2026年模型数据测试题及答案

2026年模型数据测试题及答案

一、单项选择题（总共10题，每题2分）1.以下哪项是衡量分类模型在正类样本中正确识别能力的指标？A.精确率（Precision）B.召回率（Recall）C.准确率（Accuracy）D.F1分数2.数据标准化（Z-score标准化）的公式是？A.(x-μ)/σB.(x-min)/(max-min)C.x/|x|D.x-log(x)3.以下哪种方法最可能缓解模型过拟合？A.增加训练数据量B.减少特征数量C.降低学习率D.增加模型层数4.在类别高度不平衡的分类任务中，最不适合使用的评估指标是？A.AUC-ROCB.F1分数C.准确率D.召回率5.交叉验证的主要目的是？A.提高模型训练速度B.评估模型泛化能力C.选择最优特征D.调整模型参数6.以下哪种情况属于数据泄露？A.训练集和测试集使用相同的随机种子划分B.在训练集上拟合标准化参数后应用于测试集C.测试集的特征包含训练集未出现的类别D.预处理时用全部数据计算缺失值填充值7.特征选择中的卡方检验主要用于评估？A.特征与目标变量的线性相关性B.特征与目标变量的非线性相关性C.特征之间的多重共线性D.特征的分布差异8.逻辑回归模型通常使用哪种损失函数？A.均方误差（MSE）B.交叉熵损失（Cross-Entropy）C.绝对误差（MAE）D.Hinge损失9.模型出现高偏差（HighBias）时，通常表现为？A.训练误差和验证误差都很高B.训练误差低，验证误差高C.训练误差和验证误差都很低D.训练误差高，验证误差低10.以下哪种集成学习方法属于Boosting？A.随机森林（RandomForest）B.梯度提升树（GBDT）C.极端随机树（ExtraTrees）D.袋装决策树（Bagging）二、填空题（总共10题，每题2分）1.数据清洗的常见任务包括处理缺失值、________和纠正不一致数据。2.准确率的计算公式为（TP+TN）除以________。3.交叉验证中最常用的方法是________交叉验证。4.正则化的两种主要形式是L1正则化和________。5.特征工程的主要步骤包括特征提取、特征选择和________。6.过拟合的典型表现是训练误差________（填“高于”或“低于”）验证误差。7.支持向量机（SVM）的核心思想是找到________的超平面。8.梯度下降的三种主要类型是批量梯度下降、随机梯度下降和________。9.混淆矩阵中，FP表示实际为________类，预测为正类的样本。10.AUC指标反映的是________曲线下的面积。三、判断题（总共10题，每题2分）1.数据标准化会改变原始特征的分布形状。（）2.准确率高的模型在类别不平衡场景下一定表现良好。（）3.过拟合时应减少模型复杂度或增加正则化强度。（）4.特征选择和特征提取是同一概念的不同表述。（）5.交叉验证可以完全消除模型的过拟合问题。（）6.L1正则化会使模型权重更稀疏。（）7.测试集可以用于调整模型的超参数。（）8.随机森林中的决策树之间是强相关的。（）9.均方误差（MSE）通常用于回归任务的损失函数。（）10.数据增强仅适用于图像数据。（）四、简答题（总共4题，每题5分）1.简述数据预处理的主要步骤及其目的。2.过拟合与欠拟合的核心区别是什么？分别列出两种解决方法。3.解释精确率（Precision）和召回率（Recall）的定义，并说明它们的适用场景差异。4.交叉验证的作用是什么？列举三种常用的交叉验证方法。五、讨论题（总共4题，每题5分）1.当训练数据中正负样本比例为1:100（极端不平衡）时，可采取哪些方法提升模型效果？2.结合实际场景，讨论特征工程对模型性能的影响。3.选择机器学习模型时，需要考虑哪些关键因素？请举例说明。4.数据泄露是模型训练中的常见问题，列举三种数据泄露的场景及预防措施。答案一、单项选择题1.B2.A3.A4.C5.B6.D7.B8.B9.A10.B二、填空题1.检测与处理异常值2.TP+TN+FP+FN3.k折4.L2正则化5.特征转换6.低于7.最大化类别间隔8.小批量梯度下降9.负10.ROC三、判断题1.×2.×3.√4.×5.×6.√7.×8.×9.√10.×四、简答题1.主要步骤包括数据清洗（处理缺失值、异常值，提高数据质量）、数据集成（合并多源数据，解决冗余）、数据转换（标准化、离散化，适配模型需求）、数据规约（降维、采样，减少计算成本）。目的是提升数据质量，使数据更适合模型训练，避免“垃圾进，垃圾出”。2.核心区别：过拟合是模型对训练数据过度学习（高方差），泛化能力差；欠拟合是模型未能捕捉数据规律（高偏差），训练误差大。解决过拟合：增加数据量、正则化、降低模型复杂度；解决欠拟合：增加模型复杂度、特征工程、减少正则化。3.精确率：预测为正类的样本中实际为正类的比例（TP/(TP+FP)），关注“查准”；召回率：实际为正类的样本中被正确预测的比例（TP/(TP+FN)），关注“查全”。场景差异：精确率适用于误判成本高（如垃圾邮件过滤），召回率适用于漏判成本高（如疾病诊断）。4.作用：评估模型在未见过数据上的泛化能力，减少单次划分的偶然性。常用方法：k折交叉验证（k=5或10）、留一法（LOOCV，k=n）、分层k折交叉验证（保持类别分布）。五、讨论题1.方法包括：①重采样（过采样少数类或欠采样多数类）；②调整类别权重（如设置正类权重为100）；③使用对不平衡敏感的评估指标（F1、AUC-ROC）；④采用集成方法（如SMOTE+Boosting）；⑤生成合成样本（SMOTE算法）。2.特征工程直接影响模型性能。例如，在用户churn预测中，原始特征可能包含“月消费金额”，但通过特征转换生成“近3个月消费变化率”能更有效反映用户行为趋势；特征选择可剔除无关特征（如用户ID），降低噪声；特征提取（如文本的词向量）能将非结构化数据转化为模型可处理的形式。优质特征可提升模型准确率，减少对复杂模型的依赖。3.关键因素：①任务类型（分类/回归），如分类用逻辑回归，回归用线性回归；②数据规模（小数据用SVM，大数据用梯度提升树）；③计算资源（轻量级模型如LR适合边缘设备）；④可解释性（医疗场景需决策树而非深度网络）；⑤特征类型（文本数