2025年人工智能与机器学习基础知识考试试题及答案.docxVIP

2025年人工智能与机器学习基础知识考试试题及答案

一、单项选择题（每题2分，共20分）

1.以下哪项属于监督学习任务？

A.对用户点击日志进行聚类分析

B.预测房价随面积变化的趋势

C.从无标签图像中提取特征模式

D.检测信用卡交易中的异常样本

答案：B（监督学习需要标签数据，房价预测属于回归任务，有明确标签；A为聚类（无监督），C为特征学习（无监督），D为异常检测（通常无监督或半监督））

2.关于支持向量机（SVM）的核函数，以下描述错误的是？

A.线性核适用于特征维度高且线性可分的场景

B.高斯核（RBF核）通过映射到无限维空间解决非线性问题

C.多项式核的复杂度随阶数增加而显著上升

D.核函数的选择不影响SVM的决策边界形状

答案：D（核函数直接决定了数据在高维空间的映射方式，从而影响决策边界形状）

3.在训练深度神经网络时，若损失函数长期不下降，可能的原因不包括？

A.学习率设置过小

B.输入数据未进行归一化

C.激活函数选择ReLU

D.训练数据与测试数据分布差异大

答案：C（ReLU是常用激活函数，通常不会导致损失不下降；学习率过小会导致收敛慢，数据未归一化可能导致梯度不稳定，数据分布差异会导致模型无法学习有效特征）

4.以下哪项是随机森林（RandomForest）与梯度提升树（GBDT）的核心区别？

A.随机森林基于Bagging，GBDT基于Boosting

B.随机森林只能处理分类问题，GBDT可处理回归

C.随机森林使用决策树作为基模型，GBDT使用线性模型

D.随机森林需要特征缩放，GBDT不需要

答案：A（随机森林是Bagging集成方法，通过样本和特征的随机采样降低方差；GBDT是Boosting方法，通过迭代拟合残差降低偏差）

5.计算交叉熵损失时，若真实标签为独热编码（One-Hot）的三分类问题，预测概率为[0.2,0.5,0.3]，则损失值为？（取自然对数）

A.-ln(0.2)

B.-0.2ln(0.2)-0.5ln(0.5)-0.3ln(0.3)

C.-ln(0.5)

D.-(0.2+0.5+0.3)ln((0.2+0.5+0.3)/3)

答案：C（交叉熵损失对于独热编码标签，仅计算真实类别对应的预测概率的负对数；假设真实标签为第二类，则损失为-ln(0.5)）

6.关于K近邻（KNN）算法，以下说法正确的是？

A.K值越小，模型复杂度越低

B.无需显式训练过程，仅依赖存储的训练数据

C.对高维数据的分类效果优于低维数据

D.距离度量只能使用欧氏距离

答案：B（KNN是惰性学习算法，训练阶段仅存储数据，预测时计算距离；K值越小，模型越容易过拟合（复杂度越高）；高维数据存在“维数灾难”，距离度量可选择曼哈顿距离、余弦相似度等）

7.在卷积神经网络（CNN）中，3×3卷积核的感受野与1×1卷积核的主要区别是？

A.3×3核能捕获局部空间特征，1×1核仅调整通道数

B.3×3核的计算量小于1×1核

C.1×1核无法提取任何空间信息

D.两者的参数量相同

答案：A（3×3卷积通过空间邻域提取特征，1×1卷积用于通道间信息融合（如调整通道数或实现跨通道交互）；3×3核参数量为3×3×C_in×C_out，1×1核为1×1×C_in×C_out，计算量更大；1×1核能通过通道维度间接利用空间信息）

8.以下哪项不是循环神经网络（RNN）处理长序列时的主要问题？

A.梯度爆炸

B.梯度消失

C.计算复杂度随序列长度线性增长

D.无法捕捉序列中的长期依赖

答案：D（RNN理论上可捕捉长期依赖，但由于梯度消失/爆炸问题，实际中难以学习长距离依赖；计算复杂度与序列长度相关，是其固有缺陷）

9.在模型评估中，精确率（Precision）的计算公式是？

A.真阳性/(真阳性+假阳性)

B.真阳性/(真阳性+假阴性)

C.真阴性/(真阴性+假阳性)

D.(真阳性+真阴性)/(总样本数)

答案：A（精确率衡量预测为正的样本中实际为正的比例，公式为TP/(TP+FP)）

10.关于Transformer模型中的自注意力机制（Self-Attention），以下描述错误的是？

A.查询（Query）、键（Key）、值（Value）通过线性变换从输入中生成

B.注意力分数通过Query与Key的点积计算

C.多头注意力（Multi-HeadAttention）通过多个独立注意力头增