中，若基模型为线性回归，则每次迭代需重新训练模型。3.7使用SelectFromModel(LassoCV())时，特征选择阈值可设为“median”。3.8对高维稀疏文本数据，卡方检验比互信息更稳健。3.9特征选择一定可以降低模型方差。3.10在联邦学习场景下，各参与方可在本地单独做特征选择后再聚合模型。4填空题（每空2分，共20分）4.1若某连续特征x与二分类标签y的点二列相关系数（point-biserial）为0.6，则x的方差为4，y的方差为0.25，则x与y的协方差为________。4.2在Python中，使用sklearn.feature_selection.f_classif返回的两个数组分别对应________与________。4.3采用ReliefF算法时，最近邻样本数k默认设为________。4.4若L1正则化逻辑回归的目标函数为J(w)=则对权重wj的次梯度（sub-gradient）在w4.5使用SelectKBest(mutual_info_classif,k=100)后，若原始特征维度为5000，则输出矩阵形状为________。4.6在GBDT中，某特征用于分裂的总增益为128，覆盖样本数为1024，则该特征重要性按“gain”计算得分为________。4.7若方差阈值设定为0.01，某布尔特征取值为{0,1}，样本量n=1000，其中900个0、100个1，则该特征________（填“会”或“不会”）被移除。4.8在RFE中，若基模型为SVM，每次移除特征比例为10%，初始特征1000维，则需迭代________轮才能降至约350维。4.9使用SHAP的KernelExplainer时，背景样本集建议不少于________条以保证估计稳定。4.10在图像数据增强场景，若采用随机裁剪后特征选择，则需在________集上做特征选择以避免泄漏。5计算与实操题（共35分）5.1互信息计算（8分）给定离散特征X与二分类标签Y的联合分布表：X\Y01A3010B2040计算I(X;Y)（以2为底，保留3位小数）。5.2L1正则化路径（10分）设训练集(xi,yi∑i=1采用L1正则化线性SVM，目标函数P(w)=其中A=\sumxix(1)当λ=6时，求最优w的稀疏模式（即哪些分量为零）。(2)若λ从0连续增大，求第一个使w2变为0的临界λ5.3嵌入式选择代码补全（7分）以下代码旨在用LightGBM做特征选择并输出前20个重要特征名称，请补全空缺处（每空1分）。```pythonimportlightgbmaslgbfromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitX,y=load_breast_cancer(return_X_y=True,as_frame=True)X_tr,X_te,y_tr,y_te=train_test_split(X,y,test_size=0.2,random_state=42)train_set=lgb.Dataset(X_tr,label=y_tr,free_raw_data=False)params={'objective':'binary','metric':'auc','boosting_type':'gbdt','num_leaves':31,'learning_rate':0.05,'feature_fraction':0.9,'verbose':-1}model=lgb.train(params,train_set,num_boost_round=100)importance=model.feature_importance(importance_type=____(A)____)top_feats=[X.columns[i]foriinnp.argsort(importance)[____(B)____]]print(top_feats[____(C)____])```空A：________；空B：________；空C：________。5.4流式特征选择模拟（10分）假设特征按流依次到达，共1000维，标签为二分类。采用OSFS算法，设定最大条件独立检验次数为500。已知前5维特征的G-testp值分别为：0.003,0.12,0.004,0.65,0.02，显著性水平α=0.01。(1)写出OSFS在第5维到达后已选特征索引集合。(2)若后续第6维与已选集合中每一维的条件独立检验p值均大于0.01，则第6维是否进入已选集合？(3)简述该算法在内存占用上的优势（不超过50字）。6综合设计题（20分）某电商平台的实时推荐系统需从原始2000维用户行为特征中筛选出不超过100维用于在线排序模型（GBDT+LR）。数据特点：特征含连续、离散、高基数ID类（如商品ID）；样本量日均5亿，特征动态新增；延迟要求：特征选择阶段≤10分钟；标签为“是否点击”。请设计一套端到端特征选择方案，要求：(1)说明采用的三级筛选策略（过滤→嵌入→在线更新），并给出每级所用算法与理由；(2)给出关键参数（如互信息阈值、GBDT最大深度、L1正则化λ范围）；(3)描述如何验证特征子集有效性，包括离线指标与线上A/B实验；(4)阐述如何防止信息泄漏与数据穿越（不超过100字）。7答案与解析7.1单选题1.1B高共线性导致冗余，保留一笔数即可降低方差。1.2Aλ越大，惩罚越强，更多系数被压至0。1.3ASelectKBest按列（特征）过滤，保留k列。1.4A互信息为0等价于独立。1.5B重要性定义为总增益。1.6C高维小样本易过拟合。1.7B零方差特征被移除。1.8BLASSO可稀疏至百维内。1.9A全局重要性为|SHAP|按特征求和。1.10AOSFS专为在线设计。7.2多选题2.1ACF-score与ReliefF为过滤式。2.2ABCD错，GBDT重要性属嵌入式。2.3ABSelectKBest与RFE需y。2.4ABC、D会引入泄漏。2.5ABDC错，LASSO可与神经网络结合。7.3判断题3.1√3.2×DF过小可能为噪声。3.3×树模型对尺度不敏感。3.4√3.5√3.6√3.7√3.8√3.9×可能去除有用信息导致偏差上升。3.10×需统一标准，否则分布漂移。7.4填空题4.10.6×√4×√0.25=0.64.2F值、p值4.3104.41+λ4.5(n_samples,100)4.61284.7不会方差=0.09>0.014.89轮1000×0.9^9�387，1000×0.9^10�3494.91004.10训练7.5计算与实操题5.1互信息边际：P(Y=0)=50/100=0.5，P(Y=1)=0.5P(X=A)=0.4，P(X=B)=0.6I(X;Y)=∑∑P(x,y)log₂[P(x,y)/(P(x)P(y))]=0.3log₂(0.3/0.2)+0.1log₂(0.1/0.2)+0.2log₂(0.2/0.3)+0.4log₂(0.4/0.3)=0.3×0.585+0.1×(-1)+0.2×(-0.585)+0.4×0.415=0.1755-0.1-0.117+0.166≈0.1255.2L1路径(1)当λ=6，考虑次梯度条件：对w₂，梯度为A₂₂w₂+A₂₁w₁+A₂₃w₃-b₂+λsign(w₂)=3w₂+0w₁-1w₃+5+λsign(w₂)令w₂≠0，则3w₂-w₃+5±λ=0；同时w₁、w₃同理。通过KKT可证当λ≥5时w₂=0，故λ=6时w₂=0，稀疏模式[?,0,?]。(2)临界λ=5。5.3代码A:'gain'B:::-1C::205.4流式(1){1,3,5}(2)不进入(3)只存储