2026年模型拟合效果测试题及答案

2026年模型拟合效果测试题及答案

一、单项选择题（总共10题，每题2分）1.线性回归模型中，当向模型中加入一个对因变量无显著影响的自变量时，调整R²的变化趋势是？A.增大B.减小C.不变D.无法确定2.残差分析的核心假设之一是，残差的均值应接近以下哪个值？A.0B.1C.自变量均值D.因变量均值3.模型过拟合的典型表现是？A.训练集误差小，测试集误差小B.训练集误差大，测试集误差大C.训练集误差小，测试集误差大D.训练集误差大，测试集误差小4.赤池信息准则（AIC）的核心设计思想是？A.仅最大化拟合优度B.仅最小化模型复杂度C.平衡拟合优度与模型复杂度D.最大化模型可解释性5.K折交叉验证中，若K等于样本量N，则该方法称为？A.留一法B.随机划分法C.分层交叉验证D.迭代交叉验证6.非线性模型拟合效果评估中，除R²外，最常用的量化指标是？A.调整R²B.均方根误差（RMSE）C.残差平方和（RSS）D.自由度7.模型欠拟合的主要原因之一是？A.模型复杂度过高B.数据量过大C.模型复杂度不足D.特征维度过多8.以下关于异常值对模型拟合影响的描述，正确的是？A.仅影响线性模型，不影响非线性模型B.会导致残差平方和显著增大C.能提升模型拟合优度D.对模型泛化能力无影响9.残差图中，若残差呈现随机分布（无明显趋势、无聚集性），说明模型拟合效果？A.合理B.欠拟合C.过拟合D.无意义10.模型泛化能力与拟合效果的关系，正确的是？A.泛化能力强意味着测试集拟合效果好B.泛化能力与拟合效果无关C.拟合效果好则泛化能力一定强D.泛化能力仅取决于训练集拟合效果二、填空题（总共10题，每题2分）1.线性回归中，衡量模型对因变量变异解释程度的核心指标是______。2.调整R²的计算公式中，分母引入的是样本量与自变量个数相关的______。3.残差的定义式可表述为：观测值与______的差值。4.过拟合状态下，训练集误差与测试集误差的大小关系是：训练集误差______测试集误差。5.AIC准则的全称是______。6.留一法交叉验证中，每次验证集所包含的样本数量为______。7.非线性模型拟合效果的可视化判断方法之一是对比______与观测点的拟合程度。8.解决欠拟合问题的常用方法之一是______（如添加交互项、增加模型复杂度）。9.异常值会导致模型的______（RSS）显著增加。10.模型泛化能力的定义是：模型在______上的拟合效果。三、判断题（总共10题，每题2分）1.模型的R²越大，说明拟合效果一定越好。（）2.残差的标准差越小，模型拟合效果越优。（）3.过拟合时，训练集和测试集的误差均会显著减小。（）4.AIC准则值越小，模型的综合表现越优。（）5.K折交叉验证中，K值越大，计算效率越高。（）6.非线性模型的拟合效果一定优于线性模型。（）7.调整R²的取值范围可以为负数。（）8.残差图中若存在明显的线性趋势，说明模型拟合合理。（）9.欠拟合状态下，训练集误差和测试集误差均较大。（）10.模型泛化能力与拟合效果无直接关联。（）四、简答题（总共4题，每题5分）1.简述R²与调整R²的核心区别及适用场景。2.如何通过残差分析判断模型拟合效果？3.过拟合与欠拟合的判断方法有哪些？4.交叉验证在模型拟合效果评估中的作用是什么？五、讨论题（总共4题，每题5分）1.异常值对模型拟合效果的影响及常见应对策略。2.线性模型与非线性模型在拟合效果评估中的差异体现在哪些方面？3.如何平衡模型复杂度与拟合效果之间的关系？4.模型泛化能力与拟合效果的关系是什么？提升泛化能力的方法有哪些？一、单项选择题答案及解析1.答案：B。解析：调整R²惩罚无意义的自变量增加，加入不显著变量时会减小。2.答案：A。解析：残差均值接近0是线性回归残差分析的基本假设。3.答案：C。解析：过拟合是模型过度学习训练集噪声，导致测试集误差远大于训练集。4.答案：C。解析：AIC通过拟合优度（似然值）与模型复杂度（参数个数）的平衡选择最优模型。5.答案：A。解析：K=N时每次留1个样本为验证集，即留一法。6.答案：B。解析：RMSE是衡量预测偏差的常用指标，适用于非线性模型。7.答案：C。解析：欠拟合源于模型无法捕捉数据规律，通常是复杂度不足。8.答案：B。解析：异常值拉偏预测，导致残差平方和显著增大。9.答案：A。解析：残差随机分布说明模型捕捉了系统变异，拟合合理。10.答案：A。解析：泛化能力指模型在新数据上的表现，与测试集拟合效果直接相关。二、填空题答案1.决定系数（R²）2.自由度（n-k-1，k为自变量个数）3.模型预测值4.小于5.赤池信息准则6.17.拟合曲线8.增加模型复杂度（或添加交互项、引入非线性项等）9.残差平方和10.新数据（或测试集数据）三、判断题答案及解析1.答案：×。解析：R²随自变量增加而增大，即使变量无意义，不能仅用其判断拟合效果。2.答案：√。解析：残差标准差小说明预测偏差小，拟合效果优。3.答案：×。解析：过拟合时训练集误差小，但测试集误差因过度拟合噪声而增大。4.答案：√。解析：AIC综合考虑拟合优度和复杂度，值越小模型综合表现越好。5.答案：×。解析：K越大，交叉验证次数越多，计算量越大，效率越低。6.答案：×。解析：若数据呈线性分布，非线性模型拟合效果可能更差，需结合数据选择。7.答案：√。解析：当模型拟合差于仅含截距项的基准模型时，调整R²为负。8.答案：×。解析：残差有趋势说明模型未捕捉系统变异，拟合不合理。9.答案：√。解析：欠拟合时模型无法捕捉规律，训练集和测试集误差均较大。10.答案：×。解析：泛化能力是拟合效果在新数据上的体现，二者直接相关。四、简答题答案1.R²衡量模型解释的因变量变异比例，随自变量增加而增大；调整R²惩罚无意义的自变量，仅当新增变量显著提升拟合时才增大。适用场景：R²用于初步判断拟合程度，调整R²用于模型选择（比较不同复杂度模型）。2.残差分析判断方法：①残差均值是否接近0；②残差图是否随机分布（无趋势、无聚集）；③残差是否服从正态分布；④是否存在异常值（残差绝对值过大的点）。满足则拟合合理。3.判断方法：①对比训练集与测试集误差：过拟合（训练小、测试大），欠拟合（两者均大）；②残差分析：过拟合残差在训练集小、测试集大，欠拟合残差均大；③可视化：过拟合曲线过度贴合训练点，欠拟合曲线无法贴合数据趋势。4.交叉验证作用：①避免单次划分数据的随机性偏差；②准确评估模型泛化能力（新数据拟合效果）；③用于模型选择（比较不同复杂度模型的交叉验证误差）；④辅助参数调优（如正则化参数选择）。五、讨论题答案1.异常值影响：①拉偏模型参数，导致拟合曲线偏移；②增大残差平方和，降低拟合优度；③影响泛化能力。应对策略：①数据预处理（删除、替换为中位数、winsorize）；②使用鲁棒模型（L1正则化、随机森林）；③可视化检查（箱线图、散点图）识别异常值。2.差异体现：①指标：线性模型用R²、调整R²，非线性模型用RMSE、AIC；②可视化：线性模型看拟合直线，非线性模型看曲线平滑度；③假设：线性模型需残差正态/同方差，非线性模型无严格假设；④泛化：线性模型泛化强，非线性模型易过拟合。3.平衡方法：①正则化（L1、L2）约束参数，防止过拟合；②AI