2026年人工智能机器学习基础考试题库及答案

2026年人工智能机器学习基础考试题库及答案一、单项选择题（每题2分，共20分）1.在监督学习中，若训练集标签存在5%的随机错误，下列哪种损失函数对异常标签最不敏感？A.0-1损失B.平方损失C.绝对值损失D.Huber损失答案：D2.给定线性回归模型y=px+bA.最优权重必然变为wB.训练集上的均方误差一定减小C.最优偏置b保持不变D.模型表达能力下降答案：C3.在随机森林中，关于“包外误差”（OOBerror）的描述，错误的是：A.可用于无剪枝决策树B.可替代交叉验证进行模型选择C.随树的数量增加而单调递减D.可用于估计特征重要性答案：C4.若某二分类问题的正负样本比为1:99，采用逻辑回归并直接以0.5为阈值，最可能出现：A.召回率接近1B.精确率接近1C.F1-score接近0D.ROC-AUC接近0.5答案：C5.在卷积神经网络中，若输入特征图尺寸为32×32×A.15B.16C.17D.14答案：B6.关于EM算法，下列说法正确的是：A.每次迭代必然提高观测数据似然B.M步必须解析求解C.适用于任何非凸优化问题D.对初始参数不敏感答案：A7.若某深度网络使用BatchNorm，训练时批量大小为1，则：A.方差估计无偏B.训练速度一定加快C.网络可能无法收敛D.测试阶段无需额外校正答案：C8.在强化学习中，Q-learning与SARSA的根本区别是：A.是否使用经验回放B.是否属于on-policyC.是否基于值函数D.是否保证收敛到最优策略答案：B9.若PCA降维后保留方差比例为95%，则：A.主成分数量一定小于原始维度B.重构误差一定小于5%C.线性判别信息一定被保留D.噪声一定被去除答案：A10.在梯度提升树中，若学习率设为0，则：A.模型退化为单棵决策树B.训练损失不变C.测试损失一定上升D.特征重要性全为0答案：B二、多项选择题（每题3分，共15分，多选少选均不得分）11.下列哪些技术可直接缓解深度网络的“内部协变量偏移”？A.LayerNormB.DropoutC.WeightdecayD.BatchNorm答案：A、D12.关于生成对抗网络（GAN），下列说法正确的有：A.判别器损失越小越好B.生成器与判别器需交替优化C.原始GAN的优化目标为极小极大博弈D.模式崩塌与生成器容量不足有关答案：B、C、D13.若使用高斯核SVM，下列操作可能降低过拟合：A.增大惩罚系数CB.减小高斯核带宽σC.增大σD.采用线性核答案：C、D14.在BERT预训练中，下列哪些任务被联合优化？A.掩码语言模型B.下一句预测C.词性标注D.句子顺序预测答案：A、B15.关于L1与L2正则，下列说法正确的有：A.L1更易产生稀疏解B.L2对异常值更敏感C.两者都可视为对权重先验的MAP估计D.同时使用时称为ElasticNet答案：A、C、D三、填空题（每空2分，共20分）16.若某卷积层参数为W∈，输入特征图28答案：480017.给定样本，若采用核密度估计(x)=K()，其中K答案：标准高斯18.在Word2Vec中，若上下文窗口为5，目标词为“cat”，则Skip-gram模型将其作为______（输入/输出）词。答案：输入19.若某深度网络使用ReLU激活，初始权重全部设为-0.1，则第一次前向传播后，隐藏层输出全为______。答案：020.强化学习中，折扣因子γ=答案：121.若某二分类问题的贝叶斯最优误差为5%，现用1-NN分类器，当训练样本数趋于无穷时，其误差率趋于______%。答案：约9.522.在AdaBoost中，若某基分类器权重<0答案：低于23.若某RNN使用tanh激活，梯度clipping阈值为1，则反向传播时梯度范数超过1会被______。答案：缩放至124.若某Transformer模型隐藏维度为512，多头注意力头数为8，则每个头的维度为______。答案：6425.若某聚类算法在数据集上RI（RandIndex）为1，则调整兰德系数（ARI）为______。答案：1四、判断题（每题1分，共10分，正确打“√”，错误打“×”）26.逻辑回归是线性模型。√27.随机森林中树越深，偏差一定越小。×28.在k-means中，不同初始中心可能导致不同全局最优。×29.梯度消失问题与激活函数导数上界无关。×30.BatchNorm在测试阶段使用滑动平均的均值与方差。√31.AUC指标对类别不平衡敏感。×32.集成学习中，个体学习器必须同种类型。×33.深度网络参数量越大，泛化误差一定越大。×34.强化学习中，策略梯度方法可直接优化非可微策略。√35.自编码器隐藏层维度必须小于输入维度。×五、简答题（每题6分，共18分）36.描述梯度爆炸与梯度消失的产生机理，并给出至少两种缓解方案。答案：机理：反向传播时链式求导导致梯度呈指数级连乘，若雅可比矩阵谱半径大于1则爆炸，小于1则消失。缓解：1)采用ReLU、GELU等导数常数激活；2)梯度裁剪限制范数；3)使用LSTM/GRU门控机制；4)合理初始化如He、Xavier；5)残差连接提供恒等路径。37.解释“双重下降”（doubledescent）现象，并说明其对模型容量选择的影响。答案：传统偏差-方差权衡认为测试误差随容量先降后升。双重下降指出：当参数继续增加越过插值阈值后，测试误差再次下降。其原因是过参数化模型隐式正则与梯度下降偏好简单解。影响：1)小参数区域按传统选择；2)过参数区域需早停、正则、数据增广控制；3)鼓励使用大容量网络配合正则而非人为缩小模型。38.对比VAE与GAN在训练目标、优化难度、模式崩塌三方面的差异。答案：训练目标：VAE最大化观测数据似然下界，GAN进行极小极大博弈。优化难度：VAE目标可微，训练稳定；GAN需平衡生成器与判别器，易震荡。模式崩塌：GAN生成器可能丢弃低概率模式，VAE因显式似然对模式覆盖更均匀，但生成样本模糊。六、计算与推导题（共17分）39.（7分）给定数据集，∈，∈−1m现引入特征映射ϕ(x)(1)写出对偶目标中含核的表达式；(2)若n=2，=(1,0)答案：(1)目标变