2026 硕士机器学习预测与因果推断区分考核试卷

2026硕士机器学习预测与因果推断区分考核试卷

姓名：__________考号：__________题号一二三四五总分评分一、单选题(共10题)1.机器学习中的监督学习与无监督学习的区别是什么？()A.监督学习需要标签数据，无监督学习不需要标签数据B.监督学习用于分类问题，无监督学习用于回归问题C.监督学习只能用于预测，无监督学习只能用于聚类D.监督学习需要大量数据，无监督学习需要少量数据2.以下哪项不是因果推断中的常见问题？()A.假设检验B.估计效应大小C.预测未来事件D.解释因果关系3.在机器学习中，以下哪项不是特征选择的方法？()A.相关性分析B.递归特征消除C.支持向量机D.主成分分析4.以下哪项不是强化学习中的术语？()A.状态B.动作C.奖励D.随机过程5.以下哪项不是因果推断中的常见方法？()A.交叉设计B.比较实验C.回归分析D.深度学习6.在机器学习中，以下哪项不是模型评估指标？()A.准确率B.精确率C.召回率D.熵7.以下哪项不是机器学习中的过拟合现象？()A.模型对训练数据拟合得很好，但对测试数据拟合得不好B.模型复杂度过高C.训练数据量过小D.模型参数过多8.在因果推断中，以下哪项不是因果效应的度量？()A.平均处理效应B.总处理效应C.平均因果效应D.预测误差9.以下哪项不是机器学习中的正则化技术？()A.L1正则化B.L2正则化C.DropoutD.数据增强10.在因果推断中，以下哪项不是识别因果关系的假设？()A.理想观察者假设B.无混杂假设C.时间顺序假设D.可行性假设二、多选题(共5题)11.在机器学习模型评估中，以下哪些指标可以用来评估模型的泛化能力？()A.准确率B.精确率C.召回率D.F1分数E.真正例率F.真负例率12.以下哪些是因果推断中常见的混杂因素？()A.时间顺序B.共同原因C.随机因素D.观察者偏差E.个体差异F.混杂变量13.以下哪些是机器学习中常见的特征选择方法？()A.相关性分析B.递归特征消除C.主成分分析D.预处理特征E.特征嵌入F.特征提取14.在强化学习中，以下哪些是重要的组成部分？()A.状态B.动作C.奖励D.策略E.环境模型F.模型更新15.以下哪些是因果推断中用于估计因果效应的方法？()A.实验法B.自然实验C.前后对照研究D.模型推断法E.交叉设计F.机器学习方法三、填空题(共5题)16.在机器学习中，用于描述特征重要性的指标是______。17.因果推断中的______假设指的是事件A和事件B之间的因果关系不受其他变量的影响。18.在监督学习中，若输入特征之间存在线性关系，则可以使用______方法来处理特征。19.在强化学习中，通过与环境交互学习最优策略的过程称为______。20.在因果推断中，若要确定事件A导致事件B，除了满足因果推断的三个基本假设外，还需要满足______条件。四、判断题(共5题)21.在机器学习中，所有的回归问题都是监督学习问题。()A.正确B.错误22.因果推断中的时间顺序假设意味着事件A必须在事件B之前发生。()A.正确B.错误23.在监督学习中，增加训练数据量总是有助于提高模型的性能。()A.正确B.错误24.在因果推断中，随机对照试验是唯一可靠的因果推断方法。()A.正确B.错误25.在强化学习中，智能体每次采取动作后都必须获得奖励。()A.正确B.错误五、简单题(共5题)26.请简述机器学习中监督学习、无监督学习和半监督学习的区别。27.在因果推断中，为什么无混杂假设是非常重要的？28.请解释在机器学习中过拟合和欠拟合的概念，并说明如何避免它们。29.在强化学习中，如何定义状态空间和动作空间？30.请讨论因果推断中自然实验和随机对照试验的区别。

2026硕士机器学习预测与因果推断区分考核试卷一、单选题(共10题)1.【答案】A【解析】监督学习需要标签数据来训练模型，而无监督学习不需要标签数据，它通过发现数据中的模式或结构来进行学习。2.【答案】C【解析】预测未来事件是机器学习中的任务，而不是因果推断中的常见问题。因果推断主要关注解释因果关系和估计效应大小。3.【答案】C【解析】支持向量机（SVM）是一种分类算法，而不是特征选择的方法。特征选择旨在从原始特征中选择最有用的特征。4.【答案】D【解析】在强化学习中，状态、动作和奖励是核心概念，而随机过程通常指的是马尔可夫决策过程（MDP）中的特性。5.【答案】D【解析】深度学习是一种机器学习技术，而不是因果推断中的方法。因果推断通常使用交叉设计、比较实验和回归分析等方法。6.【答案】D【解析】熵是信息论中的概念，用于衡量不确定性。准确率、精确率和召回率是模型评估中的常用指标。7.【答案】C【解析】过拟合是指模型在训练数据上表现良好，但在测试数据上表现不佳。训练数据量过小可能导致欠拟合，而不是过拟合。8.【答案】D【解析】预测误差是评估模型预测能力的指标，而不是因果效应的度量。平均处理效应、总处理效应和平均因果效应是因果推断中常用的度量。9.【答案】D【解析】数据增强是一种数据预处理技术，用于增加训练数据的多样性，而不是正则化技术。L1和L2正则化以及Dropout是常用的正则化技术。10.【答案】D【解析】可行性假设通常不是因果推断中的假设。理想观察者假设、无混杂假设和时间顺序假设是因果推断中常见的假设。二、多选题(共5题)11.【答案】ABCDEF【解析】准确率、精确率、召回率、F1分数、真正例率和真负例率都是常用的模型评估指标，它们可以用来评估模型的泛化能力。12.【答案】BDEF【解析】共同原因、观察者偏差、个体差异和混杂变量都是因果推断中常见的混杂因素。时间顺序和随机因素虽然重要，但通常不被视为混杂因素。13.【答案】ABCDEF【解析】相关性分析、递归特征消除、主成分分析、预处理特征、特征嵌入和特征提取都是机器学习中常用的特征选择方法。14.【答案】ABCDEF【解析】状态、动作、奖励、策略、环境模型和模型更新都是强化学习中的关键组成部分。15.【答案】ABDEF【解析】实验法、自然实验、交叉设计和机器学习方法都是因果推断中用于估计因果效应的方法。前后对照研究和模型推断法虽然与因果推断相关，但不是直接用于估计因果效应的方法。三、填空题(共5题)16.【答案】特征重要性【解析】特征重要性是用于描述特征在模型中对预测结果影响程度的指标，常用的方法包括随机森林、梯度提升树等。17.【答案】无混杂【解析】无混杂假设是因果推断中的一个重要假设，它假定事件A和事件B之间的因果关系不受其他变量的影响。18.【答案】主成分分析【解析】主成分分析（PCA）是一种常用的特征降维方法，它能够减少特征之间的线性相关性，特别适用于处理输入特征之间存在线性关系的情形。19.【答案】学习过程【解析】在强化学习中，学习过程指的是智能体通过与环境交互，不断学习并调整策略以最大化累积奖励的过程。20.【答案】共同原因假设【解析】在因果推断中，共同原因假设指的是除了事件A之外，没有其他共同原因同时影响事件B，这是确定事件A导致事件B的必要条件之一。四、判断题(共5题)21.【答案】错误【解析】回归问题可以是监督学习问题，也可以是无监督学习问题。例如，自回归模型就是一种无监督学习中的回归问题。22.【答案】正确【解析】时间顺序假设是因果推断中的一个假设，它要求事件A必须在事件B之前发生，这是因果关系的必要条件之一。23.【答案】错误【解析】虽然增加训练数据量通常有助于提高模型的性能，但过度增加数据量可能会导致过拟合，尤其是当数据量已经足够大时。24.【答案】错误【解析】随机对照试验是一种强大的因果推断工具，但不是唯一的方法。其他方法如自然实验、交叉设计等也可以用于因果推断。25.【答案】错误【解析】在强化学习中，智能体并不需要在每次采取动作后都获得奖励。有时，智能体可能需要等待多个动作后才能获得奖励。五、简答题(共5题)26.【答案】监督学习是利用带有标签的训练数据来训练模型，无监督学习是利用没有标签的数据来发现数据中的模式或结构，半监督学习则是结合了监督学习和无监督学习的特点，使用部分标记数据和大量未标记数据来训练模型。【解析】这三种学习方式的区别主要在于数据是否带有标签以及如何利用这些数据来训练模型。27.【答案】无混杂假设是因果推断中的一个关键假设，它要求除了暴露变量（如药物）外，没有其他因素同时影响结果变量（如疾病）。这个假设的重要性在于它确保了暴露变量与结果变量之间的因果关系不会被其他共同因素所混淆。【解析】无混杂假设有助于排除其他潜在因素的影响，从而更准确地估计暴露变量对结果变量的因果效应。28.【答案】过拟合是指模型在训练数据上表现很好，但在未见过的测试数据上表现不佳，通常是因为模型过于复杂，对训练数据中的噪声也进行了学习。欠拟合是指模型在训练数据上表现不佳，通常是因为模型过于简单，没有捕捉到数据中的复杂模式。为了避免过拟合和欠拟合，可以采用正则化、交叉验证、增加数据量、简化模型等方法。【解析】理解过拟合和欠拟合的概念对于设计有效的机器学习模型至关重要，通过适当的方法可以避免这些问题的发生。29.【答案】状态空间是所有可能状态集合的数学表示，动作空间是从当前状态到下一个状态的转换集合。在定义状态空间时，需要考虑所有可能影响智能体决策的因素，而在定义动作空间时，需要考虑智能体可以采取的所有合法动作。【解析】状态空间和动作空间是强化学习中的基本概念，它们决定了智能体如何与环境交互以及如