2026年人工智能训练师（一级）技能实操易错试题

2026年人工智能训练师（一级）技能实操易错试题一、判断题（每题1分，共10分）1.在图像分类任务中，训练集准确率远高于验证集准确率时，应首先增加数据增强。答案错误2.在样本不平衡的分类任务中，准确率（Accuracy）比F1-Score更能反映模型性能。答案错误3.迁移学习时，如果目标数据集与源数据集差异很大，仍应冻结预训练模型的所有层，只训练分类器。答案错误4.使用StratifiedK-Fold交叉验证时，每个折中的类别比例与原始数据集大致一致。答案正确5.使用BatchNormalization时，推理阶段使用训练阶段累积的全局均值与方差。答案正确6.模型在测试集上表现良好，说明模型在实际部署场景中一定表现良好。答案错误7.在高维超参数空间中，随机搜索通常比网格搜索更高效。答案正确8.对于文本分类，TF-IDF特征总是优于Word2Vec特征。答案错误9.训练过程中，训练集损失持续下降而验证集损失上升，说明模型发生了过拟合。答案正确10.将训练好的FP32模型量化为INT8模型，推理精度一定会有明显下降。答案错误二、单项选择题（每题1分，共10分）1.医学影像样本量较少时，最适合采用以下哪种策略训练深度模型？A.从头训练ResNet-50B.使用ImageNet预训练模型进行微调C.使用线性回归模型D.随机初始化并增大学习率答案B解析迁移学习可借助预训练模型的特征提取能力，在小样本场景下比从头训练更稳定。2.训练损失出现震荡且不下降，最可能的原因是？A.学习率过大B.学习率过小C.批量大小太大D.模型参数太少答案A解析学习率过大会导致参数在最优解附近来回震荡，损失难以收敛。3.在回归任务中，以下哪个评价指标对异常值最不敏感？A.均方误差（MSE）B.平均绝对误差（MAE）C.均方根误差（RMSE）D.决定系数（R2答案B解析MAE使用绝对值，异常值惩罚为线性；MSE与RMSE使用平方惩罚，对异常值更敏感。4.目标检测中，某预测框与真实框的IoU为0.49，当阈值为0.5时，该预测框被分类为？A.真正例（TP）B.假正例（FP）C.假负例（FN）D.真负例（TN）答案B解析IoU低于阈值时，检测到的框被视为误检，即假正例。5.处理含大量缺失值的特征时，以下哪种做法最不推荐？A.删除该特征B.使用中位数填充C.使用模型预测缺失值D.将缺失值单独作为一个类别答案A解析直接删除特征可能丢失重要信息，应结合特征重要性和缺失比例综合判断。6.训练集准确率99%，验证集准确率70%，以下哪种方法最可能提高验证集性能？A.继续增加训练轮数B.增加模型容量C.加入Dropout和权重衰减D.提高学习率答案C解析典型过拟合，增加正则化（Dropout、权重衰减）可缓解。7.以下哪种文本表示方法会丢失词序信息？A.Word2VecB.BERTC.词袋模型（Bag-of-Words）D.LSTM隐状态答案C解析词袋模型只统计词频，完全不考虑词序。8.训练过程中，训练集损失下降但验证集损失上升，这种现象属于？A.欠拟合B.过拟合C.梯度消失D.局部最小值答案B9.以下哪项操作不是一种数据增强方法？A.对图像随机旋转B.对图像添加高斯噪声C.对特征进行标准化D.对图像进行随机遮挡答案C解析标准化属于数据预处理，不是数据增强。10.模型部署阶段，为了提升推理速度，以下哪种做法有效？A.增大输入图像分辨率B.使用FP16半精度推理C.增加模型深度D.在推理时使用Dropout答案B解析FP16推理可减少显存占用和计算量，从而提升推理速度。三、多项选择题（每题2分，共10分）1.下列哪些措施可以有效缓解过拟合？A.增加训练数据量B.使用L2正则化C.增加模型层数D.使用DropoutE.增大学习率答案A、B、D解析增加数据、L2正则化、Dropout均可缓解过拟合；增加模型层数通常加重过拟合，增大学习率可能导致不收敛。2.关于学习率调度，下列说法正确的有？A.余弦退火可以动态调整学习率B.学习率过大会导致训练不稳定C.学习率过小会使收敛速度变慢D.学习率对最终模型性能没有影响E.阶梯式下降（StepDecay）每隔一定轮次降低学习率答案A、B、C、E解析学习率是重要超参数，D错误。3.在特征工程中，适合处理类别特征的方法包括？A.独热编码B.对有序类别使用标签编码C.使用均值填充D.目标编码E.归一化答案A、B、D解析均值填充用于数值缺失，归一化用于数值特征缩放，均不适合类别特征。4.关于模型评估，下列哪些说法是正确的？A.不平衡数据集下，PR曲线比ROC曲线更关注少数类B.K折交叉验证可以降低评估结果的方差C.测试集可以反复使用以调整超参数D.混淆矩阵可以计算精确率、召回率和F1值E.训练集误差与验证集误差相差越小，模型性能一定越好答案A、B、D解析测试集不能参与调参；训练集与验证集误差接近也可能是欠拟合，E错误。5.下列哪些情况可能导致数据泄漏？A.划分数据集前对全部数据进行标准化B.使用验证集误差进行早停C.时间序列预测中，用未来数据预测历史D.对测试集使用SMOTE过采样E.将包含目标标签的字段作为特征答案A、C、D、E解析早停属于正常调参，不造成数据泄漏。四、简答题（每题5分，共20分）1.为什么不能仅凭训练集准确率评价模型好坏？答案训练集准确率反映模型对训练数据的拟合程度，不能代表泛化能力。模型可能过拟合训练数据，在未见数据上表现差，因此需要使用验证集或测试集评估泛化性能。2.写出三种超参数调优方法，并简述其优缺点。答案（1）网格搜索：遍历所有参数组合，简单可靠但计算成本高；（2）随机搜索：在参数空间随机采样，高维时效率更高；（3）贝叶斯优化：基于历史评价选择更优参数，样本效率高但实现复杂。3.在NLP模型中，为什么要进行分词？列举两种常用分词工具。答案分词将连续文本切分为具有语义的最小单元，便于模型学习词汇和上下文信息，避免字符级建模导致特征稀疏。常用工具：Jieba、HanLP、NLTK、spaCy等。4.模型上线后，发现线上数据分布与训练数据不一致，应如何处理？答案监控特征分布并检测漂移；使用新数据定期重新训练；对线上数据做特征对齐或归一化；采用在线学习或增量学习更新模型；必要时收集更多新数据补充训练集。五、案例分析题（每题15分，共30分）1.某银行开发信用评分模型。数据科学家先对全部数据进行标准化，再按8:2划分训练集与测试集，训练逻辑回归模型。测试集AUC为0.98，但上线后实际AUC仅为0.75。请回答：（1）该流程存在什么问题？（5分）（2）正确的数据处理流程应如何设计？（5分）（3）列举两种其他常见的数据泄漏来源。（5分）答案：（1）在划分训练/测试集前对整个数据集进行标准化，标准化器使用了测试集的均值与方差，导致测试集信息泄漏到训练过程中，测试集评估结果过于乐观。（2）应先将数据集划分为训练集和测试集，仅用训练集拟合标准化器，再分别对训练集和测试集应用相同的标准化变换；若使用交叉验证，则每一折内都要单独拟合标准化器。（3）其他常见数据泄漏来源：时间序列中误用未来数据；对测试集进行过采样或数据增强；使用包含目标标签的字段作为特征；特征选择时使用全部数据的信息。2.某医疗影像筛查任务中，正样本（患病）仅占0.5%。团队使用ResNet模型，以Accuracy作为优化目标，训练后Accuracy达到99.2%，但Recall仅为10%。请回答：（1）解释为什么Accuracy很高但Recall很低？（5分）（2）提出至少三种改进措施，以提高Recall并保持合理的Precision。（10分）答案：（1）正样本极少，模型把所有样本预测为负类即可获得约99.5%的Accuracy。Accuracy在不平衡数据下不能有效反映少数类的识别能力，模型几乎没有找出正样本，因此Recall很低。（2）改进措施：a）使用类别平衡采样（对正样本过采样、负样本欠采样）或加权损失函数（如FocalLoss）；b）使用Precision-Recall曲线、F1-Score等指标评估，并调整决策阈值以提升Recall；c）利用数据增强生成更多正样本，或使用SMOTE合成样本；d）采用迁移学习，使用预训练模型提升小样本下的特征提取能力；e）使用代价敏感学习，增加正样本错分代价。六、实操方案设计题（20分）某电商平台需要开发一个商品评论情感分析系统，要求对评论进行正面/负面二分类。请设计完整的实操方案，包括：（1）数据准备与标注方案（5分）（2）数据预处理与特征工程（5分）（3）模型选型与训练策略（5分）（4）模型评估与上线部署方案（5分）答案：（1）数据准备与标注：采集覆盖不同商品类别、不同情感倾向的评论，保证样本量和多样性；制定详细标注规范，由至少两人独立标注，计算标注一致性（如Cohen'sKappa）；对分歧样本进行讨论仲裁；按8:1:1划分训练集、验证集和测试集，并保证类别分布一致。（2）数据预处理与特征工程：对文本进行清洗（去HTML、特殊字符、URL）；分词并去除停用词（可选）；使用TF-IDF、Word2Vec或预训练模型的Embedding表示文本；处理类别不平衡（如过采样、欠采样或类别权重）；对特征进行归一化。（3）模型选型与训练策略：优先选择预训练语言模型（如BERT）进行微调，也可使用逻辑回归