2025年机器学习工程师考试题库（附答案和详细解析）（1106）.docxVIP

机器学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

逻辑回归模型的损失函数通常使用以下哪一种？

A.均方误差（MSE）

B.交叉熵损失（Cross-EntropyLoss）

C.绝对误差（MAE）

D.HingeLoss

答案：B

解析：逻辑回归用于二分类问题，其输出是概率值，交叉熵损失能够有效衡量预测概率与真实标签的差异（真实标签为0或1）。均方误差（A）常用于回归任务；绝对误差（C）同样多用于回归；HingeLoss（D）是支持向量机的损失函数。

以下哪种方法最适合解决模型过拟合问题？

A.增加训练数据量

B.减少特征数量

C.提高学习率

D.增加模型层数

答案：A

解析：过拟合的本质是模型对训练数据的噪声过度学习，增加训练数据量（A）可以让模型学习更通用的特征。减少特征数量（B）可能丢失有用信息；提高学习率（C）会导致优化不稳定；增加模型层数（D）会增强模型复杂度，可能加剧过拟合。

在k近邻（k-NN）算法中，k值的选择会影响模型性能。当k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

答案：B

解析：k值过小（如k=1）时，模型对局部数据过于敏感，容易受噪声影响，导致方差大（预测结果波动大），但偏差小（能拟合训练数据）。k值过大则会导致偏差增大（模型过于平滑）。

以下哪项不是特征归一化（Normalization）的常用方法？

A.最小-最大缩放（Min-MaxScaling）

B.Z-score标准化（Z-scoreStandardization）

C.独热编码（One-HotEncoding）

D.对数变换（LogTransformation）

答案：C

解析：独热编码（C）是处理类别特征的方法，用于将离散特征转化为二进制向量；其他选项均为数值特征的归一化方法：最小-最大缩放将数据缩放到[0,1]，Z-score标准化使数据均值为0、方差为1，对数变换用于处理偏态分布数据。

梯度下降优化过程中，“梯度”的数学意义是：

A.损失函数的二阶导数

B.损失函数在当前点的切线斜率（方向导数最大值方向）

C.模型参数的权重之和

D.训练数据的平均误差

答案：B

解析：梯度是损失函数对参数的一阶偏导数组成的向量，指向损失函数增长最快的方向，因此梯度下降沿负梯度方向更新参数以最小化损失。二阶导数（A）对应Hessian矩阵；参数权重之和（C）与正则化相关；平均误差（D）是损失函数的一种形式（如MSE）。

以下哪种评估指标最适合不均衡分类数据集（如正类样本占1%）？

A.准确率（Accuracy）

B.F1分数（F1-Score）

C.均方根误差（RMSE）

D.R平方（R2）

答案：B

解析：在不均衡数据中，准确率（A）会因多数类主导而虚高（如全预测为负类时准确率99%）；F1分数综合了精确率和召回率，能更客观评估少数类的分类效果；RMSE（C）和R2（D）是回归任务的评估指标。

支持向量机（SVM）中，核函数（Kernel）的主要作用是：

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.减少计算复杂度

D.增加模型的正则化强度

答案：B

解析：核函数通过隐式映射将原始低维空间中的非线性可分数据转换为高维空间中的线性可分数据，避免了显式计算高维特征的复杂度。降低维度（A）是降维算法（如PCA）的作用；减少计算复杂度（C）是核技巧的副作用而非主要目的；正则化强度由参数C控制（D）。

在决策树中，信息增益（InformationGain）的计算基于：

A.基尼系数（GiniImpurity）

B.熵（Entropy）

C.均方误差（MSE）

D.互信息（MutualInformation）

答案：B

解析：信息增益=父节点熵-子节点加权熵，用于衡量特征分割数据的能力。基尼系数（A）是CART树的分裂指标；MSE（C）用于回归树；互信息（D）与信息增益等价，但计算方式不同。

以下哪种深度学习优化器结合了动量（Momentum）和自适应学习率（AdaptiveLearningRate）的特性？

A.SGD

B.Adam

C.RMSprop

D.Adagrad

答案：B

解析：Adam（AdaptiveMomentEstimation）同时维护了梯度的一阶动量（类似动量）和二阶动量（自适应学习率），是当前最常用的优化器之一。SGD（A）仅使用梯度；RMSprop（C）和Adagrad（D）仅自适应学习率但无动量项。

以下哪项不属于集成学习（EnsembleLearning）的典型方法？

A.袋装（Bagging）

B.提升（Boost