2025年大学认知科学与技术专业题库—— 机器学习与认知神经科学.docxVIP

2025年大学认知科学与技术专业题库——机器学习与认知神经科学

考试时间：______分钟总分：______分姓名：______

一、

简述机器学习中过拟合和欠拟合的概念，并分别说明可能导致这两种现象的原因。

二、

比较支持向量机（SVM）和K近邻（KNN）两种分类算法的主要区别，包括它们的核心思想、优缺点以及适用场景。

三、

解释什么是特征工程，并列举至少三种常见的特征工程技术，简要说明其目的。

四、

认知神经科学中常用的脑成像技术有哪些？请至少列举三种，并简要说明其中一种技术的原理及其在研究认知功能方面的主要应用。

五、

描述一下感知觉信息在大脑中的处理过程，并提及至少两个相关的认知神经科学研究范式。

六、

机器学习如何在认知神经科学研究中发挥作用？请结合具体的例子，说明如何利用机器学习技术分析脑成像数据或行为数据来探究大脑的工作机制。

七、

阐述连接主义模型（或人工神经网络）在模拟认知过程方面的潜力与局限性。

八、

在利用机器学习方法分析认知神经科学数据时，数据预处理和特征提取环节至关重要。请分别说明这两个环节的重要性，并各列举一个可能遇到的具体挑战。

九、

设想一个研究场景，例如探究学习对大脑结构和功能的影响。请简要说明如何结合机器学习和认知神经科学的方法设计该研究，并说明机器学习在其中可以扮演的角色。

十、

评述将深度学习应用于大规模认知神经科学数据库的潜力和挑战。

试卷答案

一、

过拟合是指机器学习模型在训练数据上表现非常好，但在未见过的新数据上表现却很差的现象。这通常是因为模型过于复杂，学习到了训练数据中的噪声和细节，而非潜在的普遍规律。导致过拟合的原因包括：模型复杂度过高（如使用过多层数或神经元的神经网络、高阶多项式回归）、训练数据量不足、训练时间过长等。

欠拟合是指模型过于简单，未能捕捉到训练数据中的主要模式，导致在训练数据和未见的新数据上都表现不佳。导致欠拟合的原因包括：模型复杂度不足（如使用过于简单的模型、低阶多项式回归）、特征选择不当（重要特征缺失）、训练数据量过大或噪声过多导致模型无法学习到有效模式等。

二、

主要区别：

1.核心思想：SVM旨在找到一个最优超平面，将不同类别的数据点在特征空间中分离开，且使分类间隔最大。KNN则基于“近朱者赤”的思想，通过计算待分类样本与训练集中所有样本的距离，选取距离最近的K个邻居，根据这些邻居的类别进行投票决定待分类样本的类别。

2.优缺点：

*SVM：优点是能有效处理高维数据，对非线性问题通过核技巧可以变换到高维空间解决，泛化能力较强。缺点是计算复杂度较高，尤其是在大规模数据集上；对参数选择和核函数选择敏感；结果有时不够直观。

*KNN：优点是原理简单，实现容易，无需训练过程，对异常值不敏感，能较好地反映局部区域的数据结构。缺点是计算复杂度高（需要存储所有训练数据），对维度灾难敏感（高维空间中距离计算意义不大），对参数K的选择敏感，泛化能力可能不如SVM。

3.适用场景：SVM适用于小到中等规模的数据集，特别是当数据维度较高或类别边界非线性时。KNN适用于数据集规模较大，且能够接受较高计算成本的情况，尤其适合探索性分析。

三、

特征工程是指从原始数据中提取或构造出更有信息量、更能有效帮助机器学习模型学习的新特征的过程。其目的是改善模型的性能和效率。

常见的特征工程技术：

1.特征缩放（FeatureScaling）：如标准化（Z-scorenormalization）和归一化（Min-Maxscaling），目的是使不同特征的数值范围一致，避免某些特征因数值范围过大而对模型产生不成比例的影响。

2.特征编码（FeatureEncoding）：如将类别型特征转换为数值型特征，常用方法有独热编码（One-HotEncoding）和标签编码（LabelEncoding）。

3.特征构造（FeatureConstruction）：基于原始特征创建新的、可能更有预测能力的特征，例如通过组合现有特征（如计算两个特征的比值）、使用多项式特征等。

4.特征选择（FeatureSelection）：从现有特征中选择一个子集用于模型训练，常用方法有过滤法（如基于方差、相关系数）、包裹法（如递归特征消除）和嵌入法（如L1正则化）。

四、

常用的脑成像技术：功能性磁共振成像（fMRI）、脑电图（EEG）、脑磁图（MEG）、事件相关电位（ERP）、经颅磁刺激（TMS）、结构磁共振成像（sMRI）等。

说明一种技术及其应用：

*技术：功能性磁共振成像（fMRI）

*原理：fMRI基于“血氧水平依赖”（BOLD）效应，即神经活动增强时，局部脑血流量和血氧含量会发生变化，这些变化会引起大脑组织