人工智能练习题及答案.docxVIP

人工智能练习题及答案

一、机器学习基础

（一）选择题

1.以下哪项不属于监督学习的典型任务？

A.图像分类

B.情感分析

C.异常检测

D.房价预测

答案：C

解析：监督学习需要标签数据，任务包括分类（图像分类、情感分析）和回归（房价预测）；异常检测通常属于无监督学习，通过数据分布识别异常样本，无需标签。

2.以下哪种情况最适合使用k近邻（k-NN）算法？

A.高维稀疏文本数据分类

B.大规模结构化数据回归预测

C.小样本量且特征维度低的分类问题

D.实时性要求极高的在线预测系统

答案：C

解析：k-NN计算复杂度与样本量和特征维度正相关，高维数据易受“维度灾难”影响（A错误）；大规模数据下计算效率低（B错误）；实时性要求高时，每次预测需遍历所有样本，延迟大（D错误）；小样本、低维场景下，k-NN无需训练阶段，直接基于距离计算即可完成分类，是理想选择（C正确）。

（二）简答题

1.解释“偏差-方差权衡”（Bias-VarianceTradeoff）的核心含义，并说明过拟合和欠拟合分别对应哪种情况。

答案：偏差-方差权衡描述了模型泛化误差的两个主要来源：偏差（Bias）反映模型对真实函数的近似能力，偏差过高意味着模型过于简单（如线性模型拟合非线性关系），无法捕捉数据中的复杂模式；方差（Variance）反映模型对训练数据波动的敏感程度，方差过高意味着模型过于复杂（如高次多项式），过度拟合训练数据的噪声。

过拟合时，模型在训练集上表现很好但测试集上表现差，对应高方差（模型对训练数据的噪声过度敏感）；欠拟合时，模型在训练集和测试集上表现都差，对应高偏差（模型无法捕捉数据的本质规律）。

2.简述交叉验证（CrossValidation）的作用及常用方法（至少两种）。

答案：交叉验证用于评估模型的泛化能力，通过将数据集划分为训练集和验证集，多次迭代训练和验证，减少单次随机划分带来的评估误差。常用方法包括：

（1）k折交叉验证（k-FoldCV）：将数据均分为k个子集，每次用k-1个子集训练，1个子集验证，重复k次取平均结果；

（2）留一交叉验证（LOOCV）：k等于样本量n，每次留1个样本验证，其余训练，计算量较大但评估结果稳定；

（3）分层交叉验证（StratifiedCV）：在分类任务中，保持每个折中类别比例与原数据一致，避免类别分布不均导致的评估偏差。

（三）计算题

假设某线性回归模型的假设函数为\(h_\theta(x)=\theta_0+\theta_1x_1+\theta_2x_2\)，训练集包含3个样本：

样本1：\((x_1=1,x_2=2,y=5)\)

样本2：\((x_1=3,x_2=4,y=11)\)

样本3：\((x_1=2,x_2=3,y=8)\)

使用最小二乘法求解参数\(\theta_0,\theta_1,\theta_2\)。

答案：

线性回归的最小二乘目标是最小化均方误差\(J(\theta)=\frac{1}{2m}\sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})^2\)（这里m=3，系数1/2为求导方便）。

将假设函数表示为矩阵形式\(X\theta=y\)，其中：

\(X=\begin{bmatrix}112\\134\\123\end{bmatrix}\)（每行对应一个样本，第一列为偏置项\(x_0=1\)），

\(\theta=\begin{bmatrix}\theta_0\\\theta_1\\\theta_2\end{bmatrix}\)，

\(y=\begin{bmatrix}5\\11\\8\end{bmatrix}\)。

最小二乘解为\(\theta=(X^TX)^{-1}X^Ty\)。

计算\(X^TX\)：

\(X^TX=\begin{bmatrix}111\\132\\243\end{bmatrix}\begin{bmatrix}112\\134\\123\end{bmatrix}=\begin{bmatrix}369\\61420\\92029\end{bmatrix}\)

计算\(X^Ty\)：

\(X^Ty=\begin{bmatrix}111\\132\\24