青海2025自考[生物医药数据科学]机器学习与药物发现易错题专练.docxVIP

第PAGE页共NUMPAGES页

青海2025自考[生物医药数据科学]机器学习与药物发现易错题专练

一、单选题（每题2分，共10题）

1.在机器学习模型中，以下哪种方法不属于监督学习？

A.支持向量机（SVM）

B.决策树

C.K-均值聚类

D.神经网络

2.以下哪种指标最适合评估分类模型的性能，尤其是在类别不平衡的情况下？

A.准确率（Accuracy）

B.精确率（Precision）

C.召回率（Recall）

D.F1分数

3.在药物发现中，活性筛选常用的机器学习模型是？

A.线性回归

B.逻辑回归

C.随机森林

D.线性判别分析（LDA）

4.以下哪种算法不属于集成学习方法？

A.随机森林

B.梯度提升树（GBDT）

C.AdaBoost

D.线性回归

5.在特征工程中，以下哪种方法不属于降维技术？

A.主成分分析（PCA）

B.线性判别分析（LDA）

C.特征选择

D.嵌入式降维

6.在药物虚拟筛选中，以下哪种分子描述符计算方法属于二维指纹？

A.三维拓扑指纹

B.2D指纹（如Morgan指纹）

C.3D-QSAR

D.分子对接

7.在机器学习模型训练中，以下哪种方法不属于过拟合的缓解手段？

A.正则化（L1/L2）

B.Dropout

C.数据增强

D.减小学习率

8.在药物设计中，以下哪种模型不属于生成模型？

A.变分自编码器（VAE）

B.生成对抗网络（GAN）

C.随机森林

D.变分贝叶斯模型

9.在生物活性预测中，以下哪种方法不属于定量构效关系（QSAR）模型？

A.线性回归

B.人工神经网络（ANN）

C.支持向量回归（SVR）

D.分子对接

10.在特征选择中，以下哪种方法不属于基于模型的特征选择？

A.Lasso回归

B.递归特征消除（RFE）

C.基于树的特征重要性

D.互信息（MutualInformation）

二、多选题（每题3分，共5题）

1.在药物虚拟筛选中，以下哪些属于常用的分子描述符？

A.2D指纹（如MACCS）

B.3D拓扑指纹

C.物理化学性质（如LogP）

D.分子对接得分

2.在机器学习模型评估中，以下哪些属于交叉验证方法？

A.留一法（LOOCV）

B.K折交叉验证

C.时间序列交叉验证

D.单次训练-测试分割

3.在药物设计中，以下哪些属于生成模型的应用场景？

A.分子生成

B.虚拟筛选

C.活性预测

D.药物优化

4.在特征工程中，以下哪些属于特征编码方法？

A.独热编码（One-HotEncoding）

B.标准化（Standardization）

C.LabelEncoding

D.哈希编码（Hashing）

5.在机器学习模型训练中，以下哪些属于正则化方法？

A.L1正则化（Lasso）

B.L2正则化（Ridge）

C.Dropout

D.早停法（EarlyStopping）

三、判断题（每题2分，共10题）

1.支持向量机（SVM）适用于高维数据，但计算复杂度较高。

2.逻辑回归属于监督学习，但只能用于二分类问题。

3.K-均值聚类属于无监督学习，适用于数据聚类分析。

4.在药物虚拟筛选中，分子描述符的计算越复杂，预测结果越准确。

5.交叉验证的主要目的是减少模型评估的随机性。

6.在特征选择中，互信息（MutualInformation）属于过滤法特征选择。

7.生成对抗网络（GAN）在药物设计中主要用于生成新分子结构。

8.线性回归在药物活性预测中适用于非线性关系建模。

9.在机器学习模型训练中，学习率过小会导致训练时间过长。

10.在生物活性预测中，QSAR模型比分子对接更常用。

四、简答题（每题5分，共5题）

1.简述机器学习在药物发现中的主要应用场景。

2.解释什么是特征工程，并列举三种常见的特征工程方法。

3.描述随机森林在药物虚拟筛选中的优势。

4.说明什么是过拟合，并列举三种缓解过拟合的方法。

5.简述生成模型在药物设计中的应用原理。

五、论述题（每题10分，共2题）

1.详细比较支持向量机（SVM）和逻辑回归在药物活性预测中的优缺点。

2.结合青海生物医药产业的实际情况，论述机器学习如何提升药物研发效率。

答案与解析

一、单选题

1.C

解析：K-均值聚类属于无监督学习，而其他选项（SVM、决策树、神经网络）均属于监督学习。

2.D

解析：F1分数综合考虑了精确率和召回率，适合类别不平衡场景；准确率易受多数类影响，精确率和召回率分别侧重于预测正确率和召回能力。

3.C

解析：随机森林通过集成多棵决策树提升预测性能，适用于药物活性筛