2025年机器学习与人工智能实践课程考试试题及答案.docxVIP

2025年机器学习与人工智能实践课程考试试题及答案

一、单项选择题（每题2分，共20分）

1.以下哪种方法最适合解决机器学习模型的过拟合问题？

A.增加训练数据量

B.减少模型的隐藏层神经元数量

C.提高学习率

D.移除正则化项

答案：A

解析：过拟合的本质是模型对训练数据过度学习，泛化能力差。增加训练数据量可提升模型对真实分布的捕捉能力；减少隐藏层神经元（降低模型复杂度）也可缓解过拟合，但选项中A更直接有效；提高学习率可能导致训练不稳定，移除正则化项会加剧过拟合。

2.梯度下降算法中，以下哪种变体的计算效率最高？

A.批量梯度下降（BatchGD）

B.随机梯度下降（SGD）

C.小批量梯度下降（Mini-batchGD）

D.动量梯度下降（MomentumGD）

答案：C

解析：批量梯度下降每次使用全部数据，计算耗时；随机梯度下降每次用1个样本，方差大但速度快；小批量梯度下降结合两者，使用部分样本（如32-256），在计算效率和参数更新稳定性间取得平衡，实际中最常用；动量梯度下降是优化策略，不直接影响单次迭代效率。

3.在二分类任务中，若正样本占比仅1%，最适合的评估指标是？

A.准确率（Accuracy）

B.F1分数

C.均方误差（MSE）

D.ROC-AUC

答案：D

解析：当数据类别极不均衡时，准确率会因多数类主导而失效（如全预测负样本准确率99%）；F1分数综合精确率和召回率，但需设定阈值；MSE适用于回归任务；ROC-AUC衡量模型在所有阈值下的分类能力，对类别不平衡不敏感，更适合此类场景。

4.以下哪项不是Transformer模型的核心组件？

A.自注意力机制（Self-Attention）

B.位置编码（PositionalEncoding）

C.循环神经网络（RNN）

D.前馈神经网络（FFN）

答案：C

解析：Transformer通过自注意力机制替代了RNN的序列处理方式，避免了长依赖问题；位置编码用于补充序列中的位置信息；前馈网络对每个位置的特征进一步变换。RNN并非Transformer的组成部分。

5.训练深度神经网络时，若输入数据未标准化（如均值不为0，方差较大），最可能导致的问题是？

A.激活函数输出饱和

B.梯度消失

C.模型欠拟合

D.学习率失效

答案：A

解析：未标准化的输入可能使激活函数（如Sigmoid、Tanh）的输入值过大，导致输出趋近于0或1，进入饱和区，梯度接近0，影响训练效率；梯度消失更多由深层网络和不合适的激活函数（如Sigmoid）叠加导致；欠拟合与模型复杂度不足相关；学习率失效与优化器参数设置有关。

6.以下哪种强化学习算法属于基于策略的方法？

A.Q-learning

B.DQN（深度Q网络）

C.DDPG（深度确定性策略梯度）

D.SARSA

答案：C

解析：基于策略的方法直接优化策略函数（输出动作概率或确定性动作），DDPG通过确定性策略网络输出动作，属于基于策略；Q-learning、DQN、SARSA均基于值函数（估计状态-动作对的价值），属于基于价值的方法。

7.在K-means聚类中，若初始质心选择不当，最可能导致的结果是？

A.聚类结果陷入局部最优

B.算法无法收敛

C.簇的数量错误

D.计算复杂度激增

答案：A

解析：K-means的目标是最小化样本到质心的距离平方和，初始质心选择会影响最终聚类结果。若初始质心离真实簇中心较远，可能导致算法收敛到局部最优（而非全局最优）；算法通过迭代更新质心，通常会收敛；簇的数量由用户设定，与初始质心无关；计算复杂度主要与样本量和迭代次数相关。

8.以下哪种技术不属于迁移学习的应用场景？

A.用ImageNet预训练的ResNet模型微调至医学影像分类

B.将英文情感分析模型的参数迁移至中文情感分析

C.用随机初始化的CNN训练MNIST手写数字识别

D.基于GPT预训练模型进行文本生成任务微调

答案：C

解析：迁移学习利用源领域的知识（如预训练模型参数）提升目标领域性能。选项C中模型随机初始化，未利用任何外部知识，属于从头训练；其他选项均通过预训练模型迁移参数或结构。

9.在支持向量机（SVM）中，核函数的作用是？

A.降低特征维度

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.平衡正负样本权重

答案：B

解析：核函数（如RBF核、多项式核）