2026版机器学习单元同步测验QS01仿真卷Org074（含答案解析与学生作答区）

通用综合单元同步测验QS01通用综合单元同步测验QS01

2026版机器学习单元同步测验QS01仿真卷Org074（含答案解析与学生作答区）考试时间：70分钟满分：80分适用对象：全国通用机器学习单元同步测验学习者、教师组卷与可打印练习场景答题说明：先检查试卷页码和题号；选择题在答题栏作答；主观题写清依据、过程和结论；书写规范，保持卷面整洁。

2026版机器学习单元同步测验QS01仿真卷Org074（含答案解析与学生作答区）姓名班级考号考试时间70分钟满分80分适用对象全国通用答题说明：1.本卷共三大题，22小题，满分80分，考试时间70分钟。2.答题前请检查题号是否连续；选择题把答案写入答题栏，主观题在指定作答区内完成。3.计算题须写出公式、代入过程、单位和结论；论述题须条理清晰、表达规范。4.若需修改答案，请保持卷面清楚，不得在无关区域作答。选择题答题栏1

答案：____2

答案：____3

答案：____4

答案：____5

答案：____6

答案：____7

答案：____8

答案：____9

答案：____10

答案：____11

答案：____12

答案：____13

答案：____14

答案：____15

答案：____一、单项选择题（15题，每题2分，共30分）1.在一个垃圾邮件识别任务中，训练样本已经标注为“垃圾邮件”或“正常邮件”。该任务最恰当的学习类型是（2分）A.无监督学习B.监督学习C.强化学习D.迁移学习2.将数据集划分为训练集、验证集和测试集的主要目的是（2分）A.让模型在测试集上反复调参B.同时估计参数、选择模型并最终评估泛化能力C.保证训练样本数量一定等于测试样本数量D.只为减少计算量，与模型效果无关3.某模型在训练集上准确率很高，但在新样本上表现明显下降，这一现象最可能说明（2分）A.欠拟合B.数据已经标准化C.过拟合D.学习率必然过小4.关于偏差与方差的说法，正确的是（2分）A.模型越复杂，偏差一定越大B.高偏差常对应模型表达能力不足C.高方差一定意味着训练误差也很高D.偏差和方差与泛化误差无关5.使用梯度下降训练线性模型前，对特征进行标准化最直接的作用是（2分）A.删除全部异常值B.改变标签的真实含义C.使不同量纲特征处于相近尺度，利于优化D.保证模型准确率达到100%

6.二分类混淆矩阵中，精确率Precision主要衡量（2分）A.实际为正的样本中被预测为正的比例B.预测为正的样本中真正为正的比例C.全部样本中预测正确的比例D.实际为负的样本中被预测为负的比例7.k近邻算法中，k值过小最可能带来的问题是（2分）A.模型对局部噪声过于敏感B.模型完全不能处理数值特征C.模型不需要任何训练样本D.距离度量不再发挥作用8.在线性回归目标函数中加入L2正则项，主要是为了（2分）A.惩罚过大的参数，降低模型复杂度B.把所有样本标签改为0或1C.使模型只能学习非线性边界D.取消损失函数中的误差项9.决策树选择划分特征时常用信息增益或基尼指数，其核心意图是（2分）A.使每个叶节点包含完全相同数量的样本B.提高划分后子节点的纯度C.避免生成任何叶节点D.只选择取值最多的特征10.逻辑回归用于二分类时，模型输出经过Sigmoid函数后通常可解释为（2分）A.输入特征的缺失比例B.样本属于正类的概率估计C.聚类中心的坐标D.决策树的最大深度

11.梯度下降中学习率设置过大，最可能出现的情况是（2分）A.损失函数震荡甚至不收敛B.参数一定全部变为0C.训练时间一定缩短且效果更好D.验证集误差必然单调下降12.k折交叉验证的主要优点是（2分）A.让每个样本都只被用作测试一次且从不参与训练B.在数据量有限时更稳定地估计模型效果C.彻底消除数据噪声D.不需要区分特征和标签13.在没有人工标签的客户分群任务中，较合适的算法是（2分）A.K-means聚类B.逻辑回归C.朴素贝叶斯分类D.监督式线性回归14.当正负样本极不均衡时，只看准确率可能产生误导，原因是（2分）A.准确率完全不能计算B.多数类预测正确会掩盖少数类识别效果C.少数类样本会自动变为多数类D.ROC曲线不适用于任何二分类问题15.下列做法最可能造成数据泄漏的是（2分）A.只用训练集均值方差对训练集拟合标准化器，再作用于验证集B.在模型训练前把标签列从特征中删除C.在划分训练集和测试集前，使用全量数据计算目标编码特征D.将随机种子记录在实验日志中选择题作答检查：请确认1—15题均已在答题栏填写唯一选项。

二、情境材料题（5题，每题6分，共30分）16.房价预测中的数据预处理（6分）材料：某学习小组准备建立房价预测模型。原始数据包含房屋面积、楼龄、距地铁站距离、城区类别、是否学区房、成交总价等字段。初步检查发现：楼龄有少量缺失，城区类别为文本型，成交总价是待预测目标；另有一列“成交后评估等级”只在成交完成后才产生。小组成员提出：先用全量数据填补缺失值并完成标准化，再随机划分训练集和测试集；同时把“成交后评估等级”作为特征加入模型。设问：（1）指出本任务属于回归还是分类，并说明依据。（2分）（2）写出两项合理的数据预处理措施。（2分）（3）判断小组成员方案中可能存在的一个数据泄漏点，并说明理由。（2分）学生作答区：________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

17.二分类模型的混淆矩阵计算（6分）材料：某疾病初筛模型在100名受检者上测试，正类表示“需要进一步检查”。结果如下表：实际正类实际负类预测正类3612预测负类448设问：（1）计算准确率Accuracy。（2分）（2）计算召回率Recall，并解释它在本场景中的含义。（2分）（3）若医院更关注漏检风险，应优先提升Precision还是Recall？说明理由。（2分）学生作答区：________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

18.训练曲线与模型调整（6分）材料：某图像分类小模型训练20轮后，训练集损失从0.82下降到0.06，验证集损失先从0.90下降到0.38，之后升高到0.61；训练集准确率达到98%，验证集准确率停留在74%左右。研究者可选调整策略包括：增加数据增强、减小模型复杂度、加入正则化、继续训练更多轮、不做验证集监控。设问：（1）根据材料判断模型主要问题，并写出依据。（2分）（2）从材料列出的策略中选择两项较合理的改进措施。（2分）（3）说明为什么“继续训练更多轮”不一定能解决该问题。（2分）学生作答区：________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

19.树模型的可解释性与泛化（6分）材料：某班用学生学习行为数据预测期末是否达标。候选模型包括单棵决策树和随机森林。数据字段有：周平均学习时长、作业按时提交率、单元测验均分、课堂互动次数等。教师希望既能获得较好预测效果，又能向学生解释主要影响因素。一次实验显示：单棵树训练准确率93%、验证准确率78%；随机森林训练准确率96%、验证准确率86%。设问：（1）比较两种模型在验证集表现上的差异。（2分）（2）若选择随机森林，如何弥补其可解释性不足？写出一种方法。（2分）（3）对单棵树提出一种防止过拟合的限制策略。（2分）学生作答区：____________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

20.聚类结果的业务解释（6分）材料：某在线课程平台对学习者进行无监督分群，使用特征包括近30天登录次数、视频完成率、测验平均分、论坛发帖数。K-means得到三类：A类登录次数高、完成率高、测验分高；B类登录次数中等、完成率低、论坛发帖多；C类登录次数低、完成率低、测验分缺失较多。平台希望依据聚类结果进行差异化学习支持。设问：（1）说明该任务为何不宜直接称为监督分类。（2分）（2）为B类和C类学习者各提出一项干预建议。（2分）（3）列举一个评价聚类结果是否有用的角度。（2分）学生作答区：________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

三、综合探究题（2题，每题10分，共20分）21.校园图书馆座位占用预测方案设计（10分）某学校计划开发一个模型，预测未来30分钟图书馆各区域座位是否紧张。可采集的数据包括：历史入馆人数、当前预约人数、时间段、星期、考试周标记、天气、各区域历史占用率。学校要求模型结果可用于管理决策，同时注意隐私保护和模型持续评估。（1）明确预测目标，并说明可将其设计为分类任务还是回归任务。（2分）（2）写出至少三类可用特征，并说明其中一类特征的作用。（2分）（3）设计训练、验证、测试划分方式，说明为何不能随意打乱所有时间序列数据。（2分）（4）选择两个评价指标，并说明各自关注的模型能力。（2分）（5）写出两项上线后的风险控制或伦理隐私措施。（2分）学生作答区：________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________评分项分值作答提示目标与任务定义2明确输出变量，能解释分类或回归设计特征设计2至少三类特征，说明作用数据划分2体现时间顺序与泛化评估指标选择2指标与业务风险相匹配风险控制2隐私、偏差、监控或人工复核

22.模型选择、指标计算与改进建议（10分）某电商平台要识别可能流失的会员。测试集共有2000名会员，其中实际流失会员300名。模型甲预测为流失的会员有260名，其中真正流失210名；模型乙预测为流失的会员有520名，其中真正流失255名。平台会对被判定为流失的会员发放挽留券，单次发券成本较高，但漏掉高风险会员也会造成损失。（1）分别计算模型甲、乙的Precision和Recall，保留三位小数。（4分）（2）结合业务成本，说明在什么情况下更倾向选择模型甲，什么情况下更倾向选择模型乙。（2分）（3）提出两项改进模型或决策阈值的措施。（2分）（4）写出上线前还应检查的一项数据或公平性风险。（2分）学生作答区：________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________评分项分值作答提示指标计算4列公式、代入、结果业务权衡2联系发券成本与漏检损失改进措施2阈值、特征、采样、校准等风险检查2数据偏差、公平性或反馈闭环

2026版机器学习单元同步测验QS01仿真卷Org074（含答案解析与学生作答区）参考答案与解析一、单项选择题1.答案：B。解析：样本带有明确类别标签，目标是从已标注样本学习邮件类别判别规则，属于监督学习。2.答案：B。解析：训练集用于拟合参数，验证集用于模型选择和调参，测试集用于最终估计泛化能力，不能反复用于调参。3.答案：C。解析：训练表现好而新样本表现差，是模型记住训练细节、泛化不足的典型过拟合现象。4.答案：B。解析：高偏差常说明模型过于简单，不能充分刻画数据规律；高方差则多与对训练数据扰动敏感有关。5.答案：C。解析：标准化使不同量纲的特征处于相近尺度，有助于梯度下降稳定、快速地寻找较优参数。6.答案：B。解析：Precision=TP/(TP+FP)，关注预测为正的样本中有多少真正为正。7.答案：A。解析：k过小会让单个邻近样本或噪声点对结果影响过大，方差较高。8.答案：A。解析：L2正则通过惩罚参数平方和抑制过大的权重，降低模型复杂度和过拟合风险。9.答案：B。解析：信息增益和基尼指数都用于衡量划分后类别混杂程度是否降低，核心是提升节点纯度。10.答案：B。解析：Sigmoid输出位于0到1之间，在二分类逻辑回归中常解释为正类概率估计。11.答案：A。解析：学习率过大可能跨过最优区域，使损失震荡甚至发散。12.答案：B。解析：k折交叉验证让不同子集轮流作为验证集，可在样本有限时更稳健地估计效果。13.答案：A。解析：客户分群没有人工标签，K-means根据样本相似性自动形成簇，属于无监督聚类方法。14.答案：B。解析：类别不均衡时，模型只偏向多数类也可能获得较高准确率，却无法体现少数类识别质量。15.答案：C。解析：目标编码若在划分前利用全量数据计算，会把测试集统计信息提前泄露给训练过程。

二、情境材料题16.参考答案与评分点：（1）回归任务，2分。依据：待预测目标为成交总价，是连续数值变量；若答“预测价格数值”且说明连续变量，可得满分。（2）预处理措施，2分。可答：楼龄缺失值用训练集统计量或合理模型填补；城区类别做独热编码或目标无泄漏编码；数值特征标准化；删除明显不可用或泄漏字段。每点1分，满2分。（3）数据泄漏，2分。不得在划分前用全量数据拟合填补器或标准化器；“成交后评估等级”只在成交后产生，也不能作为预测成交前价格的特征。指出任一点并说明测试信息提前进入训练或使用未来信息即可。17.参考答案与评分点：（1）Accuracy=(TP+TN)/(TP+FP+FN+TN)=(36+48)/100=0.84，即84%，2分。公式1分，代入与结果1分。（2）Recall=TP/(TP+FN)=36/(36+4)=0.90，即90%，2分。含义：实际需要进一步检查的人中，有90%被模型识别出来。（3）应优先提升Recall，2分。理由：漏检对应FN，召回率直接关注实际正类被找出的比例；在疾病初筛中漏检风险通常比多一次复查更严重。18.参考答案与评分点：（1）主要问题是过拟合，2分。依据：训练损失持续降至很低、训练准确率98%，而验证损失后期升高、验证准确率仅约74%，训练与验证表现差距明显。（2）合理措施包括增加数据增强、减小模型复杂度、加入正则化、早停并监控验证集等。写出两项且与过拟合控制相关，每项1分。（3）继续训练更多轮可能让模型进一步记住训练集细节，验证损失继续升高，不能改善泛化；说明“训练误差降低不等于验证效果提升”可得2分。19.参考答案与评分点：（1）随机森林验证准确率86%，高于单棵树78%，说明其泛化表现更好；同时两者训练准确率都高于验证准确率，单棵树差距更明显。2分。（2）可用特征重要性、置换重要性、部分依赖图、单个样本解释方法，或抽取代表性规则辅助解释。答出一种并能说明用于解释