2026年人工智能与机器学习试卷及答案

2026年人工智能与机器学习试卷及答案一、单项选择题（每题2分，共20分）1.1950年提出"图灵测试"这一著名思想实验的科学家是？A.冯·诺依曼B.艾伦·图灵C.马文·明斯基D.约翰·麦卡锡2.下列哪项属于监督学习任务？A.客户分群B.异常检测C.垃圾邮件分类D.协同过滤推荐3.模型在训练集上表现很好，但在测试集上表现差，这种情况称为？A.欠拟合B.过拟合C.高偏差D.梯度消失4.下列哪种方法不能有效抑制过拟合？A.L2正则化B.DropoutC.增加训练数据D.增大模型参数量5.K-Means算法属于下列哪一类学习？A.监督学习B.无监督学习C.半监督学习D.强化学习6.Sigmoid激活函数σ(A.[B.(C.(D.[7.反向传播算法的核心数学依据是？A.贝叶斯定理B.链式法则C.中心极限定理D.拉格朗日乘数法8.SVM中引入核函数的主要目的是？A.减少模型参数B.将低维空间中非线性可分的数据映射到高维空间使其线性可分C.消除训练噪声D.加快模型推理速度9.下列哪种激活函数能有效缓解深层网络训练中的梯度消失问题？A.SigmoidB.TanhC.ReLUD.恒等线性函数10.在强化学习中，智能体主要依靠什么信号来调整自身策略？A.奖励信号B.标签数据C.核函数D.信息增益二、多项选择题（每题3分，共15分）1.下列属于无监督学习算法的有？A.K-MeansB.PCAC.DBSCAND.逻辑回归2.下列哪些措施可以有效缓解模型过拟合？A.增加训练样本B.L1/L2正则化C.增加模型深度D.数据增强3.下列属于深度学习常见训练框架的有？A.TensorFlowB.PyTorchC.Scikit-learnD.PaddlePaddle4.关于决策树算法的说法，正确的有？A.信息增益越大，特征划分能力越强B.基尼指数越小，节点纯度越高C.决策树容易过拟合D.决策树只能处理数值型特征5.集成学习常见的策略包括？A.BaggingB.BoostingC.StackingD.Dropout三、判断题（每题1分，共10分）1.图灵测试由艾伦·图灵于1950年提出，用于检验机器是否具备智能。2.训练数据量越大，模型的测试精度一定越高。3.数据集的熵越大，说明其类别分布越混乱，纯度越低。4.K近邻算法（KNN）在训练阶段没有显式学习过程，属于"懒惰学习"。5.无监督学习的目标是利用未标注数据发现数据中的内在结构与规律。6.对于非凸的目标函数，梯度下降法一定能收敛到全局最优解。7.ReLU函数在输入为负数时梯度恒为0，可能导致部分神经元"死亡"。8.卷积神经网络（CNN）最擅长处理时间序列数据。9.对特征进行归一化可以加速梯度下降的收敛速度。10.强化学习中的奖励是对智能体在某一状态下采取动作的即时评价信号。四、简答题（每题5分，共20分）1.简述过拟合与欠拟合的含义，并各列举两种应对策略。2.简述梯度下降法的基本思想，写出参数更新公式，并列举三种常见变体。w其中η为学习率。常见变体：批量梯度下降（BGD）、随机梯度下降（SGD）、小批量梯度下降（Mini-batchGD）；此外还有带动量的Momentum、RMSProp、Adam等优化方法。3.简述卷积神经网络中卷积层、池化层和全连接层各自的职责。4.简述监督学习、无监督学习与强化学习三者的核心区别，并各举一个典型应用场景。五、计算与推导题（每题10分，共20分）1.给定如表所示的二分类数据集，共8个样本，类别为+和−。请完成以下计算：样本编号特征A特征B类别1红大+2红小-3红大+4蓝小+5蓝大-6蓝小-7红小-8蓝大+(1)求根节点的信息熵H((2)分别求按特征A、特征B划分后的信息增益；（4分）(3)依据信息增益准则，应优先选择哪个特征划分？（2分）H根节点信息熵为1bit。(2)按特征A划分：-A=红（样本1,2,3,7）：+类2个，−类2个，H-A=蓝（样本4,5,6,8）：+类2个，−类2个，HG按特征B划分：-B=大（样本1,3,5,8）：+类3个，−类1个H-B=小（样本2,4,6,7）：+类1个，−类3个HG(3)因为Ga2.考虑线性回归模型y=L给定训练样本(x1,y1)=(1)求初始权重下的损失值L((2)写出损失函数对w的梯度表达式；（3分）(3)使用批量梯度下降法更新一步，求更新后的w1答案：(1)当w0=0.5时，预测值为yL(2)对w求偏导：∂(3)代入样本数据计算梯度：∂沿负梯度方向更新：w更新后的权重为w1六、综合分析题（15分）某商业银行希望构建智能信贷风险评估系统，利用客户历史数据预测新客户是否违约。现有数据字段包括：年龄、年收入、负债率、信用评分、职业、教育程度、历史借贷记录等，其中约97%的客户正常还款，仅3%的客户发生违约。请回答以下问题：(1)针对该数据提出合理的数据预处理与特征工程方案；（5分）(2)选择两种适合该任务的机器学习模型，并说明理由；（5分）(3)该数据集类别严重不平衡，应选用什么评估指标？请阐述理由；（3分）(4)简述在该场景中如何防止模型过拟合。（2分）答案：(1)数据预处理与特征工程方案：-缺失值处理：年龄、收入、负债率等数值特征用均值或中位数填充，职业等类别特征用众数填充，或单独标记为"未知"类别。-异常值处理：利用箱线图或3σ准则识别并处理收入、负债率的极端离群值，防止其对模型产生干扰。-类别特征编码：对教育程度等有序类别使用标签编码，对职业等无序类别使用独热编码。-数值特征归一化：对年龄、年收入、信用评分等进行Z-score标准化或Min-Max归一化，消除量纲影响，加快梯度下降收敛。-特征构造：构造月收入负债比、信用评分与收入交互项等衍生特征；统计历史借贷记录中的违约频次与逾期次数。-类别不平衡处理：采用SMOTE过采样或随机欠采样，也可引入代价敏感学习，使模型更关注少数类违约样本。(2)模型选择：-逻辑回归：可解释性强，在金融风控领域便于向监管机构和业务人员解释决策依据；能直接输出违约概率，适合构建信用评分卡。-随机森林（或XGBoost等梯度提升树）：能自动捕捉特征间的非线性关系与交互效应，对异常值和缺失值鲁棒性较好，在信贷违约预测任务中普遍表现优异。(3)评估指标选择：由于正常客户占97%、违约客户仅占3%，若使用准确率，模型即使将所有客户都预测为"正常"也能达到97%的准确率，无法反映对少数类的判别能力。因此应重点使用：-AUC：对类别不平衡不敏感，综合衡量模型对正负样本的排序能力；-F1-score与召回率（针对违约类）：关注模型对违约客户的识别能力，避免高信用风险客户被漏判；-业务上还可参考KS值与提升度（Lift）等风控常用指标。(4)防止过拟合的措施：-数据层面：扩充训练样本、SMOTE合成少数类样本、数据清洗；-模型层面：逻辑回归引入L1/L2正则化；树模型限制最大深度、最小叶节点样本数；-训练层面：采用早停（EarlyStopping）和K折交叉验证，确保模型泛化性能稳定。参考答案与解析一、单项选择题1.答案：B解析：图灵于1950年在论文《计算机器与智能》中提出图灵测试；"人工智能"一词由麦卡锡在1956年达特茅斯会议上正式提出。2.答案：C解析：垃圾邮件分类依赖已标注的类别（垃圾/正常），是有监督的分类问题；客户分群、异常检测通常为无监督任务。3.答案：B解析：过拟合的典型特征是训练误差低而泛化误差高，模型过度学习了训练数据中的噪声。4.答案：D解析：增大模型参数量会提高模型容量，通常加重过拟合；其余三项均为常用正则化手段。5.答案：B解析：K-Means在无标签数据上进行聚类，属于无监督学习。6.答案：B解析：Sigmoid函数将任意实数压缩到(0,17.答案：B解析：反向传播利用微积分中的链式法则，将输出层误差逐层回传，高效计算各层参数的梯度。8.答案：B解析：核函数通过在隐式高维空间中计算内积，使线性不可分的数据变得线性可分，同时避免显式升维带来的计算开销。9.答案：C解析：ReLU在正区间梯度恒为1，避免了Sigmoid/Tanh在饱和区梯度趋近于0的问题。10.答案：A解析：强化学习的核心是通过环境反馈的奖励信号进行试错学习，最大化长期累积奖励。二、多项选择题1.答案：ABC解析：K-Means（聚类）、DBSCAN（聚类）、PCA（降维）均不依赖标签；逻辑回归是监督学习算法。2.答案：ABD解析：增加模型深度会增大模型容量，通常加重过拟合而非缓解。3.答案：ABD解析：Scikit-learn是传统机器学习库，专注于经典算法，不提供GPU自动求导与深度网络训练能力。4.答案：ABC解析：ID3以信息增益、CART以基尼指数选择划分特征；决策树可以处理类别型特征。深度过大的树对训练数据拟合过细，易过拟合。5.答案：ABC解析：Dropout是神经网络的正则化技术，不属于集成学习策略。三、判断题1.答案：正确2.答案：错误解析：测试精度还受数据质量、模型容量、特征选择等因素制约，并非单纯由数据量决定。3.答案：正确4.答案：正确5.答案：正确6.答案：错误解析：梯度下降可能陷入局部最优或鞍点，无法保证全局最优。7.答案：正确8.答案：错误解析：CNN擅长处理图像等网格结构数据；时间序列通常使用RNN、LSTM或Transformer。9.答案：正确10.答案：正确四、简答题1.答案：过拟合指模型在训练集上误差很小但泛化能力差、测试集误差大，通常由模型过于复杂或训练数据不足导致。应对策略包括：增加训练数据、引入正则化（L1/L2）、Dropout、数据增强、早停、降低模型复杂度。欠拟合指模型在训练集和测试集上误差都较大，未能捕捉数据中的规律，通常由模型过于简单或特征不足导致。应对策略包括：增加模型复杂度、增加有效特征、减小正则化强度、延长训练时间。2.答案：基本思想：沿着损失函数关于参数的负梯度方向迭代更新参数，使损失逐步减小。更新公式为：3.答案：(1)卷积层：通过卷积核在输入特征图上滑动提取局部特征，利用参数共享大幅减少参数量。(2)池化层：对特征图进行下采样，降低空间分辨率与计算量，增强模型对局部平移的鲁棒性（常用最大池化、平均池化）。(3)全连接层：将