2025年人工智能与机器学习入门考试试题及答案.docxVIP

2025年人工智能与机器学习入门考试试题及答案

一、单项选择题（每题2分，共20分）

1.以下哪项不属于监督学习任务？

A.预测房价（连续值）

B.图像分类（多类别）

C.客户分群（无标签）

D.情感分析（二分类）

2.决策树中，信息增益的计算基于以下哪个指标的变化？

A.基尼系数

B.熵

C.均方误差

D.交叉熵

3.以下哪种方法最适合解决高维数据中的过拟合问题？

A.增加训练数据量

B.降低学习率

C.添加L2正则化

D.减少隐藏层神经元数量

4.在K近邻（KNN）算法中，当K值过小时，模型容易出现：

A.高偏差、低方差

B.低偏差、高方差

C.高偏差、高方差

D.低偏差、低方差

5.逻辑回归的损失函数通常使用：

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.绝对值误差（MAE）

D.Hinge损失

6.以下哪项是循环神经网络（RNN）处理长序列时的主要缺陷？

A.计算复杂度高

B.梯度消失/爆炸

C.无法并行计算

D.对局部特征不敏感

7.在支持向量机（SVM）中，核函数的作用是：

A.降低数据维度

B.将低维线性不可分数据映射到高维线性可分空间

C.加速模型训练

D.减少过拟合风险

8.以下哪种评估指标最适合不平衡数据集的分类任务？

A.准确率（Accuracy）

B.F1分数（F1-Score）

C.均方根误差（RMSE）

D.决定系数（R2）

9.强化学习中的“奖励函数”主要用于：

A.定义状态转移概率

B.指导智能体优化策略

C.预处理输入数据

D.评估模型泛化能力

10.Transformer模型中的“多头注意力”机制主要目的是：

A.减少计算量

B.捕捉不同子空间的上下文信息

C.避免过拟合

D.加速梯度下降

二、填空题（每空1分，共15分）

1.机器学习的三要素包括模型、策略和__________。

2.线性回归模型的参数估计通常使用__________法（最小化均方误差）。

3.梯度下降的三种变体中，__________梯度下降每次使用全部样本计算梯度，__________梯度下降每次使用单个样本，__________梯度下降使用小批量样本。

4.卷积神经网络（CNN）中，卷积层的作用是提取__________，池化层的作用是__________。

5.生成对抗网络（GAN）由__________和__________两个部分组成，通过对抗训练优化。

6.评估回归模型的常用指标有均方误差（MSE）、__________（MAE）和__________（R2）。

7.无监督学习的典型任务包括__________（如K-means）和__________（如PCA）。

8.自然语言处理（NLP）中，词嵌入（WordEmbedding）的典型模型有__________（如Word2Vec）和__________（如BERT）。

三、简答题（每题5分，共25分）

1.解释“偏差-方差权衡”（Bias-VarianceTradeoff）的含义，并说明其对模型选择的指导意义。

2.简述交叉验证（CrossValidation）的基本步骤及作用，常见的交叉验证方法有哪些？

3.比较随机森林（RandomForest）和梯度提升树（GradientBoostingDecisionTree,GBDT）的异同。

4.说明为什么深度学习模型需要激活函数，常用的激活函数有哪些（至少列举3种），并简述其优缺点。

5.列举机器学习项目的完整流程（至少6个步骤），并说明每个步骤的核心任务。

四、计算题（每题10分，共30分）

1.信息增益计算：假设某数据集有100个样本，目标变量为“是否购买”（是/否），其中“是”有60个样本，“否”有40个样本。现有一个特征“年龄”，将其分为“青年”（≤30岁，40个样本，其中“是”25个，“否”15个）和“非青年”（30岁，60个样本，其中“是”35个，“否”25个）。计算该特征的信息增益（要求写出熵和条件熵的计算过程）。

2.KNN分类预测：已知训练集有4个样本，特征为二维（x1,x2），标签为A或B：

-样本1：(1,2)，标签A

-样本2：(3,4)，标签B

-样本3：(2,1)，标签A

-样本