2025年人工智能工程师《机器学习》监督学习算法专项练习.docVIP

2025年人工智能工程师《机器学习》监督学习算法专项练习

一、单项选择题（共20题，每题2分）

1.逻辑回归模型的核心是通过以下哪种函数将线性回归结果映射到概率空间？

A.阶跃函数

B.Sigmoid函数

C.ReLU函数

D.双曲正切函数

答案：B

解析：逻辑回归使用Sigmoid函数（σ(x)=1/(1+e??)）将线性组合结果映射到[0,1]区间，用于二分类任务。阶跃函数不连续，ReLU和双曲正切函数常见于神经网络，非逻辑回归核心。

2.决策树中，CART算法的分裂标准是？

A.信息增益

B.信息增益率

C.基尼系数

D.均方误差

答案：C

解析：CART（分类与回归树）算法在分类任务中使用基尼系数（GiniIndex）衡量数据不纯性，回归任务使用均方误差。信息增益是ID3的标准，信息增益率是C4.5的改进。

3.支持向量机（SVM）的“间隔”是指？

A.正负类样本的特征差

B.分离超平面到最近样本点的距离的2倍

C.训练集与测试集的误差差

D.不同核函数的参数差异

答案：B

解析：SVM的最优超平面需最大化“间隔”，即超平面到正负类最近样本点（支持向量）的距离之和（两倍单方向距离）。其他选项均未准确描述间隔定义。

4.K近邻（KNN）算法中，k值过小时容易导致？

A.欠拟合

B.过拟合

C.计算效率提高

D.对噪声不敏感

答案：B

解析：k值过小（如k=1）时，模型过度依赖局部样本，对噪声敏感，泛化能力差，表现为过拟合；k值过大则模型过于平滑，易欠拟合。

5.随机森林（RandomForest）的基学习器是？

A.线性回归模型

B.逻辑回归模型

C.决策树

D.支持向量机

答案：C

解析：随机森林是Bagging集成方法的典型应用，基学习器为多棵决策树（通过自助采样和随机特征选择生成）。

6.线性回归模型中，均方误差（MSE）损失函数的作用是？

A.衡量预测值与真实值的绝对误差

B.最小化预测值与真实值的平方差之和

C.最大化模型的分类准确率

D.控制模型的复杂度

答案：B

解析：MSE=1/nΣ(y?-??)2，目标是最小化预测值与真实值的平方差之和，适用于回归任务。绝对误差对应MAE，分类准确率是分类任务指标，复杂度控制由正则化项实现。

7.以下哪项是逻辑回归的损失函数？

A.交叉熵损失

B.均方误差

C.hinge损失

D.指数损失

答案：A

解析：逻辑回归使用交叉熵损失（对数损失），公式为L=-1/nΣ[y?ln(??)+(1-y?)ln(1-??)]，用于衡量分类概率与真实标签的差异。均方误差用于回归，hinge损失是SVM的损失函数，指数损失常见于Adaboost。

8.梯度提升树（GBM）的核心思想是？

A.并行训练多个基模型并投票

B.迭代训练基模型，纠正前序模型的残差

C.随机选择特征子集训练基模型

D.对训练数据进行自助采样（Bootstrap）

答案：B

解析：GBM是Boosting集成方法，通过迭代训练基模型（如决策树），每个新模型拟合前序模型的残差（真实值与预测值的误差），逐步提升整体性能。A是Bagging（如随机森林）的特点，C和D是随机森林的具体策略。

9.以下哪种情况会导致模型欠拟合？

A.模型复杂度低，训练误差高，测试误差高

B.模型复杂度高，训练误差低，测试误差高

C.模型复杂度低，训练误差低，测试误差低

D.模型复杂度高，训练误差高，测试误差低

答案：A

解析：欠拟合时模型无法捕捉数据规律，训练误差和测试误差均较高（模型太简单）；过拟合时训练误差低但测试误差高（模型太复杂）。

10.正则化（Regularization）的主要目的是？

A.提高模型的训练速度

B.减少模型的过拟合风险

C.增加模型的复杂度

D.提升模型的预测精度

答案：B

解析：正则化通过在损失函数中添加惩罚项（如L1、L2）限制模型参数的大小，防止模型过度拟合训练数据，提升泛化能力。

11.朴素贝叶斯分类器的“朴素”假设是？

A.特征之间相互独立

B.数据服从正态分布

C.类别先验概率相等

D.特征取值为离散型

答案：A

解析：朴素贝叶斯假设各特征在给定类别下条件独立（“朴素”假设），简化了联合概率的计算，实际中特征可能相关，但算法仍表现良好。

12.以下哪项属于分类任务？

A.预测房价（连续值）

B.识别图像中的猫或狗

C.预测明日气温（连续值）

D.估计用户月消费金额（连续值）

答案：B

解析：分类任务输出离散类别（如猫/狗），回归任务输出连续值（如房价、气温、消费金额）。

13.SVM中使用核函数（Kernel）的主要目的是？

A.降低计算复杂度

B.将低维线性不可分数据映射到高维线性可分空间

C.减少支持向量的数量

D.提高模型的训练速度

答案：B

解析：核函数（如RBF核、多项式核）通过隐式映射将低