2026年人工智能与机器学习考核试题及答案

2026年人工智能与机器学习考核试题及答案一、单项选择题（每题2分，共20分）1.下列哪项属于监督学习的典型任务？A.聚类B.分类C.降维D.关联规则挖掘答案：B解析：分类依赖带标签样本学习输入到类别的映射，是监督学习的核心任务；聚类、降维与关联规则挖掘均属无监督学习。2.在二分类问题的混淆矩阵中，真正例（TP）表示的是？A.实际为正类、预测为负类B.实际为负类、预测为正类C.实际为正类、预测为正类D.实际为负类、预测为负类答案：C解析：TP即TruePositive，指实际为正且预测也为正的样本；FN为实际正但预测负，FP为实际负但预测正，TN为实际负且预测负。3.决策树ID3算法进行特征选择时使用的纯度度量指标是？A.均方误差B.信息增益C.欧氏距离D.余弦相似度答案：B解析：ID3以信息增益作为划分准则，增益越大表示该特征使数据纯度提升越明显。4.下列哪种做法不能有效缓解过拟合？A.增加训练数据量B.引入L2正则化C.增加模型复杂度D.在神经网络中使用Dropout答案：C解析：增加模型复杂度会增强模型对训练数据的拟合能力，通常会加剧过拟合而非缓解。5.K近邻（KNN）算法中，关于K值的说法正确的是？A.K值越大，模型越复杂B.K值过小容易导致过拟合C.K值对分类结果没有任何影响D.K值越大，分类准确率一定越高答案：B解析：K值过小时，决策易受邻近噪声样本干扰，模型过于复杂而发生过拟合；K值过大会使边界过于平滑，欠拟合风险上升。6.Sigmoid激活函数的输出范围是？A.(B.(C.(D.[答案：B解析：σ(x)=11+7.神经网络反向传播算法所依赖的核心数学工具是？A.链式法则B.贝叶斯定理C.拉格朗日乘数法D.主成分分析答案：A解析：反向传播利用微积分中的链式法则，将输出层误差逐层反向传递，计算各层参数的梯度。8.下列属于无监督学习算法的是？A.线性回归B.支持向量机C.K-means聚类D.朴素贝叶斯答案：C解析：K-means在无标签数据上按距离将样本划分为K个簇，属于典型的无监督学习；其余三项均属于监督学习方法。9.在强化学习中，智能体学习最优策略所依赖的关键信号是？A.环境的奖励信号B.人工标注的类别标签C.数据降维后的主成分D.预先给定的完整决策序列答案：A解析：强化学习通过智能体与环境反复试错交互，以奖励（回报）信号为引导优化策略，而非依赖标注数据。10.梯度下降训练中，学习率设置过大会导致？A.收敛速度变慢B.损失震荡甚至发散C.必然收敛到全局最优D.一定产生过拟合答案：B解析：学习率过大时，参数更新步长超出合理范围，损失函数可能在最优解附近震荡甚至发散；学习率过小则收敛缓慢。二、判断题（每题2分，共20分）1.训练误差越小，模型的泛化能力一定越强。答案：错误解析：模型可能在训练集上过拟合，训练误差低但测试误差高，泛化能力反而差。2.朴素贝叶斯分类器建立在特征之间条件独立的假设之上。答案：正确3.支持向量机通过最大化分类间隔来提升模型的泛化能力。答案：正确4.K-means算法对初始聚类中心的选取不敏感。答案：错误解析：K-means对初始中心敏感，不同的初始点可能收敛到不同的局部最优解，通常采用K-means++等方法改进初始化。5.数据标准化（归一化）对基于距离的算法（如KNN）影响不大。答案：错误解析：若特征尺度差异大，距离计算会由量级大的特征主导，因此KNN、K-means等基于距离的算法通常需要先标准化。6.神经网络中的Dropout机制可以被理解为一种集成学习思想。答案：正确解析：Dropout在训练时随机丢弃部分神经元，等价于训练多个不同的子网络，预测时近似对这些子网络求平均。7.主成分分析（PCA）属于有监督的线性降维方法。答案：错误解析：PCA不利用样本标签，仅依据数据本身的方差结构进行降维，属于无监督方法。8.反向传播中的梯度消失问题与激活函数的选择有关。答案：正确解析：Sigmoid等激活函数在饱和区导数趋近于零，多层连乘后梯度迅速衰减，导致浅层参数难以更新。9.交叉验证可以更充分地利用有限的数据进行模型评估。答案：正确10.强化学习中，奖励函数只影响学习速度，不影响最终学到的策略。答案：错误解析：奖励函数定义了智能体的优化目标，直接决定最优策略是什么，而不只是影响学习快慢。三、简答题（每题5分，共20分）1.简述训练集、验证集和测试集各自的作用。答案：(1)训练集：用于拟合模型参数，使模型学习数据中的规律。(2)验证集：用于模型选择与超参数调优，在训练过程中评估模型表现，帮助调整网络结构、学习率等超参数。(3)测试集：在模型完全确定后仅使用一次，用于评估最终模型的泛化能力。2.简述过拟合的主要表现，并列举三种常用的缓解方法。答案：主要表现：模型在训练集上误差很低，但在测试集上误差较高，即泛化能力差。常用缓解方法：(1)增加训练数据或使用数据增强；(2)正则化（L1/L2正则化）、Dropout、早停；(3)降低模型复杂度（减少网络层数、神经元数量或特征维度），并通过交叉验证选择合适模型。3.简述K折交叉验证的基本思想及优点。答案：基本思想：将训练集随机划分为K个大小相近的互斥子集，每次取其中K-1个子集作为训练集，余下1个子集作为验证集，如此轮流验证K次，最后取K次验证指标的平均值作为模型性能的估计。优点：充分利用有限数据，每个样本都有机会参与训练和验证，评估结果比单次划分更稳定可靠。4.简述梯度下降法的基本思想，并写出参数更新公式。答案：基本思想：损失函数J(θ其中θ为模型参数，η为学习率，∇θ四、计算题（每题10分，共20分）1.某二分类模型在测试集上的混淆矩阵如下：预测为正预测为负

实际为正8020

实际为负1090(1)计算精确率（Precision）和召回率（Recall）；(2)计算F1(3)计算准确率（Accuracy）。答案：由混淆矩阵可得：TP=80，FP=10，FN=20，TN=90。(1)精确率与召回率：PR(2)F1F(3)准确率：A解析：精确率衡量预测为正的样本中真正为正的比例，召回率衡量实际为正的样本中被正确预测的比例。F12.某数据集共14个样本，类别属性"是否购买"中"是"有9个、"否"有5个。现按特征"年龄"划分：青年样本5个（购买2、不购买3），中年样本4个（购买3、不购买1），老年样本5个（购买4、不购买1）。(1)计算划分前数据集的信息熵；(2)计算按"年龄"划分后的条件熵；(3)计算"年龄"特征的信息增益。答案：(1)划分前的信息熵：H(2)各子集的信息熵：青年：H中年：H老年：H按"年龄"划分后的条件熵：H(3)信息增益：G解析：信息增益等于划分前熵减去划分后条件熵，数值越大说明该特征对数据纯度的提升越明显，ID3决策树据此选择最优划分特征。五、综合论述题（每题10分，共20分）1.试论述监督学习、无监督学习与强化学习三者的区别与联系。答案：区别：(1)监督学习使用带标签数据，学习从输入X到输出Y的映射，典型任务为分类与回归；(2)无监督学习使用无标签数据，发现数据内在结构与分布规律，典型任务为聚类、降维与关联规则挖掘；(3)强化学习不依赖静态标签，而是通过智能体与环境的试错交互，依据奖励信号学习最优策略π*(1)三者同属机器学习的三大基本范式，都以数据或交互经验为驱动；(2)监督学习可用于强化学习的预训练，例如通过模仿学习初始化策略网络；(3)无监督学习可对强化学习中的高维状态空间进行降维或表征学习，提升学习效率；(4)实际系统中常混合使用，如半监督学习结合少量标签与大量无标签数据，兼顾精度与标注成本。解析：答题时既要突出"数据依赖方式"这一核心区别，也要指出三种范式在真实系统（如自动驾驶）中往往协同配合，体现对机器学习整体框架的理解。2.请设计一个用于猫狗图像识别的卷积神经网络（CNN）系统，说明从数据准备到模型部署的主要步骤及关键技术。答案：(1)数据准备：收集带类别标签的猫狗图像，划分为训练集、验证集与测试集；对图像进行缩放、归一化等预处理；采用随机旋转、翻转、裁剪与色彩抖动等数据增强技术扩充训练数据，缓解过拟合。(2)模型设计：构建卷积神经网络，一般由卷积层提取局部视觉特征，ReLU等激活函数引入非线性，池化层下采样降低特征维度，最后经全连接层与Softmax输出猫、狗两类概率。实际中可基于ImageNet预训练的ResNet、EfficientNet等模型进行迁移学习，在小数据集上也能取得较好效果。(3)训练策略：以交叉熵为损失函数，采用带动量的SGD或Adam优化器迭代更新参数；加入BatchNormalization加速收敛，使用Dropout与早停防止过拟合；在验证集上监控损失与准确率曲线，调