2025年机器学习应用技术考试试卷及答案.docxVIP

2025年机器学习应用技术考试试卷及答案

一、单项选择题（每题2分，共20分）

1.以下哪种机器学习任务属于无监督学习？

A.预测房价（连续值）

B.图像分类（给定标签）

C.客户分群（无先验标签）

D.情感分析（正/负向）

2.关于Transformer模型的描述，错误的是？

A.自注意力机制允许模型并行计算

B.位置编码用于捕捉序列中的顺序信息

C.解码器仅使用自注意力层

D.多头注意力通过多个子空间增强特征提取能力

3.在二分类任务中，若模型预测正类的概率阈值从0.5调整为0.6，最可能发生的变化是？

A.召回率上升，精确率下降

B.召回率下降，精确率上升

C.F1分数一定上升

D.准确率一定上升

4.以下哪项不是梯度下降算法的优化变体？

A.Adam

B.RMSprop

C.L1正则化

D.Momentum

5.小样本学习（Few-shotLearning）的核心目标是？

A.仅用少量标注数据训练高性能模型

B.提升大规模数据下的训练效率

C.解决类别不平衡问题

D.降低模型参数量

6.多模态学习中，“文本-图像”对齐任务的关键是？

A.统一不同模态的特征空间

B.增加单一模态的特征维度

C.减少计算复杂度

D.提高模型泛化到新模态的能力

7.联邦学习（FederatedLearning）的主要挑战是？

A.数据集中存储带来的隐私风险

B.各参与方数据分布差异（非独立同分布）

C.模型参数量过大导致训练缓慢

D.标注数据不足

8.关于XGBoost与LightGBM的对比，正确的是？

A.XGBoost使用GOSS采样，LightGBM使用预排序算法

B.LightGBM支持类别特征直接输入，XGBoost需独热编码

C.XGBoost采用深度优先分裂，LightGBM采用叶子优先分裂

D.两者均不支持并行计算

9.在卷积神经网络（CNN）中，1×1卷积核的主要作用是？

A.增加感受野

B.降低/调整特征图通道数

C.提取局部空间特征

D.替代全连接层

10.以下哪种损失函数适用于多分类任务且直接优化类别间的区分度？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.三元组损失（TripletLoss）

D.铰链损失（HingeLoss）

二、填空题（每空2分，共20分）

1.逻辑回归的决策函数是\_\_\_\_\_\_\_\_\_\_\_\_。

2.随机森林通过\_\_\_\_\_\_\_\_\_\_\_（采样方法）和\_\_\_\_\_\_\_\_\_\_\_（特征采样）实现基模型的多样性。

3.正则化的核心目的是\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_。

4.Transformer模型中，注意力得分的计算式为\_\_\_\_\_\_\_\_\_\_\_\_（用Q、K表示）。

5.生成对抗网络（GAN）由\_\_\_\_\_\_\_\_\_\_\_和\_\_\_\_\_\_\_\_\_\_\_两个子网络组成。

6.小样本学习的典型方法包括\_\_\_\_\_\_\_\_\_\_\_（如MAML）和\_\_\_\_\_\_\_\_\_\_\_（如原型网络）。

7.评估推荐系统的常用指标除准确率外，还包括\_\_\_\_\_\_\_\_\_\_\_（衡量覆盖范围）和\_\_\_\_\_\_\_\_\_\_\_（衡量新颖性）。

三、简答题（每题8分，共40分）

1.简述过拟合的定义、常见原因及至少3种解决方法。

2.对比随机森林（RandomForest）与XGBoost在模型结构、优化目标和适用场景上的差异。

3.解释BERT预训练的两个核心任务（MLM和NSP），并说明NSP任务在后续改进（如RoBERTa）中被移除的原因。

4.小样本学习（Few-shotLearning）面临的主要挑战有哪些？列举2种主流解决方法并简述其原理。

5.多模态学习中，“早期融合”与“晚期融合”的区别是什么？各举1种典型方法并分析其优缺点。

四、编程题（共20分）

任务1（10分）：使用PyTorch实现一个逻辑回归模型，完成二分类任务

数据描述：给定二维特征数据集`X_train`（形状[1000,2]）、标签`y_train`（0/1，形状[1000]），`X_test`（形状[