2026年机器学习与人工智能技术师资格考试试卷及答案

2026年机器学习与人工智能技术师资格考试试卷及答案一、单项选择题（每题2分，共40分）1.机器学习中，监督学习与无监督学习最本质的区别是（）。A.是否需要人工参与B.训练数据是否带有标签C.是否使用神经网络模型D.是否需要GPU加速答案：B解析：监督学习使用带标签的数据训练模型，无监督学习使用的数据没有标签，这是两者最本质的区别。2.在二分类问题中，若数据集中正类样本占1%，某模型将所有样本均预测为负类，则该模型的准确率为（）。A.1%B.50%C.99%D.无法确定答案：C解析：全部预测为负类时，99%的负类被正确预测，1%的正类被预测错误，准确率=99%。这说明类别不平衡时准确率具有较大局限性。3.下列哪种情况最可能表明模型发生了过拟合（）。A.训练集误差与测试集误差均较高B.训练集误差较低，测试集误差较高C.训练集误差较高，测试集误差较低D.训练集误差与测试集误差均较低答案：B4.L2正则化（Ridge）在损失函数中加入的惩罚项是（）。A.λB.λC.λD.λ答案：B解析：L2正则化加入的是权重平方和项λi=15.使用梯度下降法训练模型时，学习率设置过大可能导致（）。A.收敛速度过慢B.损失函数震荡甚至发散C.模型一定欠拟合D.特征维度减少答案：B6.ReLU激活函数的数学定义为（）。A.fB.fC.fD.f答案：A解析：B为Sigmoid，C为Tanh，D为Softmax。7.下列算法中，属于无监督学习的是（）。A.线性回归B.K均值聚类C.决策树D.支持向量机答案：B8.决策树用于分类时，常用的特征划分指标不包括（）。A.信息增益B.基尼指数C.信息增益比D.欧氏距离答案：D9.下列方法中，不能有效缓解过拟合的是（）。A.增加训练样本量B.使用DropoutC.增加网络层数和神经元数量D.早停（EarlyStopping）答案：C解析：增大模型容量（增加层数、神经元数量）会加剧过拟合，而不是缓解。增加数据、正则化、Dropout、早停等都是常用的防过拟合手段。10.主成分分析（PCA）的核心思想是（）。A.在原始特征空间中对样本进行分类B.通过线性变换将数据投影到方差最大的正交方向上，实现降维C.通过核函数将低维数据映射到高维空间D.用树结构对特征空间进行递归划分答案：B11.在支持向量机（SVM）中引入核函数的目的是（）。A.减少训练时间B.将线性不可分的数据映射到高维空间，使其线性可分C.自动调整学习率D.消除异常值的影响答案：B12.对于正负样本极不平衡的二分类问题，下列评估指标中最合适的是（）。A.准确率B.AUCC.均方误差D.决定系数R答案：B解析：AUC综合反映模型对正负样本的排序能力，受类别不平衡影响较小；准确率在不平衡数据下会虚高，均方误差和R213.在卷积神经网络中，权值共享（WeightSharing）的主要意义是（）。A.提高模型的非线性表达能力B.大幅减少参数量，降低过拟合风险C.使模型支持任意尺寸的输入D.消除梯度消失问题答案：B14.深层神经网络在反向传播过程中，梯度逐层相乘，若激活函数导数小于1，浅层网络的梯度会趋近于0，这种现象称为（）。A.梯度爆炸B.梯度消失C.局部最优D.欠拟合答案：B15.LSTM相比传统RNN，主要解决了（）。A.训练速度慢的问题B.长序列建模中的梯度消失与梯度爆炸问题C.数据标注困难的问题D.模型参数量过大的问题答案：B16.下列Python库中，专门用于构建和训练深度学习模型的是（）。A.NumPyB.PyTorchC.PandasD.Matplotlib答案：B17.下列指标中，不属于回归模型评估指标的是（）。A.均方误差（MSE）B.平均绝对误差（MAE）C.精确率D.决定系数R答案：C18.强化学习中，智能体主要通过什么来调整策略（）。A.带标签的训练数据B.与环境交互获得的奖励信号C.人工设定的固定规则D.训练集的交叉熵损失答案：B19.下列关于5折交叉验证的描述，正确的是（）。A.将数据集随机分为5份，每次使用全部5份数据训练模型B.轮流取其中1份作验证集，其余4份作训练集，共训练5次C.每折训练时，验证集的样本也可以参与训练D.5折交叉验证只能用于回归问题，不能用于分类问题答案：B20.关于Z-score标准化，下列说法正确的是（）。A.标准化后数据全部落在[0B.标准化会改变数据的分布形态C.标准化公式为z=x−μσD.标准化后数据的均值为1，标准差为0答案：C解析：Z-score标准化后数据均值为0、标准差为1，且不改变分布形态；将数据缩放到[0二、多项选择题（每题2分，共20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.逻辑回归D.支持向量机E.关联规则挖掘答案：ACD解析：K均值聚类和关联规则挖掘（如Apriori）均属于无监督学习。2.下列措施中，可以有效防止过拟合的有（）。A.增加训练数据量B.L1/L2正则化C.DropoutD.增加网络深度E.数据增强答案：ABCE解析：增加网络深度会增大模型容量，通常加剧过拟合，D错误。3.下列关于梯度下降优化方法的说法，正确的有（）。A.批量梯度下降每次迭代使用全部训练样本B.随机梯度下降每次迭代只使用一个样本C.Mini-batch梯度下降是效率与稳定性的折中D.学习率越大，收敛越稳定E.引入动量（Momentum）可以加速收敛答案：ABCE解析：学习率过大反而会导致损失震荡甚至发散，D错误。4.下列属于集成学习算法的有（）。A.随机森林B.XGBoostC.AdaBoostD.K近邻E.朴素贝叶斯答案：ABC解析：随机森林、XGBoost、AdaBoost分别属于Bagging和Boosting集成方法；K近邻与朴素贝叶斯是单一模型。5.关于精确率（Precision）、召回率（Recall）与F1A.精确率PB.召回率RC.FD.精确率与召回率通常此消彼长E.精确率、召回率与准确率三者始终相等答案：ABCD解析：精确率、召回率与准确率是三组不同的指标，通常并不相等，E错误。6.下列属于无监督学习任务的有（）。A.聚类B.降维C.关联规则挖掘D.图像分类E.机器翻译答案：ABC解析：图像分类和机器翻译通常需要使用带标签数据进行监督学习。7.关于生成对抗网络（GAN），下列说法正确的有（）。A.由生成器和判别器两部分组成B.生成器的目标是生成让判别器无法区分真伪的样本C.判别器的目标是尽量区分真实样本与生成样本D.生成器与判别器交替对抗训练E.GAN只能用于图像生成任务答案：ABCD解析：GAN还可用于数据增强、风格迁移、超分辨率等任务，E错误。8.关于数据集划分，下列做法正确的有（）。A.划分前先对数据随机打乱B.类别不平衡时采用分层采样C.测试集可以参与训练过程D.验证集用于模型选择与超参数调优E.测试集仅用于最终评估答案：ABDE解析：测试集必须与训练过程完全隔离，否则会因信息泄露导致评估结果虚高，C错误。9.下列属于深度学习常见优化器的有（）。A.SGDB.AdamC.RMSPropD.ReLUE.BatchNorm答案：ABC解析：ReLU是激活函数，BatchNorm是归一化技术，二者均不是优化器。10.关于卷积神经网络（CNN），下列说法正确的有（）。A.卷积层通过卷积核提取局部特征B.权值共享减少了参数量C.池化层可以降低特征图尺寸D.CNN只能处理图像数据E.卷积操作具有平移等变性答案：ABCE解析：CNN也可用于文本、语音等序列数据的处理，D错误。三、判断题（每题1分，共10分）1.L1正则化会使部分模型权重变为0，从而产生稀疏解。答案：正确2.数据归一化对所有机器学习算法都是必需的。答案：错误解析：树模型（决策树、随机森林、XGBoost）对特征单调变换不敏感，一般无需归一化；基于距离或梯度的算法（SVM、KNN、逻辑回归、神经网络等）通常需要。3.在scikit-learn中，fit方法用于训练模型，predict方法用于预测。答案：正确4.深度学习模型一定优于传统机器学习模型。答案：错误5.在偏差-方差权衡中，模型复杂度增加时，通常偏差减小、方差增大。答案：正确6.朴素贝叶斯分类器假设各个特征之间相互独立。答案：正确7.k折交叉验证中，k值越大，模型训练的总时间越短。答案：错误解析：k值越大，需要训练的次数越多，总训练时间通常越长。8.迁移学习可以利用在大规模数据上预训练的模型，帮助小样本任务训练。答案：正确9.强化学习需要使用带标签的训练数据进行监督式学习。答案：错误解析：强化学习通过与环境交互获得奖励信号来学习，不依赖事先标注好的样本标签。10.人工智能、机器学习、深度学习三者是包含关系，即人工智能包含机器学习，机器学习包含深度学习。答案：正确四、简答题（每题5分，共15分）1.简述过拟合的表现、产生原因，并列举至少三种缓解措施。答案：表现：模型在训练集上误差很低，但在测试集或新数据上误差较高，泛化能力差。产生原因：模型过于复杂、训练样本不足、数据噪声过大、训练轮次过多等。缓解措施：（1）增加训练样本量；（2）使用正则化（L1/L2正则化）；（3）使用Dropout；（4）早停（EarlyStopping）；（5）数据增强；（6）降低模型复杂度，或通过交叉验证选择合适容量的模型。2.写出准确率、精确率、召回率的定义式，并说明在类别不平衡分类任务中为何准确率不是好的评估指标。答案：设TP为真正例数、TN为真负例数、FP为假正例数、FN为假负例数，则：准精召在类别不平衡任务中（如正类仅占1%），模型只要把所有样本都预测为负类，准确率就能达到99%，但该模型对正类完全没有识别能力，没有实用价值。因此准确率会掩盖模型对少数类的表现，应结合精确率、召回率、F13.简述有监督学习与无监督学习的区别，并各举两个典型算法。答案：区别：有监督学习使用带标签的训练数据，学习从输入到输出的映射关系；无监督学习使用无标签数据，目标是发现数据内在的结构、分布或模式。典型算法：有监督学习——线性回归、逻辑回归、决策树、支持向量机、K近邻等；无监督学习——K均值聚类、DBSCAN、层次聚类、PCA、关联规则挖掘等。五、综合应用题（每题15分，共15分）1.某电商平台拟构建"用户流失预测模型"，用于提前识别可能流失的用户并实施精准挽留。现有历史数据共20,000条，每条记录包含注册时长（月）、月均消费金额、周登录频次、近3个月客诉次数、优惠券使用率等8个特征，以及标签"是否流失"（1表示流失，0表示未流失），其中流失用户占8%。请回答以下问题：（1）该任务属于哪一类机器学习问题？请说明理由。（3分）（2）建模前通常需要进行哪些数据预处理操作？请至少列出4项。（4分）（3）若采用逻辑回归建模，写出其预测概率的数学表达式，并说明决策边界。（4分）（4）模型在测试集上的精确率为0.72，召回率为0.60，请计算F1答案：（1）该任务属于有监督学习中的二分类问题。因为每条数据同时包含特征x和标签y（0或1），目标是根据8个特征预测用户是否会流失这一离散类别。（2）常见的数据预处理操作包括：①缺失值处理（删除或填充）；②异常值检测与处理；③特征归一化或标准化（如Z-score、Min-Max）；④类别特征编码（如独热编码）；⑤特征选择或降维；⑥