2026年LR天赋测试题及答案

2026年LR天赋测试题及答案

一、单项选择题（总共10题，每题2分）1.在LR模型中，以下哪个参数通常用于控制模型的复杂度？A.学习率B.正则化系数C.批量大小D.迭代次数2.逻辑回归（LogisticRegression）的输出范围是？A.(-∞,+∞)B.[0,1]C.[-1,1]D.(0,+∞)3.以下哪种损失函数常用于逻辑回归？A.均方误差（MSE）B.交叉熵损失（Cross-EntropyLoss）C.绝对值损失（MAE）D.HingeLoss4.逻辑回归属于以下哪种类型的机器学习方法？A.无监督学习B.监督学习C.强化学习D.半监督学习5.在逻辑回归中，Sigmoid函数的作用是？A.将输入映射到高维空间B.将线性回归的输出转换为概率值C.计算梯度下降的步长D.进行特征选择6.以下哪种方法可以用于解决逻辑回归中的过拟合问题？A.增加训练数据B.减少特征数量C.使用L1或L2正则化D.以上全部7.逻辑回归模型的输出概率阈值为0.5，若某样本预测概率为0.7，则该样本被分类为？A.正类B.负类C.不确定D.需要进一步计算8.逻辑回归的优化算法通常采用？A.随机梯度下降（SGD）B.牛顿法C.拟牛顿法（如L-BFGS）D.以上均可9.在多分类逻辑回归中，常用的扩展方法是？A.一对一（One-vs-One）B.一对多（One-vs-Rest）C.Softmax回归D.以上均可10.逻辑回归假设数据服从哪种分布？A.高斯分布B.伯努利分布C.泊松分布D.均匀分布二、填空题（总共10题，每题2分）1.逻辑回归的核心函数是__________，其输出范围在0到1之间。2.在逻辑回归中，使用__________作为优化目标函数。3.逻辑回归的决策边界是__________。4.正则化方法L1和L2的主要区别在于L1会产生__________。5.逻辑回归的预测值是基于__________的线性组合。6.逻辑回归的优化通常采用__________算法。7.在多分类问题中，Softmax回归的输出层使用__________函数。8.逻辑回归的损失函数对参数的偏导数用于__________。9.逻辑回归适用于__________类型的分类任务。10.在逻辑回归中，特征缩放可以__________训练速度。三、判断题（总共10题，每题2分）1.逻辑回归可以用于回归任务。（）2.逻辑回归的损失函数是凸函数，因此总能找到全局最优解。（）3.逻辑回归对异常值非常敏感。（）4.逻辑回归可以直接处理多分类问题。（）5.逻辑回归的决策边界一定是线性的。（）6.正则化可以防止逻辑回归过拟合。（）7.逻辑回归的输出可以解释为概率。（）8.逻辑回归的训练过程依赖于梯度下降。（）9.逻辑回归的特征必须符合正态分布。（）10.逻辑回归的性能优于支持向量机（SVM）。（）四、简答题（总共4题，每题5分）1.简述逻辑回归的基本原理及其适用场景。2.解释逻辑回归中的Sigmoid函数及其作用。3.讨论逻辑回归中正则化的作用及其类型。4.比较逻辑回归与线性回归的异同点。五、讨论题（总共4题，每题5分）1.逻辑回归在金融风控中的应用及其优势。2.如何评估逻辑回归模型的性能？列举常用指标并说明其意义。3.逻辑回归在处理非线性数据时的局限性及改进方法。4.逻辑回归与决策树在分类任务中的对比分析。---答案及解析一、单项选择题1.B2.B3.B4.B5.B6.D7.A8.D9.D10.B二、填空题1.Sigmoid函数2.对数似然函数3.线性4.稀疏解5.特征6.梯度下降7.Softmax8.参数更新9.二分类10.提高三、判断题1.×2.√3.×4.×5.×6.√7.√8.√9.×10.×四、简答题1.逻辑回归是一种用于二分类的监督学习算法，通过Sigmoid函数将线性回归的输出映射到[0,1]区间，表示样本属于正类的概率。适用于数据线性可分或近似线性可分的场景，如信用评分、疾病预测等。2.Sigmoid函数将任意实数映射到(0,1)区间，公式为σ(z)=1/(1+e^(-z))。其作用是将线性回归的输出转换为概率值，便于分类决策。3.正则化通过惩罚模型参数防止过拟合，L1正则化（Lasso）产生稀疏解，可用于特征选择；L2正则化（Ridge）使参数平滑，减少模型复杂度。4.相同点：均基于线性模型。不同点：逻辑回归用于分类，输出概率；线性回归用于回归，输出连续值。逻辑回归使用Sigmoid函数，线性回归直接输出加权和。五、讨论题1.逻辑回归在金融风控中用于预测违约概率，优势包括模型可解释性强、计算效率高、易于部署。通过特征工程可提高预测精度，帮助金融机构降低风险。2.常用评估指标包括准确率、精确率、召回率、F1分数、AUC-ROC曲线等。准确率衡量整体分类正确率；精确率关注正类预测的准确性；召回率衡量正类样本的识别能力；F1分数综合精确率和召回率；AUC-ROC反映模型区分正负类的能力。3.逻辑回归对非线性数据表现较差，可通过引入多项式特征、核函数或使用其