岭南师范学院《机器学习》2025-2026学年第二学期期末试卷(A卷)

站名：站名：年级专业：姓名：学号：凡年级专业、姓名、学号错写、漏写或字迹不清者，成绩按零分记。…………密………………封………………线…………第1页，共1页岭南师范学院《机器学习》2025-2026学年第二学期期末试卷(A卷)注意事项:1.请考生在下列横线上填写姓名、学号和年级专业。2.请仔细阅读各种题目的回答要求，在规定的位置填写答案。3.不要在试卷上乱写乱画，不要在装订线内填写无关的内容。4.考试时间120分钟专业学号姓名题号一二三四五六七八总分统分人复查人得分得分评分人一、单项选择题（每题1分，共20分）1.以下哪项不是机器学习的基本类型？A.监督学习B.无监督学习C.半监督学习D.强化学习2.在决策树中，用于剪枝的目的是？A.减少决策树的复杂度B.增加决策树的复杂度C.提高决策树的准确性D.降低决策树的准确性3.以下哪个算法属于无监督学习？A.K-近邻算法B.支持向量机C.决策树D.随机森林4.以下哪个指标用于评估分类算法的性能？A.精确度B.召回率C.F1分数D.以上都是5.在机器学习中，以下哪个概念表示算法对训练数据的拟合程度？A.泛化能力B.过拟合C.欠拟合D.以上都是6.以下哪个算法属于集成学习方法？A.K-近邻算法B.支持向量机C.决策树D.随机森林7.在神经网络中，以下哪个层负责提取特征？A.输入层B.隐藏层C.输出层D.以上都是8.以下哪个算法属于深度学习方法？A.K-近邻算法B.支持向量机C.决策树D.卷积神经网络9.在机器学习中，以下哪个概念表示算法对未知数据的预测能力？A.泛化能力B.过拟合C.欠拟合D.以上都是10.以下哪个算法属于聚类算法？A.K-近邻算法B.支持向量机C.决策树D.K-means算法11.在机器学习中，以下哪个概念表示算法对训练数据的拟合程度？A.泛化能力B.过拟合C.欠拟合D.以上都是12.以下哪个算法属于集成学习方法？A.K-近邻算法B.支持向量机C.决策树D.随机森林13.在神经网络中，以下哪个层负责提取特征？A.输入层B.隐藏层C.输出层D.以上都是14.在机器学习中，以下哪个概念表示算法对未知数据的预测能力？A.泛化能力B.过拟合C.欠拟合D.以上都是15.以下哪个算法属于聚类算法？A.K-近邻算法B.支持向量机C.决策树D.K-means算法16.在机器学习中，以下哪个概念表示算法对训练数据的拟合程度？A.泛化能力B.过拟合C.欠拟合D.以上都是17.以下哪个算法属于集成学习方法？A.K-近邻算法B.支持向量机C.决策树D.随机森林18.在神经网络中，以下哪个层负责提取特征？A.输入层B.隐藏层C.输出层D.以上都是19.在机器学习中，以下哪个概念表示算法对未知数据的预测能力？A.泛化能力B.过拟合C.欠拟合D.以上都是20.以下哪个算法属于聚类算法？A.K-近邻算法B.支持向量机C.决策树D.K-means算法二、多项选择题（每题2分，共20分）1.以下哪些是机器学习的基本类型？A.监督学习B.无监督学习C.半监督学习D.强化学习2.以下哪些指标用于评估分类算法的性能？A.精确度B.召回率C.F1分数D.准确率3.以下哪些算法属于集成学习方法？A.K-近邻算法B.支持向量机C.决策树D.随机森林4.以下哪些层属于神经网络？A.输入层B.隐藏层C.输出层D.以上都是5.以下哪些算法属于深度学习方法？A.K-近邻算法B.支持向量机C.决策树D.卷积神经网络6.以下哪些概念表示算法对训练数据的拟合程度？A.泛化能力B.过拟合C.欠拟合D.以上都是7.以下哪些算法属于聚类算法？A.K-近邻算法B.支持向量机C.决策树D.K-means算法8.以下哪些指标用于评估分类算法的性能？A.精确度B.召回率C.F1分数D.准确率9.以下哪些算法属于集成学习方法？A.K-近邻算法B.支持向量机C.决策树D.随机森林10.以下哪些层属于神经网络？A.输入层B.隐藏层C.输出层D.以上都是三、判断题（每题1分，共10分）1.机器学习是一种通过算法让计算机从数据中学习并做出决策的技术。（√）2.监督学习需要标记好的训练数据。（√）3.无监督学习不需要标记好的训练数据。（√）4.决策树是一种无监督学习算法。（×）5.神经网络是一种深度学习方法。（√）6.支持向量机是一种集成学习方法。（×）7.K-means算法是一种聚类算法。（√）8.机器学习算法的泛化能力是指算法对未知数据的预测能力。（√）9.过拟合是指模型对训练数据的拟合程度过高，导致对未知数据的预测能力下降。（√）10.欠拟合是指模型对训练数据的拟合程度过低，导致对未知数据的预测能力下降。（√）四、名词解释（每题4分，共20分）1.机器学习2.监督学习3.无监督学习4.集成学习方法5.深度学习方法五、简答题（每题6分，共18分）1.简述机器学习的基本类型及其特点。2.简述监督学习和无监督学习的区别。3.简述集成学习方法的基本原理。4.简述深度学习方法的基本原理。六、案例分析题（1题，满分12分）某电商平台收集了用户购买商品的历史数据，包括用户ID、购买时间、商品ID、商品类别、购买金额等。现要求根据这些数据预测用户未来可能购买的商品类别。请结合所学知识，分析以下问题：1.如何对用户购买商品的历史数据进行预处理？2.如何选择合适的机器学习算法进行预测？3.如何评估预测模型的性能？4.如何优化预测模型？答案：1.对用户购买商品的历史数据进行预处理，包括：（1）数据清洗：去除缺失值、异常值等。（2）特征工程：提取用户购买商品的类别、购买金额等特征。（3）数据标准化：将数值型特征进行标准化处理。2.选择合适的机器学习算法进行预测，可以考虑以下算法：（1）决策树：适用于分类问题，可以处理非线性关系。（2）随机森林：集成学习方法，可以提高预测模型的泛化能力。（3）支持向量机：适用于分类问题，可以处理非线性关系。3.评估预测模型的性能，可以使用以下指标：（1）准确率：预测正确的样本数占总样本数的比例。（2）召回率：预测正确的正样本数占所有正样本数的比例。（3）F1分数：准确率和召回