2026年人工智能与机器学习知识考核考试试卷及答案

2026年人工智能与机器学习知识考核考试试卷及答案一、单项选择题（每题2分，共30分）1.人工智能领域的经典思想实验“图灵测试”是由哪位学者提出的？A.约翰·麦卡锡（JohnMcCarthy）B.艾伦·图灵（AlanTuring）C.沃伦·麦卡洛克（WarrenMcCulloch）D.唐纳德·赫布（DonaldHebb）答案：B解析：麦卡锡首次提出“人工智能”一词；图灵在1950年发表《计算机器与智能》，提出通过“模仿游戏”判断机器能否思考。2.下列哪一项属于典型的监督学习任务？A.将无标签新闻文本自动聚类B.根据带标签的历史邮件训练垃圾邮件分类器C.通过与环境交互学习下棋策略D.对客户进行无标签分群答案：B解析：A、D为无监督聚类，C为强化学习；监督学习依赖带有标签的训练样本。3.某模型在训练集上误差很低，但在测试集上误差明显偏高，这种现象称为：A.欠拟合B.过拟合C.正则化D.欠采样答案：B解析：过拟合指模型过度学习训练数据中的噪声与细节，导致在未见数据上的泛化能力下降。4.二分类问题中，查准率（Precision）的定义是：A.TB.FC.TD.T答案：C解析：查准率衡量预测为正类的样本中真正为正类的比例；TP5.某二分类数据集中正例比例为0.5，则该数据集的信息熵为（以2为底）：A.0B.0.5C.1D.2答案：C解析：H=6.关于K近邻（KNN）算法，下列说法正确的是：A.K值越大，决策边界越复杂，模型越容易过拟合B.在高维稀疏数据上距离度量仍然非常鲁棒C.预测阶段无需存储任何训练样本D.K值过小时模型对噪声和异常点较为敏感答案：D解析：K值越小决策区域越破碎、对噪声越敏感；KNN是惰性学习，预测时需要全部训练样本；高维下距离度量区分度显著下降。7.每次迭代仅随机选取一个样本计算梯度并更新模型参数，这种优化方法称为：A.批量梯度下降（BatchGradientDescent）B.随机梯度下降（StochasticGradientDescent）C.小批量梯度下降（Mini-batchGradientDescent）D.共轭梯度法答案：B解析：随机梯度下降每次只用一个样本更新，计算开销小但收敛路径震荡较大。8.在深层神经网络中，使用Sigmoid作为隐藏层激活函数最可能引发的问题是：A.梯度爆炸B.维度灾难C.梯度消失D.协变量偏移答案：C解析：Sigmoid在两端饱和、导数趋近于0，误差反向传播经过多层连乘后梯度逐渐衰减，导致靠近输入层的参数难以更新。9.关于卷积神经网络中的池化操作，下列说法不正确的是：A.降低特征图的空间尺寸B.减少计算量并有助于防止过拟合C.提供一定的平移不变性D.增加卷积层的参数量答案：D解析：池化本身不引入可学习参数，也不会增加卷积层参数量，其作用是降采样、降低计算量并增强特征鲁棒性。10.LSTM中主要负责决定“丢弃哪些历史记忆信息”的门控是：A.输入门B.遗忘门C.输出门D.候选门答案：B11.关于K-means聚类算法，下列说法正确的是：A.聚类簇数K可由算法自动学习得到B.初始聚类中心的选择对最终结果没有影响C.对离群点和噪声数据不敏感D.采用迭代优化策略，可能收敛到局部最优解答案：D解析：K需预先指定；初始中心影响聚类结果；离群点会拉偏簇中心；目标函数非凸，迭代易陷入局部最优。12.在强化学习中，智能体主要通过什么信息来改进其策略？A.数据样本的类别标签B.环境反馈的奖励（reward）信号C.无标注样本的分布相似性D.人工预先编写的规则答案：B解析：强化学习以最大化累积奖励为目标，这是其与监督学习、无监督学习的根本区别。13.生成对抗网络（GAN）主要由哪两个网络组成？A.编码器与解码器B.生成器与判别器C.教师网络与学生网络D.特征提取器与分类器答案：B14.Transformer模型能够高效建模序列中任意位置依赖关系的核心机制是：A.循环连接B.门控机制C.自注意力机制（Self-Attention）D.空洞卷积答案：C15.当前主流大语言模型（LLM）在生成文本时通常采用的方式是：A.逐token自回归解码B.一次性全局生成C.基于知识图谱推理D.基于符号逻辑推导答案：A解析：自回归生成指每一步只预测下一个token，并以已生成的内容作为后续预测的输入，GPT系列模型即采用该范式。二、判断题（每题1分，共10分）1.监督学习中训练样本必须带有标签或标注。答案：正确2.训练集误差越低，模型在测试集上的表现一定越好。答案：错误解析：过拟合时训练误差很低，但泛化能力差、测试误差可能很高。3.决策树深度越深，模型泛化能力一定越强。答案：错误解析：深度过深容易导致过拟合。4.支持向量机引入核函数后可以处理非线性分类问题。答案：正确5.对于非凸的损失函数，梯度下降法一定能找到全局最优解。答案：错误解析：非凸问题中梯度下降可能收敛到局部最优或鞍点。6.Dropout在训练阶段随机丢弃部分神经元，在预测阶段不再进行随机丢弃。答案：正确7.卷积神经网络只能用于处理图像数据，无法处理语音或文本数据。答案：错误解析：卷积神经网络也可用于语音、文本等序列数据，例如一维卷积和时序卷积。8.循环神经网络（RNN）天然适合处理时间序列等序列数据。答案：正确9.朴素贝叶斯分类器基于贝叶斯定理，并假设各特征在类别条件下相互独立。答案：正确10.无监督聚类算法的目标是使同类样本间差异尽量大、不同类样本间差异尽量小。答案：错误解析：目标应使同类样本内差异尽量小、不同类样本间差异尽量大。三、简答题（1、2题各5分，3、4题各6分，共22分）1.（5分）简述训练集、验证集、测试集三者的作用与划分原则。答案：训练集用于拟合模型参数，是模型学习的主要数据来源；验证集用于模型选择与超参数调优，如设置学习率、正则化系数、网络层数等，可多次使用；测试集仅在模型完全确定后使用一次，用于评估模型在未见数据上的泛化能力。划分原则：三个集合应相互独立且服从相同的数据分布；分类问题宜采用分层抽样以保持类别比例；测试集不得参与训练或调参，防止信息泄露。2.（5分）简述K折交叉验证的基本思想及其主要优点。答案：将训练数据随机等分为K份，轮流取其中1份作为验证集，其余K−1份作为训练集，重复训练与验证K次，得到K个评估指标并取平均值作为模型性能的估计。主要优点：所有样本都被用于训练和验证，数据利用率高；多次平均降低了因数据划分偶然性带来的评估方差，结果更稳定；对数据量较小的场景尤为适用。3.（6分）简述LSTM中遗忘门、输入门、输出门的作用，并给出记忆单元更新的关键公式。答案：遗忘门决定上一时刻记忆单元Ct−1中有多少信息被保留或丢弃；输入门决定当前候选信息CfC其中σ为Sigmoid函数，⊙表示逐元素相乘，Ct由tanh4.（6分）写出Transformer中缩放点积注意力（ScaledDot-ProductAttention）的计算公式，并说明Q、K、V的含义及缩放因子的作用。AQ（Query）为查询向量组成的矩阵，K（Key）为键向量组成的矩阵，V（Value）为值向量组成的矩阵，dk缩放因子1dk用于在dk四、计算题（第1题6分，第2题7分，共13分）1.（6分）某银行构建的信用评分模型在测试集（含200个样本）上的混淆矩阵如下：预测为正类预测为负类真实负类2575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：当类别分布不平衡时，准确率可能产生误导，应综合精确率、召回率与F1评估模型，并结合业务成本权衡误判类型。2.（7分）给定6封已分词的邮件训练数据：垃圾邮件3封：s1=“发票优惠”；s2=“优惠明天”；s3=“发票优惠发票”正常邮件3封：h1=“明天会议报告”；h2=“会议发票报告”；h3=“明天会议明天”词汇表V={优惠,发票,明天,会议,报告}。现收到一封新邮件x=“优惠发票明天”。请使用朴素贝叶斯分类器，并采用拉普拉斯平滑（α=(1)计算先验概率P(垃圾)与P(正常)；（2分）(2)计算各单词的类条件概率（平滑后）；（3分）(3)计算后验概率并判断x属于哪一类。（2分）答案：(1)先验概率：P(垃圾)(2)拉普拉斯平滑公式为：P其中Nw,c为单词w在类别c中出现的次数，Nc为类别垃圾邮件类总词数为7，则：-优惠：3-发票：3-明天：1正常邮件类总词数为9，则：-优惠：0-发票：1-明天：3(3)新邮件x的未归一化后验：垃圾类：0.5正常类：0.5因为1108解析：单词“优惠”未在正常邮件中出现，若不进行平滑，正常类的似然会直接变为0；拉普拉斯平滑通过加1避免了零概率问题。五、论述题（25分）1.某银行拟构建一个信用风险评估模型，用于预测贷款申请人的违约风险。现有10万条历史申请数据，包含年龄、收入、负债率、征信查询次数、贷款用途等40个特征，其中违约样本仅占5%左右。请从数据预处理、特征工程、模型选择、类别不平衡处理、评估指标、过拟合防控、模型可解释性与公平性、部署与监控八个方面，系统论述完整的建模流程、各环节存在的关键问题及处理策略；并结合生成式人工智能（如大语言模型）的最新发展，简要分析其对上述建模流程可能带来的影响与挑战。答案：1.数据预处理：需处理缺失值，常用均值、中位数填充或多重插补；检测并处理异常值，可采用四分位距法、孤立森林等；对年龄、收入等连续特征进行标准化或归一化；对贷款用途等类别特征进行独热编码或目标编码。2.特征工程：结合业务构造衍生特征，如负债收入比、信用卡使用率等；通过相关性分析、互信息、L1正则化或树模型特征重要性进行特征筛选；对长尾分布特征可进行对数变换，提升模型稳定性。3.模型选择：建议从逻辑回归开始作为可解释性基线，再尝试随机森林、XGBoost、LightGBM等梯度提升树模型；若数据量充足，可考虑神经网络模型；通过交叉验证比较不同模型的泛化性能，并兼顾计算成本与业务需求。4.类别不平衡处理：负类（违约）仅占5%。常用方法包括过采样（如SMOTE）、欠采样、调整类别权重、在训练集上构造合成样本等；同时可通过阈值搜索选择更优的分类阈值。须注意只在训练集上采样，验证集和测试集应保持原始分布。5.评估指标：准确率在类别不平衡场景下具有误导性，应重点关注精确率、召回率、F1、AUC-ROC与PR-AUC；信贷业务还需结合漏损与误拒的实际成本来确定最终阈值。6.过拟合防控：可采用L1/L2正则化、简化模型结构、特征筛选、早停法、Dropout等手段；使用K折交叉验证评估模型稳定性；测试集只能使用一次，避免重复调参导致信息泄露。7.模型可解释性与公平性：可使用SHAP、LIME等方法解释模型预测结果；检查模型是否对性别、年龄等敏感属性存在歧视性偏差；满足监管机构对金融模型可解释性与公平性的合规要求。8.部署与监控：模型可通过API或批处理方式上线；持续监控数据分布漂移（如PSI）、模型性能衰减等指标，制定定期重训与模型回滚机制，保证系统长期稳定运行。9.生成式AI的影响：大语言模型可辅助数据清洗、自动生成特征工程与建模代码、通过自然