人工智能导论（第2版）-习题及答案 余明辉

项目一1.选择题（1）最先使用机器人（Robot）这个名词的科幻作品是（C）。A.《机器人总动员》 B.《机械人小滴答》C.《罗素姆万能机器人》 D.《人工智能》（2）在图灵测试中，如果机器使（D）以上的观察者对其身份产生误判，那么这个机器就可以被认定为具备智能。A.

10% B.

20% C.

25% D.

30%（3）公认的人工智能元年是（D）。A.

1936年 B.

1946年 C.

1950年 D.

1956年（4）（D）首次提出“人工智能”这个名词。A.

1936年 B.

1946年 C.

1950年 D.

1956年（5）发明人工智能语言LISP的科学家是（C）。A.马文·明斯基 B.弗兰克·罗森布拉特C.约翰·麦卡锡 D.克劳德·香农（6）导致人工智能第一次“寒冬”（1974—1980年）的根本原因是（A）。A.数据量不够和算力不足 B.缺少资金支持C.理论研究跟不上 D.发展方向不对（7）2023年中国大模型发展的关键事件是：(A)A.首批11个大模型通过备案B.百度文心大模型1.0问世C.华为发布盘古大模型D.DeepSeek开始布局大模型研究（8）人工智能未来发展三大趋势是：(ABC)（多选题）A.技术融合加速B.产业生态完善C.应用场景深化D.大模型就是人工智能2.应用题（1）课程调研活动。通过网络、现场等形式，调研人工智能在你所学习专业领域的应用现状。无统一答案。人工智能畅想。召开小组或班级研讨会，组织同学们畅想人工智能应用场景和发展前景。无统一答案。项目二1.选择题（1）人工智能的发展有三种形态，其中智力与人类相当的形态是（B）。A.弱人工智能 B.强人工智能 C.超人工智能 D.人工智能（2）人工智能的三种典型任务中，输出结果为连续值的任务是（A）。A.回归 B.分类 C.聚类 D.降维（3）在人工智能技术的四要素中，（D）蕴含着应用背景中的知识和经验。A.数据 B.算法 C.算力 D.场景（4）机器学习有三大要素：数学模型、学习准则和优化算法。其中，（B）是数学模型好坏的判断依据。A.数学模型 B.学习准则 C.优化算法 D.计算能力（5）人工神经元模拟了人类大脑神经元的功能，其中实现非线性信号处理的功能是（D）。A.输入 B.加权 C.求和 D.阈值（6）在5个人工智能主要研究内容中，（D）是人工智能研究中最重要也是最为关键的研究内容。A.知识表示 B.机器感知 C.机器思维 D.机器学习2.简答题（1）人脸识别技术的发展已有60余年，请说明在其不同发展阶段，主要采用了哪些人工智能的学习技术，优缺点是什么。【答】人脸识别技术经历了三个阶段：早期采用几何特征匹配，方法简单但鲁棒性差、精度低；中期采用传统机器学习（如PCA、LDA、SVM），精度提升但依赖人工提取特征，泛化能力有限；现阶段采用深度学习（CNN），自动提取特征，识别精度高、泛化强，但需大量数据和算力，可解释性较弱。（2）请指出有监督学习和无监督学习的主要应用场景。【答】有监督学习适用于有标注数据的场景，如图像分类、垃圾邮件识别、疾病诊断、房价预测等任务，目标是从标注数据中学习映射关系。无监督学习适用于无标注数据，如客户分群、异常检测、降维与主题发现等，目标是从数据中挖掘内在结构和规律。（3）目前，基于深度学习的人工智能技术层出不穷。请以计算机视觉为例，调研并说明传统机器学习方法和深度学习方法在应用中的特点。【答】传统机器学习方法需人工设计特征，流程复杂、对专业知识依赖高，在简单任务和小数据集上效率高、可解释性强，但面对复杂图像时性能受限。深度学习方法利用CNN等网络自动提取特征，在大规模数据上识别精度高、泛化强，但需要大量数据与算力，模型复杂、可解释性弱。3.讨论题（1）人工智能的终极目标是什么？【答】人工智能的终极目标是制造出能在智力上与人类相当甚至超越人类的智能体，使其具备感知、理解、推理、学习和创造等多种能力，能够像人一样自主地解决各类复杂问题，最终实现通用人工智能，让机器真正具备类人的综合智能。（2）人工智能在体力、算力、智力上都将超越人类。你是否有危机意识，你打算如何应对来自人工智能的挑战？【答】有危机意识。应主动学习AI知识，提升跨学科能力，关注人机协作而非与AI竞争；培养创新思维、批判性思维和情感沟通等AI不易替代的能力；保持终身学习，适应技术变化，将AI作为工具为己所用，在各自领域探索与AI协同发展的新路径。（3）人工智能的主要表现形式有哪些？分别解决了什么问题？【答】主要表现形式包括：感知智能（如语音识别、图像识别、人脸检测），解决环境信息获取问题；认知智能（如自然语言理解、推理），解决理解与决策问题；运动智能（如机器人控制），解决物理执行问题；创造智能（如AI绘画、写作），解决内容生成问题。项目三1.选择题（1）以下不属于合法的Python标识符的是（B）。A.

int32 B.

40X C.

__name__ D.

tt（2）在Python中，正确的赋值语句为（C）。A.

x+y=10 B.

x=2y C.

x=y=30 D.

3y=x+1（3）代码print(1if'a'in'ABC'else2)的执行结果是（B）。A.

1 B.

2 C.

报错 D.

'a'（4）以下关于Python语句的叙述中，正确的是（A）。A.同一层次的Python语句必须对齐B.

Python语句可以从一行的任意位置开始C.在执行Python语句时，可发现注释中的拼写错误D.

Python程序的每一行只能写一条语句（5）下列Python数据类型中，元素不可以改变的是（B）。A.列表 B.元组 C.集合 D.字典2.应用题（1）编写一个程序，输出1到100之间的所有偶数。无统一答案。在任务2的基础上，尝试添加一个用于打印六边形的菜单选项，并编写输出六边形的函数。无统一答案。挑选一张你喜欢的照片，并准备一些词语，重新生成一张词云图。无统一答案。在任务6中“步骤5：程序优化”基础上，对程序进行进一步的改进。在大语言模型的指导下将程序修改为展示那些预测结果错误的图片及其对应的预测值。无统一答案。项目四1.选择题（1）以下选项中，不属于图像识别基本任务的是（D）。A.分类 B.定位 C.目标检测 D.图像压缩（2）一幅灰度级均匀分布的图像，其灰度范围在[0,255]区间。若该图像中某个像素点的灰度值为127，该灰度值经归一化处理以后应为（B）。A.

0 B.

0.5 C.

1 D.

127（3）以下选项中，不属于训练阶段步骤的是（D）。A.特征表示 B.图像预处理 C.训练分类模型 D.预测图像类别（4）以下关于图像识别的特点中描述错误的是（A）。A.图像识别具有局限性B.通过机器替代人来实现图像识别，能够在一定程度上减少错误和缺陷C.在任何场景下，机器进行图像识别的准确率都高于人类D.在一定程度上能够减轻人类的负担（5）下列不属于图像识别应用的是（B）。A.车牌识别 B.机器翻译 C.医疗影像诊断 D.工业瑕疵诊断2.应用题（1）在生活中，你还能发现哪些图像识别的应用场景？请列举出至少3种。无统一答案在任务1中，如果手写数字为5，输出的独热编码应该是什么？请解释该独热编码的含义。答案：数字5的独热编码为[0,0,0,0,0,1,0,0,0,0]（3）在任务1中，图4-15所示的二值化表示中数字的含义是什么？答案：数字图像中颜色为白色部分的像素值为255，黑色部分的像素值为0，归一化后白色部分为1，黑色部分为0。项目五选择题题号题目答案与解析5.1（1）通过比对两张人脸的特征相似度（）值，即判定两张人脸属于同一人。【答案】A

5.2（2）人脸特征提取算法会根据人脸五官关键点坐标，将人脸（），然后计算特征值。【答案】A

5.3（3）（）是将输入的人脸和一个集合中的所有人脸进行比对，根据比对后的相似度对集合中的人脸进行排序。【答案】D5.4（4）人脸认证系统容易受到各种手段的欺骗，如用偷拍的照片假冒真人等，所以（）检测技术的研究显得异常重要。【答案】B5.5（5）关于大模型在人脸识别中的应用，错误的是（）。【答案】B应用题人脸识别技术不适用于哪些场景？请举例。①无用户同意的强制公共场所刷脸：侵犯隐私，部分场景受法律法规限制；②更衣室、卫生间等隐私敏感区域：不应部署人脸采集；③严重遮挡或极端环境：如同时戴口罩＋墨镜＋帽子，或强逆光、暗光，导致人脸特征缺失、识别率骤降；④极高相似个体且无辅助验证：如同卵双胞胎，仅靠人脸比对易误识；⑤要求100%零误识的安全关键场景：纯人脸比对存在误识/拒识风险，宜结合多因子认证。选感兴趣主题，结合实际场景与素材实现人脸识别简单应用。参考方向一：身份证识别——调用人工智能开放平台（如百度/腾讯/阿里）OCR与人脸接口，采集若干张身份证照片，实现姓名、证件号等字段识别；参考方向二：人脸考勤/门禁——采集班级或部门人脸样本，构建特征库，实现刷脸签到或开门；功能扩展：结合本项目的"AI人脸融合"功能，将自己的照片与喜欢的明星照片合成，体验人脸融合应用。课后任务1（单个素材简单处理）：确定主题→收集素材→平台实现识别；课后任务2（功能扩展）：将识别与人脸融合结合。项目六1.选择题（1）下列选项中，不是自然语言处理的解决方法的是（）。A.规则方法B.统计方法C.递归方法D.深度学习方法【答案】C【解析】自然语言处理的解决方法主要分为基于规则的方法、基于统计的方法和基于深度学习的方法三类。递归只是算法实现中常用的一种程序设计手段（常用于句法分析等任务的实现），并不是自然语言处理的解决方法类别。故选C。（2）以下不属于命名实体的是（）。A.量词B.人的姓名C.公司、组织、机构等D.地名【答案】A【解析】命名实体识别（NER）面向的是文本中具有特定意义或指代性强的实体，通常包括人名、地名、组织机构名、时间、数量、专有名词等，常常需要结合上下文和知识库才能确定边界与类别。量词（如“个”“部”“条”）是词性标注中的一类虚化词性（在词性标记集中用q表示），不携带指代性语义，不属于命名实体。故选A。（3）在词法分析里，需要处理的最小语言单位是（）。A.词B.短语C.字D.句子【答案】A【解析】词是自然语言中能够独立运用的最小单位，也是语言信息处理的基本单位。词法分析（分词、词性标注、命名实体识别等）都是在词的层面上进行的；短语、句子属于句法和语义分析的处理对象，字在汉语中不一定是语义单位（如“苹果”中的单字与词义不等同）。故选A。（4）下列不属于自然语言处理应用的是（）。A.身份证识别B.情感分析C.文本分类D.机器翻译【答案】A【解析】情感分析、文本分类、机器翻译处理的都是自然语言文本，是自然语言处理的典型应用；身份证识别属于光学字符识别（OCR）与计算机视觉范畴，其任务重点在于图像中的文字检测与识别，不属于自然语言处理的核心应用。故选A。（5）自然语言处理的相关研究最早是从（）开始的。A.词义相似度B.机器翻译C.文章分类D.文本纠错【答案】B【解析】自然语言处理的研究最早始于机器翻译。1949年韦弗（W.Weaver）提出用计算机进行语言翻译的备忘录，1954年乔治敦大学与IBM公司合作完成了世界上第一次公开的机器翻译实验（俄译英），此后机器翻译一直是自然语言处理最重要的研究领域之一，词义相似度、文本分类、文本纠错等都是后来随计算能力和语料规模发展起来的研究方向。故选B。2.应用题根据人工智能开放平台提供的功能，结合实际应用场景和实际素材实现人工智能的简单应用。（1）浏览平台，选择平台提供的功能——智能文本分析。【答案】以百度AI开放平台为例，登录平台后在“产品服务—人工智能—自然语言处理”中可以浏览到词法分析、短文本相似度、评论观点抽取、情感倾向分析、文章标签等能力。本题选用其中的“情感倾向分析”接口完成任务：该接口对只包含单一主体主观信息的文本自动判断情感极性（积极、消极、中性），并给出对应的置信度。接口地址：POST/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token=【access_token】请求体：{"text":"待分析的文本内容"}，文本最大2048字符。返回字段：sentiment（情感极性分类结果，0为负向、1为中性、2为正向）、confidence（分类置信度）、positive_prob（属于积极类别的概率）、negative_prob（属于消极类别的概率）。（2）收集素材，如一篇文章、一篇新闻或一段电影影评等。【答案】选取一段真实的电影短评作为分析素材：“影片的摄影和配乐非常出色，几个长镜头的调度令人印象深刻，演员的表演也足够克制。但剧本后半段明显失控，节奏拖沓，结局交代得过于仓促，让人有些失望。总体来说，这是一部有野心却没能收住的作品。”素材说明：该文本为单一主体（这部影片）的主观评价，同时含有正面评价与负面评价，且带有“但”这一转折关联词，适合用来检验情感分析接口的判别能力，也便于与评论观点抽取功能配合，分析评价所指向的具体对象。（3）通过平台提供的功能，实现对文本的情感分析与分类，并输出智能文本分析报告。【答案】把上述素材按句切分后逐句送入情感倾向分析接口，整理得到智能文本分析报告如下（表中数值为接口返回字段的示例结果，实际作答时应替换为自己调用接口得到的真实数据）。一、分析结果序号1｜文本片段：影片的摄影和配乐非常出色，几个长镜头的调度令人印象深刻，演员的表演也足够克制｜sentiment=2（正向）｜confidence=0.86｜positive_prob=0.93｜negative_prob=0.07序号2｜文本片段：但剧本后半段明显失控，节奏拖沓，结局交代得过于仓促，让人有些失望｜sentiment=0（负向）｜confidence=0.89｜positive_prob=0.08｜negative_prob=0.92序号3｜文本片段：总体来说，这是一部有野心却没能收住的作品｜sentiment=1（中性）｜confidence=0.35｜positive_prob=0.42｜negative_prob=0.58二、报告结论（1）整体倾向为褒贬并存：影片在视听语言和表演上获得正面评价，在剧本结构与叙事节奏上受到批评，正负面评价落在不同的维度上。（2）正面情感主要来自摄影、配乐、表演等形式层面的表述（出色、印象深刻）；负面情感集中在剧本、节奏、结局等内容层面的表述（失控、拖沓、仓促、失望）。（3）置信度差异反映了文本性质：第3句为概括性表述，主观情感词少，接口置信度较低（0.35）且更趋中性，这符合情感分析依赖主观性词汇的判别机制。（4）改进方向：单句判断会丢失上下文信息，长文本宜先按句切分再统计正负比例；对含转折词（“但”“却”）的句子，可结合评论观点抽取接口定位具体评价对象，结果比整句极性更精细。（4）思考智能文本分析更多的落地应用场景，并进行商业价值分析。【答案】智能文本分析的核心商业逻辑，是把非结构化的主观文本转化为可统计、可阈值化、可实时触发的结构化指标。主要落地场景与商业价值如下：（1）电商评论与口碑分析：对海量商品评价做极性统计和观点抽取，定位差评集中的功能点，替代人工抽检，降低调研成本，把用户反馈直接转化为产品迭代依据，缩短改进周期。（2）舆情监控与风险预警：对新闻、论坛、社交媒体文本流实时研判，负面比例超过阈值即告警，把事后公关变为事前预警，减少品牌与经营损失。（3）客服质检：对通话转写文本和在线会话自动判分，识别情绪激烈的投诉，把质检覆盖率从抽检的个位数百分比提升到全量，大幅降低人力成本。（4）金融投研：抓取研报、公告、股吧言论构建情绪指数，作为量化因子使用，形成差异化的数据产品或内部策略依据。（5）政务与公共服务：对诉求平台留言做分类和情感分级，优先处置情绪强烈的负面诉求，提升响应效率与群众满意度，并使服务考核可量化。（6）内容平台运营：分析弹幕、评论区的情感趋势，指导选题策划与内容推荐，提高用户停留时长与互动率，间接提升广告与会员收入。价值归纳：一是降本，用接口调用替代人工阅读与标注，边际成本趋近于零；二是增效提速，把日级、周级的人工汇总缩短为秒级实时监控；三是决策与风控，为经营决策提供数据化依据并通过负面预警避免损失。需要说明的是，方言、反讽、隐喻和专业术语会使判断失准，实际落地通常采用“通用接口＋领域标注数据微调＋人工复核”的组合方案。项目七1.选择题（1）答案：B.语音分割

解析：智能语音的关键技术通常包括语音识别（听懂）、语音合成（说话）、自然语言处理等。语音分割（或端点检测）通常是语音信号预处理中的一个环节，一般不单独列为智能语音的核心关键技术。语音变化（如变声）可能属于语音转换技术，而题目中B选项“语音分割”作为核心技术相对不准确（有时也被视为语音识别的前置步骤）。注：若严格按技术分类，D“语音变化”也非最核心，但对比之下，B更偏向基础处理步骤。（2）答案：A.波形拼接语音合成技术

解析：语音合成系统通常分为语言分析（文本分析）和声学系统（语音生成）两部分。声学系统负责将语言学特征转化为语音波形。传统的声学系统实现技术包括波形拼接（如单元挑选拼接）和参数合成（如共振峰、HMM）。B、C选项更多是整体技术路线或包含声学部分的统称，而A是声学系统层面非常具体的实现技术。（注：此题若为多选则A、B、C均相关，但单选通常选A作为经典声学实现）（3）答案：A.感知智能

解析：人工智能通常分为计算智能、感知智能（如语音识别、图像识别，让机器能听会看）和认知智能（如理解、推理、决策）。语音识别实现的是让机器“听懂”人类说话，属于感知智能的范畴。（4）答案：D.身份证识别

解析：智能音箱、Siri、Cortana都是典型的智能语音交互应用。身份证识别属于计算机视觉（OCR文字识别）或图像识别领域，不属于智能语音应用。（5）答案：A、B、C、D（全选）

解析：语音合成的发展历程主要经历了：早期机械/电子合成器阶段、共振峰合成器阶段（参数合成）、单元挑选拼接合成阶段（波形拼接），以及当前基于机器学习/深度学习技术的合成阶段（如端到端TTS）。因此四个选项均属于其发展历程中的主要阶段。2.简答题（1）语音识别的基本流程包括哪几个步骤？

语音识别的基本流程通常包括以下步骤：语音信号预处理：包括滤波、预加重、分帧、加窗等，以提取有效信号。特征提取：从时域或频域提取能够反映语音特征的参数，如MFCC（梅尔频率倒谱系数）、FBank等。声学模型匹配：将提取的特征与声学模型进行匹配，计算声学概率（即某段语音对应哪个音素）。语言模型处理：结合语言模型，计算词序列的概率，修正声学模型的歧义。解码与输出：通过搜索算法（如维特比算法）寻找最优路径，输出最终识别出的文本结果。（2）当前语音识别中主流的语言模型有哪些？

当前主流的语言模型主要包括：N-gram语言模型：基于统计的经典模型，通过计算前N-1个词来预测第N个词的概率。神经网络语言模型（NNLM）：如RNN、LSTM等，能够捕捉长距离依赖关系。基于Transformer的语言模型：如BERT、GPT系列等，利用自注意力机制，在大规模语料上预训练，目前是语音识别中非常主流且效果极佳的语言模型。端到端模型中的语言模型：在端到端语音识别系统（如Listen,AttendandSpell）中，解码器部分本身也起到了语言模型的作用。（3）语音合成中语言分析的过程主要由哪几个步骤组成？

语音合成中的语言分析（文本分析）过程通常包括：文本预处理：处理数字、缩写、特殊符号等，将其转换为规范的文字。分词与词性标注：将句子切分为词语，并标注词性。语法分析与语义分析：分析句子的句法结构和语义信息，以确定正确的停顿和语调。韵律预测：预测音高、音长、停顿等韵律特征。音素转换：将文字转换为对应的音素序列（即发音标注）。（4）智能语音常见的应用领域有哪些？请举例说明。

智能语音的应用领域非常广泛，主要包括：智能助手与交互：如苹果Siri、小米小爱同学、天猫精灵等，用于语音控制、信息查询。语音输入与转写：如讯飞输入法、会议实时转写系统，将语音转为文字。智能客服：银行、电商平台的语音机器人，自动回答用户问题，降低人工成本。车载语音系统：驾驶员通过语音控制导航、音乐、电话，提升驾驶安全性。医疗与教育：语音电子病历录入、智能口语评测（如英语流利说）等。无障碍辅助：为视障人士提供语音朗读屏幕内容的功能。项目八1.选择题（1）以下选项不属于传感器的是（D）。A.摄像头 B.传声器 C.雷达 D.电机（2）从功能上来说，激光雷达和人体中的（C）最接近。A.手 B.脚 C.眼 D.头（3）以下函数不在智能循迹小车函数库中的是（B）。A.

Left B.

Back C.

Right D.

Stop（4）如果智能循迹小车当前左边和右边底下都收到反射光，那智能循迹小车将（A）。A.前进 B.左转 C.右转 D.停止2.应用题（1）目前无人驾驶用到了哪些人工智能技术？答。感知层面主要依靠计算机视觉与多传感器融合：用CNN、Transformer等深度学习模型做目标检测、语义分割和车道线识别，并融合激光雷达、摄像头、毫米波雷达的数据生成鸟瞰视角。定位与建图依赖SLAM、视觉里程计和高精地图匹配。预测层面用图神经网络或Transformer预测行人、车辆等交通参与者的轨迹。决策规划方面，传统上采用规则与搜索算法（如A*、MPC），目前越来越多地引入强化学习、模仿学习以及端到端大模型——直接从传感器输入输出驾驶指令。此外，多模态大模型还被用于复杂场景理解、危险事件识别和自然语言交互。（2）无人驾驶在哪些领域可能最先大规模应用？为什么？答。最先落地的将是封闭、半封闭场景和高速结构化场景：如港口、矿区、园区、机场的物流运输，环卫清扫，以及高速公路干线物流、固定路线接驳。其次是限定区域内的Robotaxi。原因在于这些场景道路结构简单、交通参与者少、车速可控、路线固定，决策难度和事故风险显著低于城市开放道路；同时法规准入和保险安排更容易实现，运营成本回收快，能先形成商业闭环。（3）如果在大学校园里面采用无人驾驶系统送快递，有无人驾驶小车、无人驾驶飞行器两种方案，哪种更可行？除了这些方式，你也可以发挥想象力，提供更多其他方案。答。无人驾驶小车更可行。小车载荷大、续航长，能一次装载多个包裹；运行在路面，安全性好，不存在螺旋桨伤人或坠机砸物风险；不受空域管制和恶劣天气影响，噪音低，不干扰教学。飞行器则受电池续航、载重、空域审批和噪音限制，校园内使用性价比低。其他可发挥想象力的方案：1）"小车+智能快递柜"模式，小车到楼下由柜机分拣；2）室内AGV与电梯联动，把包裹直接送到宿舍楼层；3）仅对跨楼、跨校区急件使用小型无人机点对点投递。（4）从硬件和软件角度分析自动避障小车倒车如何加入防碰撞功能。答。硬件：车尾加装超声波或毫米波雷达，实时测距。增加距离分级告警的蜂鸣器/警示灯，设置急停开关；车尾可加装弹性保险杠与触觉传感器，碰撞瞬间触发机械缓冲。软件：倒车时切换专用避障模式，自动降低车速上限；按距离分级控制——远距离减速、中距离点刹、近距离紧急制动；结合轮速计与IMU修正定位，预测障碍物运动趋势，提前留出安全余量，实现平稳、安全的倒车防碰撞。项目九1.选择题(1)答案：A.关联规则

解析：“买啤酒的人大概率也会买尿布”是数据挖掘中非常经典的关联规则案例（即“啤酒与尿布”的故事），用于发现不同商品之间的关联性。聚类是把相似数据分组，分类是预测已知类别，自然语言处理是处理文本语言。(2)答案：D.数据可视化

解析：数据预处理的主要步骤通常包括数据清洗（处理缺失值、异常值）、数据集成、数据变换（如属性编码、归一化）和数据规约（如特征选择）。数据可视化通常属于数据探索分析或结果展示阶段，不属于严格意义上的数据预处理步骤。(3)答案：A.数据库知识发现

解析：KDD是KnowledgeDiscoveryinDatabases的缩写，中文意思就是数据库知识发现。数据挖掘是KDD过程中的一个核心步骤。2.应用题（参考思路）(1)人工智能简单应用实现思路（以决策树分类花朵为例）：①浏览平台：登录提供AI开放能力的平台（如百度AI开放平台、阿里云等），在功能列表中找到“机器学习”或“决策树”相关模块。②收集数据：准备经典的鸢尾花（Iris）数据集，包含花萼长度、花萼宽度、花瓣长度、花瓣宽度等特征，以及对应的花朵类别标签（如Setosa、Versicolor、Virginica）。将数据整理为CSV等平台要求的格式。③训练与输出：在平台中上传数据，选择决策树算法，设置训练集和测试集比例。运行模型后，利用测试集评估准确率，并导出包含分类结果、混淆矩阵或决策树规则的可视化分类报告。(2)数据挖掘落地应用场景及商业价值分析（举例）：场景一：电商个性化推荐（关联规则/协同过滤）商业价值：根据用户的浏览和购买历史，预测用户可能感兴趣的商品并推荐。能有效提高转化率、增加客单价，提升用户粘性（如淘