2026年人工智能工程师人工智能算法测评试题及答案

2026年人工智能工程师人工智能算法测评试题及答案一、单项选择题（每题2分，共20分）1.下列哪项任务属于无监督学习？A.情感分类B.客户分群C.房价预测D.垃圾邮件识别2.梯度下降中，若学习率设置过大，最可能出现的现象是？A.收敛速度显著加快B.损失值震荡甚至发散C.模型必然欠拟合D.参数更新停止3.决策树算法中，分类任务最常使用的特征选择指标是？A.均方误差B.信息增益C.余弦相似度D.欧氏距离4.下列激活函数中，最适合作二分类输出层的是？A.ReLUB.TanhC.SigmoidD.LeakyReLU5.模型出现严重过拟合时，下列哪种做法最不可取？A.增加训练样本量B.添加L2正则化C.增加网络层数D.采用早停法6.某分类模型在测试集上的精确率为0.8，召回率为0.6，则F1分数约为？A.0.70B.0.69C.0.75D.0.487.在KNN算法中，增大k值通常会导致？A.决策边界变得更加复杂B.决策边界更平滑，但可能欠拟合C.训练时间显著增加D.模型对噪声更敏感8.主成分分析（PCA）的核心思想是？A.有监督的线性分类B.无监督的线性降维C.有监督的特征选择D.非线性的流形学习9.在深度学习中，BatchNormalization的主要作用是？A.加速收敛并缓解内部协变量偏移B.增加模型的参数量C.替代数据增强D.完全消除过拟合10.Transformer的自注意力计算中，不包含下列哪一步？A.Query与Key的点积B.Softmax归一化C.与Value加权求和D.卷积特征提取二、多项选择题（每题3分，共15分；多选、少选、错选均不得分）1.下列哪些技术属于常用的正则化方法？A.L1正则化B.L2正则化C.DropoutD.EarlyStopping2.关于支持向量机（SVM），下列说法正确的有？A.可通过核函数处理非线性分类问题B.优化目标是最大化分类间隔C.对噪声和离群点完全免疫D.仅能处理二分类问题3.下列激活函数中，存在梯度饱和问题的有？A.SigmoidB.TanhC.ReLUD.LeakyReLU4.对于正负样本极不平衡的数据集，更适合用于评估模型性能的指标有？A.AUCB.准确率C.F1分数D.召回率5.下列属于集成学习方法的有？A.RandomForestB.XGBoostC.AdaBoostD.K-means三、判断题（每题1分，共10分）1.训练误差越小，模型的泛化能力一定越强。2.朴素贝叶斯分类器假设各特征之间相互独立。3.将Sigmoid换成ReLU可在一定程度上缓解梯度消失问题。4.K-means聚类需要预先指定聚类数量k。5.交叉验证可以有效评估模型的泛化性能。6.逻辑回归借助Softmax函数可以扩展到多分类任务。7.增加神经网络的隐藏层神经元数量一定能够提高测试集准确率。8.特征缩放对于KNN和SVM等基于距离的算法至关重要。9.Bagging主要降低模型的方差，Boosting主要降低模型的偏差。10.L1正则化可以使部分特征权重变为0，因此可用于特征选择。四、简答题（每题5分，共20分）1.简述过拟合的表现，并写出至少三种解决方法。2.解释精确率（Precision）与召回率（Recall）的区别。3.什么是梯度消失？举出两种缓解方法。4.简述卷积神经网络（CNN）中卷积层与池化层各自的作用。五、计算与应用题（每题10分，共20分）1.某决策树训练集共14个样本，其中“购买电脑”为9个、“不购买”为5个。特征“年龄”将样本划分为三个子集：•青年：5个，其中购买2个、不购买3个；•中年：4个，其中购买4个、不购买0个；•老年：5个，其中购买3个、不购买2个。请计算：(1)分裂前数据集的信息熵H((2)按“年龄”特征分裂后的条件熵H((3)该特征的信息增益GaH(2)三个子集的熵分别为：HHH条件熵为：H(3)信息增益为：G解析：信息增益表示使用该特征分裂后，数据集不确定性减少的程度。该值越大，特征越优。2.设损失函数为L(w)=3(1)计算梯度L′(w(2)使用梯度下降法更新一步，求w1(3)若学习率改为η=1，重新计算L代入w0L(2)梯度下降更新公式为：w代入可得：w(3)当η=w解析：该损失函数的极小值点为w=−1六、综合应用题（1题，共15分）某电商平台要构建“用户购买行为预测”模型，目标是预测用户在未来7天内是否会购买某类商品。平台提供用户浏览日志、历史订单、商品信息等数据。请设计一套完整的机器学习建模方案，要求包括：(1)数据预处理与特征工程思路；(2)模型选型与训练集、验证集划分策略；(3)评估指标选择及理由；(4)模型上线后的监控与迭代方案。答案：(1)数据预处理与特征工程思路-数据清洗：处理缺失值（删除或填充）、去除异常值、统一时间戳格式。-数据划分：以用户为粒度划分样本，避免同一用户同时出现在训练集和验证集中导致数据泄露。-特征构造：-用户基础特征：年龄、性别、注册时长、会员等级；-行为特征：近7天/30天浏览频次、点击率、加购次数、收藏数量；-历史订单特征：累计消费金额、购买频次、最近一次购买距今天数（RFM特征）；-商品特征：商品类目、价格区间、评分、销量热度；-交叉特征：用户在该类目下的历史购买次数、浏览到购买的转化率；-时间特征：最近一次浏览距预测日的时间间隔、工作日/周末行为差异。-特征缩放：对数值型特征进行标准化或归一化。-样本不平衡处理：若购买用户占比过低，可采用下采样、SMOTE过采样或调整损失函数权重。(2)模型选型与训练集、验证集划分策略-基线模型：逻辑回归，便于解释和快速上线。-进阶模型：XGBoost、LightGBM等梯度提升树模型，能自动处理非线性关系与缺失值。-可选方案：若特征中含有大量时序信息，可尝试使用Wide&Deep、DeepCTR等深度学习模型。-划分方式：-按时间划分：前70%时间作为训练集、后20%作为验证集、最后10%作为测试集，模拟真实线上场景；-同时采用时间滑动窗口进行交叉验证，减少时间偏移对评估的影响；-确保正负样本比例在训练集和验证集中基本一致。(3)评估指标选择-主要指标：AUC，不依赖具体阈值，适合用户购买比例较低的场景。-辅助指标：F1分数、召回率、精确率。-业务侧重：如果更关注“不能漏掉潜在购买用户”，应优先关注召回率；如果更关注“营销成本控制”，则应重点关注精确率。-模型稳定性指标：PSI（群体稳定性指数），用于监测线上与训练样本分布的差异。(4)模型上线后的监控与迭代方案-实时监控：跟踪线上预测分布、特征分布、AUC衰减趋势，以及业务指标（如购买转化率、GMV变化）。-异常告警：设定阈值，如PSI超过0.2或AUC较训练期下降幅度超过5%时触发告警。-定期回传真实标签，用于生成新的训练样本。-迭代周期：初期可每周重训一次，稳定后每月或每季度更新一次；当发生重大促销活动或流量结构突变时，应临时重训。-模型版本管理：保存历史模型版本，通过A/B测试对比新老模型效果，决定是否全量上线新模型。参考答案与解析一、单项选择题1.答案：B解析：客户分群通过聚类实现，无类别标签，属于无监督学习；其余三项均需有标注数据训练。2.答案：B解析：学习率过大导致参数跨越最优点，损失上下震荡，严重时无法收敛。3.答案：B4.答案：C解析：Sigmoid输出范围是(05.答案：C解析：增加网络层数会进一步提升模型复杂度，通常加重过拟合。6.答案：B解析：F17.答案：B解析：k增大使预测受更多近邻影响，边界更平滑，过大时易欠拟合。8.答案：B9.答案：A10.答案：D二、多项选择题1.答案：ABCD2.答案：AB解析：SVM通过松弛变量容忍部分噪声，并非完全免疫；借助OvR、OvO策略可以扩展到多分类。3.答案：AB解析：Sigmoid和Tanh在输入绝对值较大时导数趋近于0，产生梯度饱和；ReLU及其变体在正区间无饱和问题。4.答案：ACD解析：样本不平衡时，准确率会因多数类主导而产生误导，AUC、F1和召回率更能反映少数类的真实表现。5.答案：ABC三、判断题1.答案：错误2.答案：正确3.答案：正确4.答案：正确5.答案：正确6.答案：正确7.答案：错误8.答案：正确9.答案：正确10.答案：正确四、简答题1.答案：过拟合表现为训练集误差低、验证集或测试集误差高，模型泛化能力差。常用解决方法：(1)增加训练数据量；(2)使用正则化（L1、L2）；(3)采用Dropout或早停法；(4)降低模型复杂度，如减少网络层数或神经元数量；(5)数据增强扩充样本多样性。2.答案：精确率衡量预测为正例的样本中有多少是真正例，即“查得准”；召回率衡量真实正例中有多少被正确预测出来，即“查得全”。两者常相互制约，需要根据业务场景权衡。3.答案：梯度消失是指在反向传播过程中，梯度随层数增加逐层累乘而指数级衰减，导致浅层网络参数几乎无法更新。缓解方法包括：(1)使用ReLU等非饱和激活函数；