2026年机器学习与人工智能基础考试试卷及答案

2026年机器学习与人工智能基础考试试卷及答案一、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.手写数字识别B.垃圾邮件分类C.客户分群D.房价预测答案：C解析：客户分群需要从无标签数据中发现内在结构，属于聚类任务；其余三项分别属于有监督学习中的分类（A、B）与回归（D）任务。2.线性回归中，常用的损失函数是？A.交叉熵损失B.均方误差损失C.合页损失D.指数损失答案：B3.逻辑回归中，Sigmoid函数的作用是？A.对特征进行标准化B.将线性输出映射到(0C.降低特征维度D.实现特征的线性组合答案：B解析：Sigmoid函数的输出范围是(04.下列哪项措施不能有效防止过拟合？A.增加训练数据量B.引入L2正则化C.增加神经网络的层数D.采用Dropout机制答案：C解析：增加模型复杂度（如增加网络层数）会增强模型对训练数据的拟合能力，反而更容易导致过拟合。5.KNN算法中，K值过小容易导致？A.欠拟合B.过拟合C.训练时间显著变长D.模型无法收敛答案：B解析：K值过小时，预测仅由极少数近邻决定，对噪声和异常点敏感，容易过拟合；K值过大则倾向欠拟合。6.决策树算法中，信息增益的度量基于下列哪项？A.基尼指数B.信息熵C.均方误差D.相关系数答案：B解析：信息增益定义为划分前数据集的信息熵减去划分后各子集熵的加权和，即Ga7.支持向量机（SVM）中，核技巧（KernelTrick）的主要作用是？A.对输入特征进行归一化B.在原空间中通过核函数隐式完成高维特征空间中的内积计算，避免显式映射C.自动确定学习率D.增加训练样本的数量答案：B解析：核技巧使SVM在不显式构造高维特征向量的情况下实现非线性分类，如高斯核K(8.K-Means聚类中，簇中心的更新方式是？A.随机选取簇内的一个样本B.计算簇内所有样本的均值C.计算簇内样本的中位数D.由用户手工指定答案：B9.在A*搜索算法中，评估函数为f(n)A.从起始节点到节点n的实际代价B.从节点n到目标节点的估计代价C.从起始节点到目标节点的实际代价D.节点n所在层的深度答案：B解析：g(n)为起点到节点n的实际代价，h(n10.下列哪种激活函数在输入小于0时输出恒为0、梯度恒为0，容易导致"神经元死亡"？A.SigmoidB.TanhC.ReLUD.Softmax答案：C解析：ReLU定义为ReLU二、判断题（每题2分，共10分）1.模型在训练集上的准确率越高，其泛化能力一定越强。答案：错误解析：训练集表现好可能只是过拟合，应通过测试集或验证集上的表现来判断泛化能力。2.朴素贝叶斯分类器假设各特征之间相互独立。答案：正确3.PCA（主成分分析）是一种有监督的降维方法。答案：错误解析：PCA不利用样本标签，仅根据数据的方差结构寻找主成分方向，属于无监督降维方法。4.反向传播算法利用链式法则逐层计算损失函数对各层权重的梯度。答案：正确5.在强化学习中，智能体根据环境反馈的奖励信号调整策略，目标是最大化长期累计奖励。答案：正确三、填空题（每题2分，共10分）1.按学习方式划分，机器学习可分为监督学习、无监督学习和____学习。答案：强化2.在二分类问题的混淆矩阵中，除TP、FP、FN三种统计量外，第四种统计量是____。答案：TN（真负例）3.精确率（Precision）的计算公式为____。答案：P4.反向传播算法基于____法则逐层计算损失函数对各层参数的梯度。答案：链式5.ID3决策树算法使用____作为属性划分的度量指标。答案：信息增益四、简答题（每题6分，共30分）1.简述监督学习、无监督学习和强化学习的核心区别，并各举一个典型应用场景。答案：监督学习使用带标签的训练数据，学习从输入特征到输出标签的映射关系，典型应用如垃圾邮件分类、房价预测。无监督学习使用无标签数据，旨在发现数据内部的结构与规律，典型应用如客户分群、数据降维。强化学习不依赖静态标注数据集，智能体通过与环境的动态交互获得奖励或惩罚信号，逐步学习最优策略，典型应用如棋类博弈、机器人控制。2.什么是过拟合？请列举至少三种缓解过拟合的常用方法。答案：过拟合是指模型在训练集上表现优异，但在测试集或新数据上表现较差的现象，本质是模型过度学习了训练数据中的噪声和局部特征，导致泛化能力下降。缓解方法包括：(1)增加训练数据量；(2)引入L1或L2正则化；(3)神经网络中使用Dropout；(4)早停法（EarlyStopping）；(5)数据增强；(6)对决策树进行剪枝；(7)简化模型结构。3.简述梯度下降法的基本思想，并说明学习率设置过大或过小分别会带来什么后果。答案：梯度下降是一种迭代优化算法，其基本思想是沿损失函数在当前参数处的负梯度方向更新参数，使损失逐步减小。参数更新公式为θt+14.简述K折交叉验证的基本过程及其优点。答案：基本过程：将训练数据随机划分为K个大小相近且互不重叠的子集；每次取其中1个子集作为验证集，其余K-1个子集作为训练集，训练模型并在验证集上评估；重复K次，使每个子集都恰好做一次验证集；最后将K次评估结果的平均值作为模型性能的估计。常用K取5或10。优点：(1)充分利用数据，所有样本都参与训练和验证；(2)减少因数据划分随机性带来的评估波动，结果更稳定可靠；(3)在数据量有限时能更准确地估计模型的泛化能力。5.简述反向传播（Backpropagation）算法的基本步骤。答案：(1)前向传播：将输入样本送入网络，自输入层逐层计算各神经元输出，得到预测值，并按损失函数计算损失；(2)计算输出层误差：求出损失对输出层神经元输出的梯度；(3)误差反向传播：利用链式法则，从输出层向输入层逐层计算损失对各层权重和偏置的梯度；(4)参数更新：沿负梯度方向更新参数，例如W((5)迭代：重复前向传播与反向传播，直至损失收敛或达到预设迭代次数。五、计算题（每题10分，共20分）1.某二分类模型在包含100个样本的测试集上的预测结果如下：实际为正类且预测为正类的样本数TP=45；实际为负类但预测为正类的样本数FP=5；实际为正类但预测为负类的样本数FN=15；实际为负类且预测为负类的样本数TN=35。请计算：(1)准确率（Accuracy）；(2)精确率（Precision）；(3)召回率（Recall）；(4)F1分数。答案：(1)A(2)P(3)R(4)F解析：精确率反映"预测为正类的样本中有多少是真正的正类"，召回率反映"实际正类中有多少被正确预测出来"，F1是两者的调和平均，在类别不平衡时比准确率更能反映模型对正类的识别效果。2.给定3个训练样本(x,y)：(1,2)、(2,4)、(3,6)。假设线性回归模型为hθ(x(1)当前参数下的损失$J(1)$；(2)损失函数对θ的梯度；(3)执行一步梯度下降更新后的参数值。答案：(1)$J(1)=\frac{1}{2\times3}\left[(1\times1-2)^2+(1\times2-4)^2+(1\times3-6)^2\right]=\frac{1}{6}(1+4+9)=\frac{7}{3}\approx2.33$(2)∂(3)θ解析：损失函数前乘12m，求导后系数为六、综合应用题（10分）1.某电商平台希望构建"用户购买行为预测"系统：根据用户的历史浏览记录、收藏与加购行为、商品价格与类别等数据，预测用户在未来7天内是否购买某商品。请从问题定义、数据预处理、特征工程、模型选择、模型评估与优化等方面设计完整的解决方案。答案：(1)问题定义：将任务建模为二分类监督学习问题，标签为"未来7天内是否购买"。由于大多数用户不会购买，需注意正负样本的类别不平衡问题。(2)数据预处理：对缺失值进行删除或填充（如均值、众数填充）；检测并处理异常值；对数值型特征进行标准化或归一化；对类别型特征（如商品类别）进行独热编码；按时间先后划分训练集、验证集与测试集，避免信息泄漏。(3)特征工程：构造用户行为统计特征，如浏览次数、浏览时长、收藏次数、加购次数、最近一次浏览距今的天数；构造商品特征以及用户—商品交叉特征；通过相关性分析或特征重要性排序进行特征选择。(4)模型选择：以逻辑回归作为基线模型，再尝试决策树、随机森林、XGBoost等；针对类别不平衡，可采用SMOTE过采样、欠采样，或在损失函数中为少数类设置更高的类别权重。(5)模型评估与优化：采用精确率、召回率、F1分数和AUC-ROC等指标评估，重