2026年机器学习应用培训试卷(含答案)

2026年机器学习应用培训试卷(含答案)第一部分：单项选择题（本大题共20小题，每小题2分，共40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.在机器学习模型的评估中，对于极度不平衡的数据集（如正负样本比例为1:100），以下哪个指标最能反映模型对少数类的识别能力？A.准确率B.精确率C.召回率D.F1-Score2.在深度学习中，为了防止过拟合，除了使用Dropout技术外，还经常在损失函数中加入正则化项。关于L1正则化，以下说法正确的是？A.L1正则化倾向于让权重变得均匀且较小B.L1正则化易于产生稀疏解，常用于特征选择C.L1正则化的导数处处连续，优化过程比L2更平滑D.L1正则化惩罚的是权重的平方和3.支持向量机（SVM）中，核函数的作用是？A.将数据从低维空间映射到高维空间，使其线性可分B.增加样本的数量以防止过拟合C.降低数据的维度以减少计算量D.将分类问题转化为回归问题4.在决策树算法中，ID3算法使用信息增益作为分裂准则，而C4.5算法对其进行了改进，使用了信息增益率。引入信息增益率的主要目的是？A.提高计算速度B.处理连续型特征C.减少对取值较多特征的偏好D.增加树的深度5.给定一个逻辑回归模型，其Sigmoid函数为σ(z)=。如果模型输出A.-1.39B.0.69C.1.39D.-0.696.在梯度下降算法中，学习率是一个至关重要的超参数。如果学习率设置得过大，通常会导致什么现象？A.模型收敛速度过慢B.模型陷入局部最优解C.损失函数震荡甚至发散D.模型一定会达到全局最优7.主成分分析（PCA）是一种常用的降维技术。关于PCA，以下描述错误的是？A.PCA的目标是找到数据方差最大的投影方向B.PCA需要中心化数据（减去均值）C.PCA是一种有监督学习方法D.降维后的各个主成分之间是相互正交的8.在卷积神经网络（CNN）中，池化层的主要作用不包括？A.降低特征图的维度，减少计算量B.引入一定程度的平移不变性C.提取局部特征D.防止过拟合9.下列关于K-Means聚类算法的描述，正确的是？A.K-Means对初始聚类中心的选择不敏感，结果总是稳定的B.K-Means可以自动确定最佳的聚类数量KC.K-Means的目标是最小化簇内误差平方和D.K-Means只能处理数值型数据，无法处理类别型数据10.在循环神经网络（RNN）中，长短期记忆网络（LSTM）引入了“门控机制”来解决长序列训练中的梯度消失问题。以下不属于LSTM门控单元的是？A.遗忘门B.输入门C.输出门D.注意力门11.随机森林是Bagging集成策略的典型代表。与单棵决策树相比，随机森林的主要优势在于？A.训练速度更快B.模型解释性更强C.具有更好的泛化能力，抗过拟合D.占用的内存更少12.在深度学习中，批归一化通常放置在激活函数之前还是之后？A.之前B.之后C.无所谓，效果一样D.只能放在输出层13.以下哪种优化算法被认为是Adam优化器的特点？A.仅使用一阶矩估计（梯度）B.仅使用二阶矩估计（梯度平方）C.结合了一阶矩和二阶矩估计，并引入了偏差修正D.不需要设置学习率14.在自然语言处理（NLP）中，Word2Vec模型是一种常用的词嵌入方法。它主要通过哪两种架构来训练词向量？A.CNN和RNNB.CBOW和Skip-gramC.Transformer和BERTD.LSTM和GRU15.在评估回归模型时，若数据中存在较多的离群点，以下哪个损失函数或指标比均方误差（MSE）更具鲁棒性？A.均方误差(MSE)B.均方根误差(RMSE)C.平均绝对误差(MAE)D.分数16.关于提升树，以下说法正确的是？A.每个新树都试图修正前一个树的错误B.树之间是并行构建的C.只能用于分类问题D.对异常值不敏感17.在机器学习工程中，数据泄露是一个严重的问题。以下哪种情况最可能导致数据泄露？A.在训练集上进行了数据标准化，并使用同样的均值和方差处理测试集B.在划分训练集和测试集之前，对整个数据集进行了特征选择C.使用交叉验证来评估模型性能D.在训练过程中使用了早停法18.Transformer模型的核心创新是自注意力机制。在自注意力计算中，AtteA.增加梯度的数值稳定性，防止Softmax进入饱和区B.加速矩阵运算C.增加模型容量D.减少模型参数量19.在强化学习中，Q-learning算法主要学习的是？A.状态转移概率矩阵B.策略函数πC.动作价值函数QD.状态价值函数V20.生成对抗网络由生成器和判别器组成。它们的目标分别是？A.生成器最小化判别器的损失，判别器最大化生成器的损失B.生成器最大化判别器的损失，判别器最小化生成器的损失C.生成器和判别器都最小化同一个损失函数D.生成器和判别器都最大化同一个奖励函数第二部分：多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有两个或两个以上选项是符合题目要求的。全部选对得3分，选对但不全得1分，有选错得0分）21.以下哪些属于特征工程常用的方法？A.独热编码B.标准化C.缺失值填充D.梯度下降22.关于模型偏差和方差的权衡，下列说法正确的有？A.增加模型复杂度通常会降低偏差，增加方差B.增加训练数据量通常可以降低方差C.正则化主要用于降低偏差D.高偏差意味着模型欠拟合23.深度学习中的激活函数有哪些作用？A.引入非线性因素，使神经网络能逼近任意函数B.将神经元输出映射到特定区间C.加速梯度下降的收敛D.增加模型的参数数量24.下列哪些算法属于基于树的集成学习方法？A.XGBoostB.LightGBMC.AdaBoostD.NaiveBayes25.在处理图像分类任务时，数据增强通常包括哪些操作？A.随机旋转B.随机裁剪C.颜色抖动D.矩阵转置（针对非图像数据）26.关于卷积神经网络中的卷积操作，描述正确的有？A.卷积核的参数是共享的B.卷积操作具有局部感知的特性C.填充用于控制输出特征图的尺寸D.步长越大，输出特征图的尺寸越大27.评估二分类模型性能时，ROC曲线和PR曲线（精确率-召回率曲线）的特点包括？A.ROC曲线的纵坐标是TPR，横坐标是FPRB.PR曲线在正负样本比例变化时比ROC曲线更敏感C.AUC值表示ROC曲线下的面积D.对于完美分类器，ROC曲线会通过点(0,1)28.以下哪些是超参数优化的常用方法？A.网格搜索B.随机搜索C.贝叶斯优化D.坐标下降29.在自然语言处理中，BERT模型相比传统的RNN模型有哪些优势？A.能够并行计算，训练速度快B.利用双向上下文信息C.解决了长距离依赖问题D.模型参数量极小，适合在移动端部署30.机器学习模型部署阶段，MLOps通常关注哪些方面？A.模型的持续训练和再训练B.模型监控和性能追踪C.模型的版本控制和可复现性D.数据的漂移检测第三部分：填空题（本大题共10空，每空2分，共20分。请将答案写在答题纸的指定位置）31.在朴素贝叶斯分类器中，假设特征之间是相互________的。32.已知一个数据集包含100个样本，其中正类60个，负类40个。模型预测为正类的有50个，其中真正类为40个。则该模型的准确率为________%，召回率为________%。33.在K近邻算法中，距离度量通常使用欧氏距离，其公式为d(x,34.在深度学习中，为了解决梯度消失问题，除了使用LSTM/GRU外，还可以使用________激活函数。35.主成分分析（PCA）通过计算协方差矩阵的________和________来确定主成分。36.在强化学习中，智能体根据策略选择动作，获得奖励并更新状态，目标是最大化长期累积奖励的________。第四部分：简答题（本大题共4小题，每小题10分，共40分）37.请简述过拟合产生的原因，并列举至少三种常用的防止过拟合的方法。38.请解释梯度下降算法中的“动量”概念，并说明它如何帮助优化过程。39.请对比说明Bagging和Boosting两种集成学习策略的主要区别。40.在卷积神经网络中，什么是感受野？扩大感受野有哪些常见方法？第五部分：计算与分析题（本大题共2小题，每小题15分，共30分）41.已知一个简单的二分类问题，数据集包含两个样本：样本1：=样本2：=假设我们使用逻辑回归模型，模型参数w=[0,0损失函数为二元交叉熵损失：L(请计算针对样本1的梯度下降更新步骤（即计算一次更新后的w和b）。（注：Sigmoid函数σ(z)=，其导数为(z42.给定一个数据集S=(1)请计算该数据集的基尼不纯度。(2)现在考虑一个特征X将数据集划分为两个子集：子集（特征X=0）：子集（特征X=1）：请计算该特征分裂后的基尼指数。（注：基尼不纯度公式Gini第六部分：综合应用题（本大题共1小题，共30分）43.某电商平台希望构建一个商品推荐系统，旨在提高用户的点击率和购买转化率。该平台拥有海量的用户行为日志（包括浏览、点击、购买、加购等）、商品属性信息（类别、价格、品牌、文本描述等）以及用户基础画像。(1)请设计一个端到端的机器学习/深度学习解决方案架构。要求包含数据处理层、模型层和输出层。(2)针对模型层，请对比基于协同过滤的方法和基于深度学习的方法（如DeepFM或双塔模型）的优缺点，并给出你的选择建议及理由。(3)在实际部署中，推荐系统经常面临“冷启动”问题。请详细说明什么是冷启动问题，并提出至少三种解决冷启动问题的策略。(4)如何设计离线评估指标和在线A/B测试方案来验证新推荐系统的效果？参考答案与解析第一部分：单项选择题1.【答案】D【解析】在极度不平衡的数据集中，准确率往往很高但没有参考价值。精确率关注预测为正的样本中有多少是真的正例，召回率关注真实的正例中有多少被找出来。F1-Score是精确率和召回率的调和平均，能综合反映两者在少数类上的表现，是评估不平衡数据集较好的指标。但若必须选“最能反映识别能力”，通常F1或AUC-PR更佳，选项中D最综合。2.【答案】B【解析】L1正则化倾向于产生稀疏解（即许多权重变为0），因此常用于特征选择。L2正则化倾向于让权重变得均匀且较小。3.【答案】A【解析】核函数通过将低维空间的非线性可分数据映射到高维空间，使其在高维空间中线性可分，从而解决非线性分类问题。4.【答案】C【解析】信息增益准则对取值数目较多的特征有所偏好（例如ID编号）。信息增益率通过引入分裂信息来惩罚取值较多的特征，从而减少这种偏好。5.【答案】C【解析】由σ(z)6.【答案】C【解析】学习率过大，会导致在极小值附近震荡，甚至直接跳出可行域导致损失函数发散（NaN）。7.【答案】C【解析】PCA是一种无监督学习方法，它只利用输入数据的结构，不使用标签信息。8.【答案】C【解析】池化层主要用于降维、减少计算量和引入不变性。提取局部特征是卷积层的作用。9.【答案】C【解析】K-Means的目标函数是最小化簇内误差平方和（SSE）。它对初始中心敏感（K-Means++算法改善了这一点），不能自动确定K，且主要处理数值型数据。10.【答案】D【解析】LSTM包含遗忘门、输入门和输出门。注意力门是Attention机制中的组件，不是标准LSTM单元的一部分。11.【答案】C【解析】随机森林通过集成多棵决策树并引入随机性（特征随机采样），降低了方差，具有更好的泛化能力，抗过拟合能力强于单棵树。12.【答案】A【解析】根据原论文及常用实践，BatchNormalization通常放在线性变换之后、激活函数之前，即BN(W13.【答案】C【解析】Adam结合了动量（一阶矩）和RMSProp（二阶矩）的优点，并引入了偏差修正，使得在训练初期估计更准确。14.【答案】B【解析】Word2Vec包含两种模型：CBOW（根据上下文预测中心词）和Skip-gram（根据中心词预测上下文）。15.【答案】C【解析】MSE对误差进行平方，因此对离群点非常敏感（惩罚大）。MAE计算绝对误差，对离群点更具鲁棒性。16.【答案】A【解析】Boosting是串行集成，每个新基学习器都重点关注前一个学习器误判的样本，试图修正错误。17.【答案】B【解析】在划分训练集和测试集之前对全量数据进行特征选择，会导致测试集的信息（如整体统计特性）泄露到训练集中，使得评估结果过于乐观。18.【答案】A【解析】是缩放因子。当很大时，点积结果很大，导致Softmax进入梯度极小的饱和区。缩放后可以使梯度更稳定。19.【答案】C【解析】Q-learning学习的是动作价值函数Q(s,a)20.【答案】B【解析】GAN是一个极小极大博弈。生成器试图生成逼真样本以欺骗判别器（最大化判别器犯错概率），判别器试图区分真假样本（最小化自己犯错概率）。第二部分：多项选择题21.【答案】ABC【解析】特征工程包括独热编码（处理类别）、标准化/归一化（缩放数值）、缺失值填充（处理数据完整性）。梯度下降是优化算法。22.【答案】ABD【解析】增加模型复杂度→低偏差，高方差。增加数据量→降低方差。正则化主要用于降低方差（防止过拟合）。高偏差对应欠拟合。23.【答案】AB【解析】激活函数的核心作用是引入非线性（A）和映射输出范围（B）。某些激活函数（如ReLU）可以加速收敛（C），但这不是所有激活函数的作用。激活函数不直接增加参数数量（权重增加参数）。24.【答案】ABC【解析】XGBoost,LightGBM,AdaBoost都是基于树的集成方法。NaiveBayes是概率分类器。25.【答案】ABC【解析】图像增强包括旋转、裁剪、颜色调整等。矩阵转置是数学操作，不是常规图像增强手段（虽然图像翻转属于增强，单纯的矩阵转置概念不同）。26.【答案】ABC【解析】卷积具有局部感知、权值共享特性。Padding控制尺寸。步长越大，输出尺寸越小。27.【答案】ABCD【解析】ROC纵轴TPR，横轴FPR。PR曲线对样本分布敏感。AUC是ROC下面积。完美分类器ROC通过(0,1)。全选。28.【答案】ABC【解析】网格搜索、随机搜索、贝叶斯优化都是超参数搜索方法。坐标下降是优化算法的一种，有时也用于超参数，但前三者更典型。29.【答案】ABC【解析】BERT是Transformer架构，可并行计算（A），双向上下文（B），解决长距离依赖（C）。BERT参数量巨大，不适合移动端（D错误）。30.【答案】ABCD【解析】MLOps关注模型的全生命周期，包括持续训练、监控、版本控制和数据漂移检测。全选。第三部分：填空题31.【答案】独立32.【答案】80；66.7（或66.67）【解析】TP=40,FP=10,FN=20,TN=30。Accuracy=(40+30)/100=0.8=80%。Recall=TP/(TP+FN)=40/60=2/3≈66.7%。33.【答案】过拟合34.【答案】ReLU（或Linear,LeakyReLU）35.【答案】特征值；特征向量36.【答案】期望（或期望回报）第四部分：简答题37.【答案】原因：训练数据太少或噪声太大；模型复杂度过高（参数过多），导致模型学习了训练数据中的随机噪声而非普遍规律。防止方法：1.获取更多训练数据。2.降低模型复杂度（如减少神经网络层数/节点数，减少树的深度）。3.正则化（L1,L2,Dropout）。4.交叉验证评估模型泛化能力。5.数据增强（针对图像/文本）。6.早停法。38.【答案】动量模拟了物体运动中的惯性。在梯度下降中，它不仅考虑当前的梯度，还保留历史更新方向的信息。公式通常为：=γ+η作用：1.加速收敛：在梯度方向一致的方向上，动量项累积，步长变大，加快移动。2.抑制震荡：在梯度方向变化的区域（如峡谷窄口），动量项可以平滑更新方向，减少震荡。39.【答案】1.个体学习器关系：Bagging中个体学习器之间不存在强依赖关系，可以并行生成；Boosting中个体学习器之间存在强依赖关系，必须串行生成。2.采样方式：Bagging使用自助采样法，通过对训练集有放回抽样生成不同子集；Boosting通常使用全部样本（或改变样本权重），每一轮关注被前一轮错分的样本。3.目标：Bagging的主要目标是降低方差，主要用于不稳定的基学习器（如决策树）；Boosting的主要目标是降低偏差，主要用于将弱学习器提升为强学习器。4.结合策略：Bagging通常简单平均或多数投票；Boosting通常加权平均。40.【答案】感受野：指卷积神经网络中，特征图上某个元素的特征所能看到的原始输入图像的区域大小。扩大感受野的方法：1.增加卷积层的层数（堆叠卷积）。2.使用池化层。3.使用空洞卷积，即引入扩张率。4.使用步长大于1的卷积。第五部分：计算与分析题41.【答案】步骤1：计算样本1的线性输出z。w=z=w·步骤2：计算预测值。=σ步骤3：计算梯度。=)=(=0.5步骤4：更新参数。=η=[=η=0结果：更新后的w=42.【答案】(1)计算数据集S的基尼不纯度。总数|S=3Gi(2)计算分裂后的基尼指数。子集：A,A,BGi子集：A,B,BGi加权求和：G====+结果：该数据集基尼不纯度为30/64，分裂后的基尼指数为第六部分：综合应用题43.【答案】(1)解决方案架构：数据处理层：用户画像处理：对用户ID、年龄、性别等进行Embedding编码。商品特征处理：对商品类别、品牌进行Embedding；对商品文本描述使用BERT或TextCNN提取特征；对历史行为序列进行序列化处理。上下文特征：时间、星期、设备等。样本构建：构建正样本（用户点击/购买的商品）和负样本（用户未曝光或未点击的商品），进行特征交叉和归一化。模型层：采用深度学习推荐模型（如DeepFM或DIEN）。Embedding层：将稀疏特征映射为低维稠密向量。特征交互层：结合FM部分（二阶特征交叉）和DNN部分（高阶特征交叉）。输出层：Sigmoid函数输出点击概率（CTR预估）。输出层：根据预测得分进行排序，生成Top-K推荐列表。根据预测得分进行排序，生成Top-K推荐列表。引入去重逻辑和多样性策略。引入去重逻辑和多样性策略。(2)协同过滤vs深度学习：协同过滤(CF)：优点：原理简单，可解释性较强（基于相似用户/物品），无需复杂特征工程。优点：原理简单，可解释性较强（基于相似用户/物品），无需复杂特征工程。缺点：稀疏性问题严重，难以利用用户/物品的侧面属性，无法处理复杂特征交叉，冷启动能力差。缺点：稀疏性问题严重，难以利