2026年机器学习与人工智能专业考核试卷及答案

2026年机器学习与人工智能专业考核试卷及答案一、单项选择题（每题3分，共24分）1.下列哪种学习范式通过与环境交互获得奖励信号来优化策略？A.监督学习B.无监督学习C.强化学习D.半监督学习答案：C解析：强化学习的核心特征是与环境交互，通过最大化累积奖励来学习策略。监督学习依赖标注样本，无监督学习无标签信号，均不涉及环境交互。2.在支持向量机中，核函数的作用是（）。A.降低特征维度以加快训练B.将低维输入隐式映射到高维空间以处理非线性问题C.代替损失函数进行分类D.删除离群点以增强鲁棒性答案：B解析：核函数通过核技巧隐式完成高维映射，避免了显式计算高维内积的高成本，从而高效处理非线性分类问题。3.集成学习中，Bagging算法的主要思想是（）。A.对样本进行有放回采样，训练多个基学习器后投票B.根据前一个学习器的残差训练下一个学习器C.对特征进行加权组合D.利用验证集调整超参数答案：A解析：Bagging（BootstrapAggregating）通过对训练集进行有放回抽样生成多个子集，分别训练基学习器并集成。Boosting才是基于残差/误差逐轮训练。4.下列哪个指标最适合评估类别极度不平衡的二分类模型？A.准确率（Accuracy）B.F1分数C.均方误差（MSE）D.R²决定系数答案：B解析：在类别不平衡场景下，准确率会被多数类主导，F1分数综合了精确率与召回率，能够更好反映少数类上的分类性能。5.卷积神经网络中，感受野是指（）。A.池化层的输出尺寸B.卷积核可覆盖的最大输入区域C.输出特征图上每个像素对应到输入图像上的区域大小D.卷积核的通道数量答案：C解析：感受野描述了特征图上的一个神经元所能“看到”的原始输入空间范围，它随网络层数加深而增大，是理解CNN特征提取层次性的重要概念。6.在神经网络训练中，梯度消失问题通常源于（）。A.学习率设置过大B.激活函数的导数小于1且连乘导致梯度过小C.训练样本过少D.权重初始化全为零答案：B解析：在反向传播中梯度逐层连乘，若激活函数（如Sigmoid）导数饱和区小于1，深层网络的梯度会指数级衰减，导致浅层参数难以更新。7.下列关于过拟合的应对方法，哪一项是错误的？A.增加训练数据量B.引入L2正则化C.无限增大模型容量D.使用Dropout随机丢弃神经元答案：C解析：增大模型容量会加剧过拟合。增加数据、正则化、Dropout和早停等都是抑止过拟合的常用手段。8.主成分分析（PCA）的优化目标是（）。A.最大化投影后方差B.最大化类间距离C.最小化重构误差且投影方向正交D.A和C均正确答案：D解析：PCA在数学上等价于最大化投影方差，也等价于最小化重构误差，且各主成分方向相互正交。B是LDA的目标。二、多项选择题（每题4分，共16分）1.下列哪些指标可用于评估回归模型的性能？（）A.均方误差（MSE）B.平均绝对误差（MAE）C.R²（决定系数）D.精确率（Precision）答案：ABC解析：MSE、MAE、R²都是回归任务的常用评估指标。精确率属于分类任务的评估指标，衡量预测为正类的样本中真正例的比例。2.关于梯度下降算法，下列说法正确的有（）。A.批量梯度下降每次更新使用全部训练样本B.随机梯度下降每次更新只使用一个样本，收敛过程震荡较大C.Mini-batch梯度下降是介于两者之间的折中方案D.学习率越大，收敛速度一定越快且效果越好答案：ABC解析：学习率过大会导致损失函数震荡甚至发散，并非越大越好，D错误。A、B、C分别描述了三种梯度下降变体的特征，均正确。3.下列关于注意力机制的描述，正确的有（）。A.注意力机制可以捕捉序列中远距离位置的依赖关系B.自注意力（Self-Attention）中Query、Key、Value来自相同输入C.缩放点积注意力需要除以dkD.注意力权重通常通过Softmax函数归一化答案：ABCD解析：四项描述均符合注意力机制的设计原理。缩放因子dk4.在聚类任务中，下列哪些方法属于划分式聚类？（）A.K-MeansB.DBSCANC.K-MedoidsD.层次聚类答案：AC解析：K-Means和K-Medoids都将数据预先划分为K个簇，属于划分式聚类。DBSCAN属于密度聚类，层次聚类则通过合并或分裂构建树状结构。三、判断题（每题2分，共12分）1.朴素贝叶斯分类器假设特征之间相互独立。答案：正确2.L1正则化倾向于产生稀疏权重，而L2正则化倾向于使权重整体较小。答案：正确3.在K折交叉验证中，K值越大，模型评估的方差越高。答案：错误解析：K值越大，训练集占比越高，评估结果对数据划分的敏感性越低，方差通常更小，但计算开销增大。4.生成对抗网络（GAN）中的生成器和判别器是交替训练的。答案：正确5.决策树的深度越深，模型越不容易过拟合。答案：错误解析：决策树深度过深会精确记忆训练样本中的噪声，导致严重的过拟合，泛化能力下降。6.在Transformer中，位置编码的作用是引入序列顺序信息。答案：正确四、简答题（每题6分，共24分）1.简述机器学习模型训练中“偏差—方差权衡”的含义，并说明它与过拟合、欠拟合的关系。答案：偏差衡量模型预测值与真实值的系统性偏离，方差衡量模型对训练集波动的敏感程度。•高偏差：模型过于简单，欠拟合，训练误差和验证误差都高；•高方差：模型过于复杂，过拟合，训练误差低但验证误差高；•理想的模型需要在偏差和方差之间取得平衡，使总误差（偏差²+方差+噪声）最小。实际中可通过正则化、交叉验证、集成学习等手段调节二者平衡。2.请写出逻辑回归的模型表达式、损失函数，并说明它为什么不能直接使用均方误差作为损失函数。答案：模型表达式为P逻辑回归使用交叉熵损失函数：L不能直接使用均方误差的原因：-逻辑回归的输出经过Sigmoid函数，MSE关于参数的函数是非凸的，存在多个局部极小值，梯度下降难以收敛到全局最优；-而交叉熵损失关于参数是凸函数，且与Sigmoid结合时梯度形式简洁，收敛更稳定。3.简述K-Means算法的基本步骤，并指出其两个主要局限性。答案：基本步骤：1.随机选择K个初始簇中心；2.计算每个样本到各簇中心的距离，将其分配到最近的簇；3.对每个簇，以簇内样本均值更新簇中心；4.重复步骤2、3，直到簇中心不再变化或达到最大迭代次数。主要局限：•需要预先指定簇数K，且对初始簇中心敏感，容易陷入局部最优；•基于欧氏距离的均值计算，对离群点敏感，且难以有效处理非球形簇或密度差异较大的簇。4.解释梯度消失和梯度爆炸问题，并各列出两种常用解决方法。•梯度消失：反向传播时梯度逐层连乘，若权重或激活函数导数小于1，梯度指数衰减至接近0，浅层参数几乎不更新；•梯度爆炸：梯度连乘中数值大于1时指数增长，导致参数更新过大，训练不稳定。解决梯度消失的方法：使用ReLU等非饱和激活函数、残差连接、BatchNormalization、合理初始化（如Xavier/He初始化）。解决梯度爆炸的方法：梯度裁剪（GradientClipping）、权重正则化、降低学习率、使用LSTM/GRU等门控结构。五、综合分析题（每题12分，共24分）1.某电商平台需要构建一个用户购买预测模型，数据集包含100万条用户历史行为记录，特征包括用户年龄、性别、浏览时长、近30天登录次数、商品点击序列等，标签为是否购买（正样本占比5%）。请回答：(1)针对正样本仅占5%的不平衡问题，你会采用哪些处理策略？至少给出三种。(2)请设计一个完整的模型方案，包括特征处理、模型选型、训练与评估方法。答案：(1)不平衡问题处理策略：•数据层面：对少数类进行过采样（如SMOTE）或对多数类进行欠采样；•算法层面：在损失函数中为正类设置更高的权重（classweight）；•评估层面：使用精确率—召回率曲线、F1分数、AUC等对不平衡不敏感的指标；•集成方法：使用BalancedRandomForest或EasyEnsemble等专门处理不平衡数据的集成算法。(2)模型方案设计：特征处理：•数值特征（年龄、浏览时长等）进行标准化或归一化；•对点击商品序列使用嵌入（Embedding）或TF-IDF提取序列特征；•构造统计特征和时间窗口特征，如近7天浏览频次、购买转化率、活跃时段等。模型选型：•候选模型：XGBoost/LightGBM梯度提升树模型，或引入深度模型（如Wide&Deep）以同时刻画低阶和高阶特征交互；•以LightGBM作为基线模型，兼顾训练效率和精度。训练与评估：•按时间划分训练集与测试集，避免未来信息泄露；•使用5折分层交叉验证调参；•选择AUC、F1和PR-AUC为主要评估指标，关注少数类的召回率；•设置早停策略防止过拟合，并用SHAP分析特征重要性以验证模型合理性。2.某自动驾驶团队计划用基于深度强化学习的方法训练车辆在城市道路环境中的换道决策策略。状态空间包含自车速度、周围车辆相对距离与速度等连续变量，动作空间为换道、保持车道、加速、减速四个离散动作。请回答：(1)该问题适合采用基于价值的方法（如DQN）还是基于策略的方法（如PPO）？说明理由。(2)在仿真环境与真实道路之间存在“sim-to-real”差距，请提出至少三种缓解该问题的技术方案。答案：(1)推荐采用基于策略的方法（PPO）。理由如下：•动作空间是离散的，DQN也可以处理，但城市换道决策中安全约束至关重要，PPO等策略梯度方法可以更自然地引入约束与熵正则，训练稳定性更好；•DQN依赖价值函数估计，对连续状态空间需要大量样本且容易过估计Q值；•PPO通过裁剪目标函数限制每次更新幅度，训练更稳定，对超参数不敏感，更适合复杂的多目标驾驶任务；•同时，策略梯度方法可以直接优化换道成功率与行驶效率的复合目标，易于结合奖励塑形。(2)缓解sim-to-real差距的方案：•域随机化（DomainRandomization）：在仿真中随机扰动物理参数（摩擦力、光照、传感器噪声等）