2026年人工智能与机器学习考试题及答案

2026年人工智能与机器学习考试题及答案一、单项选择题（每题2分，共20分）1.下列哪项属于无监督学习任务？A.垃圾邮件分类B.房价预测C.客户聚类D.手写数字识别答案：C解析：客户聚类不依赖标签，属于无监督学习；其他选项均为有监督学习。2.模型在训练集上表现很好，但在测试集上表现较差，这种现象称为？A.欠拟合B.过拟合C.正则化D.偏差-方差平衡答案：B解析：训练误差低而测试误差高是过拟合的典型表现。3.下列哪个指标不适合用来评估回归模型？A.均方误差（MSE）B.平均绝对误差（MAE）C.决定系数（R2D.准确率答案：D解析：准确率是针对分类问题的评价指标，不适用于回归任务。4.在K近邻算法中，若将K值从5减小到1，通常会导致模型？A.欠拟合B.过拟合C.偏差增大D.方差减小答案：B解析：K值过小会使模型对局部噪声过于敏感，容易产生过拟合。5.在决策树算法中，下列哪个指标不用于属性选择？A.信息增益B.增益率C.基尼指数D.均方误差答案：D解析：均方误差常用于回归树中划分回归数据，而非经典的分类属性选择指标。6.支持向量机（SVM）的优化目标是？A.最小化经验风险B.最大化分类间隔C.最大化似然函数D.最小化交叉熵答案：B解析：SVM的核心思想是寻找最大间隔超平面，以增强泛化能力。7.ReLU激活函数的表达式是？A.maxB.1C.tanhD.x答案：A8.下列哪种方法不能有效防止过拟合？A.增加训练样本数量B.增加隐藏层神经元数量C.使用L2正则化D.采用早停法答案：B解析：增加隐藏层神经元会增大模型复杂度，更容易导致过拟合。9.在聚类问题中，需要预先指定簇数K的算法是？A.层次聚类B.DBSCANC.K均值D.OPTICS答案：C10.关于朴素贝叶斯分类器，下列说法正确的是？A.假设特征之间相互独立B.是一种无监督学习算法C.只能处理二分类问题D.不能使用连续型特征答案：A二、多项选择题（每题3分，共15分）1.下列属于监督学习算法的有？A.线性回归B.K均值聚类C.支持向量机D.决策树答案：ACD解析：K均值聚类是无监督学习；线性回归、支持向量机和决策树在训练时均使用有标签数据。2.下列哪些措施可以缓解过拟合？A.增加训练数据量B.正则化C.降低模型复杂度D.数据增强答案：ABCD解析：增加数据量、正则化、降低模型复杂度和数据增强都能有效提升模型泛化能力，抑制过拟合。3.关于梯度下降法，下列说法正确的有？A.学习率过大可能导致震荡甚至发散B.学习率过小会导致收敛速度缓慢C.批量梯度下降每次迭代使用全部训练样本计算梯度D.随机梯度下降的收敛轨迹通常比批量梯度下降更平滑答案：ABC解析：随机梯度下降每次只使用一个样本更新参数，噪声大，轨迹往往剧烈波动，不如批量梯度下降平滑，因此D错误。4.下列属于生成式模型的有？A.朴素贝叶斯B.逻辑回归C.高斯混合模型D.隐马尔可夫模型答案：ACD解析：生成式模型对联合概率分布建模；逻辑回归直接建模条件概率P(5.对于二分类混淆矩阵，以下说法正确的有？A.精确率=TP/(TP+FP)B.召回率=TP/(TP+FN)C.F1分数是精确率与召回率的调和平均D.准确率=(TP+TN)/总样本数答案：ABCD三、判断题（每题2分，共10分）1.在神经网络训练中，使用批量归一化可以加快模型收敛。答案：正确2.对于类别不平衡问题，准确率是比精确率、召回率更好的评价指标。答案：错误解析：类别不平衡时，准确率会产生误导，应重点关注精确率、召回率或F1分数。3.决策树模型对特征的量纲不敏感，通常不需要特征归一化。答案：正确4.支持向量机中的“支持向量”是指全部训练样本。答案：错误解析：支持向量是训练样本中位于分类间隔边界上的少数样本。5.强化学习中，智能体通过与环境进行交互来学习最优策略。答案：正确四、填空题（每题2分，共10分）1.机器学习中，通常将数据集划分为训练集、验证集和____。答案：测试集2.在k折交叉验证中，数据集被划分为k个大小相近的子集，每次用k−答案：13.神经网络中常用的Sigmoid激活函数表达式为____。答案：σ4.特征工程包括特征提取、特征选择和____。答案：特征变换（或特征缩放）5.无监督学习中典型的聚类算法有__和__（写出两种）。答案：K均值；层次聚类（或DBSCAN等，任选两种）五、简答题（每题6分，共18分）1.简述K折交叉验证的过程及其主要作用。答案：将数据集随机分成K个大小相近且互斥的子集；依次取其中1个子集作为验证集，其余K-1个子集作为训练集，进行训练和验证，重复K次，取K次验证结果的平均值作为最终性能评估。其作用是充分利用有限数据，减少因数据划分不同带来的偶然性，可用于模型选择、超参数调优和评估模型的泛化能力。2.解释梯度下降算法中学习率对模型训练的影响，并给出一种调节学习率的常用策略。答案：学习率过大时，参数更新步长过大，可能导致损失函数震荡甚至不收敛；学习率过小时，收敛速度非常缓慢，训练耗时。常用策略包括：使用学习率衰减（如指数衰减）、采用自适应学习率算法（如AdaGrad、RMSProp、Adam），或通过网格搜索、随机搜索选取合适的初始学习率。3.什么是过拟合？写出三种常见的避免过拟合的方法。答案：过拟合是指模型在训练集上表现优秀，但在未见过的测试集上性能较差，泛化能力弱，通常由模型过于复杂、训练数据不足或噪声干扰导致。避免过拟合的方法有：增加训练数据量、正则化（L1/L2）、降低模型复杂度、交叉验证、早停、数据增强、集成学习等，写出其中三种即可。六、计算题（每题9分，共27分）1.某分类模型在100个测试样本上的混淆矩阵如下表所示：实际正类实际负类预测正类4010预测负类545请计算该模型的准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。（结果保留两位小数）答案：准确率：A精确率：P召回率：RF1分数：F解析：先根据混淆矩阵确定TP=40，FP=10，FN=5，TN=45，再代入各评价指标公式计算。注意准确率反映整体正确率，精确率关注预测为正类的样本中真正为正类的比例，召回率关注实际正类中被正确检出的比例。2.考虑一元线性回归模型h(J给定训练样本(1,1),(2,3),答案：训练样本：(x1,y1)=初始时h(h损失函数对各参数的偏导数为：∂∂梯度下降更新公式wjww所以一次更新后：w解析：本题的关键是先由均方误差损失推导出线性回归参数的梯度表达式，再代入数据计算梯度，最后按学习率更新参数。注意梯度下降是