重庆2025自考[生物医药数据科学]机器学习与药物发现易错题专练.docxVIP

第PAGE页共NUMPAGES页

重庆2025自考[生物医药数据科学]机器学习与药物发现易错题专练

一、单选题（每题2分，共20题）

1.在机器学习模型中，以下哪种方法不属于过拟合的解决策略？

A.增加训练数据量

B.使用正则化技术

C.降低模型复杂度

D.增加模型的层数

2.以下哪种算法通常用于处理生物医药领域中的分类问题？

A.线性回归

B.K近邻（KNN）

C.决策树回归

D.主成分分析（PCA）

3.在药物发现中，以下哪种指标常用于评估模型的预测性能？

A.变异系数（CV）

B.AUC（ROC曲线下面积）

C.决定系数（R2）

D.均方误差（MSE）

4.以下哪种技术常用于处理生物医药数据中的缺失值？

A.插值法

B.删除法

C.特征编码

D.标准化

5.在药物活性预测中，以下哪种模型通常具有较好的解释性？

A.神经网络

B.支持向量机（SVM）

C.决策树

D.随机森林

6.在特征选择过程中，以下哪种方法不属于过滤法？

A.卡方检验

B.Lasso回归

C.相关性分析

D.递归特征消除（RFE）

7.在药物筛选中，以下哪种指标常用于评估候选药物的成药性？

A.毒性指数

B.半数有效量（ED50）

C.药代动力学参数

D.以上都是

8.在机器学习模型中，以下哪种方法不属于集成学习？

A.随机森林

B.AdaBoost

C.梯度提升树（GBDT）

D.线性回归

9.在生物医药数据中，以下哪种方法常用于降维？

A.线性判别分析（LDA）

B.线性回归

C.逻辑回归

D.K均值聚类

10.在药物发现中，以下哪种算法常用于分子对接的评分？

A.逻辑回归

B.支持向量回归（SVR）

C.朴素贝叶斯

D.决策树

二、多选题（每题3分，共10题）

1.在机器学习模型中，以下哪些方法属于过拟合的解决策略？

A.数据增强

B.使用Dropout

C.降低模型复杂度

D.增加训练数据量

2.在生物医药数据中，以下哪些指标常用于评估模型的预测性能？

A.AUC

B.F1分数

C.变异系数（CV）

D.平均绝对误差（MAE）

3.在药物发现中，以下哪些技术常用于处理高维数据？

A.PCA

B.LDA

C.t-SNE

D.KPCA

4.在特征选择过程中，以下哪些方法属于包裹法？

A.递归特征消除（RFE）

B.基于树的特征选择

C.逐步回归

D.卡方检验

5.在药物筛选中，以下哪些指标常用于评估候选药物的成药性？

A.药代动力学参数

B.毒性指数

C.半数有效量（ED50）

D.分子量

6.在机器学习模型中，以下哪些方法属于集成学习？

A.随机森林

B.AdaBoost

C.梯度提升树（GBDT）

D.神经网络

7.在生物医药数据中，以下哪些方法常用于降维？

A.PCA

B.LDA

C.t-SNE

D.UMAP

8.在药物发现中，以下哪些算法常用于分子对接的评分？

A.支持向量回归（SVR）

B.逻辑回归

C.决策树

D.朴素贝叶斯

9.在特征选择过程中，以下哪些方法属于过滤法？

A.卡方检验

B.相关性分析

C.递归特征消除（RFE）

D.Lasso回归

10.在药物筛选中，以下哪些指标常用于评估候选药物的安全性？

A.毒性指数

B.药代动力学参数

C.半数有效量（ED50）

D.药物相互作用

三、判断题（每题2分，共10题）

1.过拟合是指模型在训练数据上表现良好，但在测试数据上表现较差的现象。（√）

2.K近邻（KNN）算法是一种无监督学习算法。（×）

3.AUC（ROC曲线下面积）是评估分类模型性能的常用指标。（√）

4.在药物发现中，分子对接技术常用于预测药物的活性。（√）

5.数据增强是一种解决过拟合的有效方法。（√）

6.卡方检验是一种常用的过滤法特征选择方法。（√）

7.决策树是一种具有较好解释性的模型。（√）

8.递归特征消除（RFE）是一种包裹法特征选择方法。（√）

9.药物成药性评估主要关注药物的毒性和有效性。（√）

10.支持向量机（SVM）是一种常用的集成学习方法。（×）

四、简答题（每题5分，共5题）

1.简述过拟合的解决策略及其在生物医药数据中的应用。

2.解释AUC（ROC曲线下面积）在药物活性预测中的意义。

3.描述特征选择在药物发现中的重要性及其常用方法。

4.说明分子对接技术在药物发现中的作用及其常用算法。

5.阐述机器学习模型在药物成药性评估中的应用及其优势。

五、论述题（每题10分，共2题）

1.结合重庆生物医药产业的实际情况，论述机器学习在药物发现中的应用前景