2025年机器学习工程师考试题库（附答案和详细解析）（0929）.docxVIP

机器学习工程师考试试卷（总分100分）

一、单项选择题（共10题，每题1分，共10分）

以下哪项属于监督学习任务？

A.客户分群（聚类）

B.图像风格迁移（生成模型）

C.垃圾邮件分类（分类）

D.股票价格趋势预测（无监督异常检测）

答案：C

解析：监督学习需要标注的训练数据，目标是学习输入到输出的映射。垃圾邮件分类需要标注“垃圾/非垃圾”的标签，属于分类任务（监督学习）。A是无监督学习（聚类），B是生成模型（通常基于无监督或半监督），D若为异常检测则是无监督，若为预测具体价格则是回归（监督），但选项描述为“趋势预测”且未明确标签，故不选。

评估分类模型时，F1分数是以下哪两个指标的调和平均？

A.准确率（Accuracy）和召回率（Recall）

B.精确率（Precision）和召回率（Recall）

C.精确率（Precision）和准确率（Accuracy）

D.真阳性率（TPR）和假阳性率（FPR）

答案：B

解析：F1分数定义为精确率（查准率）和召回率（查全率）的调和平均，公式为(F1=2)。A中的准确率是总正确比例，与召回率无关；C错误；D是ROC曲线的坐标轴，与F1无关。

正则化（Regularization）的主要目的是？

A.加速模型训练

B.防止过拟合

C.提高模型复杂度

D.减少计算资源消耗

答案：B

解析：正则化通过在损失函数中添加惩罚项（如L1/L2范数），限制模型参数的大小，避免模型过度拟合训练数据的噪声，从而提升泛化能力。A是梯度下降优化的目标（如动量法），C与正则化相反（正则化会降低复杂度），D是模型压缩的目标。

以下哪种优化算法在训练时使用全部训练数据计算梯度？

A.随机梯度下降（SGD）

B.小批量梯度下降（Mini-batchGD）

C.批量梯度下降（BatchGD）

D.自适应矩估计（Adam）

答案：C

解析：批量梯度下降（BatchGD）在每一步迭代中使用全部训练样本计算梯度，梯度更新更稳定但计算成本高。SGD使用单个样本，Mini-batch使用部分样本，Adam是基于动量和自适应学习率的优化器，均不使用全部数据。

当模型在训练集上表现很好，但测试集上表现差时，最可能的原因是？

A.欠拟合（Underfitting）

B.过拟合（Overfitting）

C.数据泄露（DataLeakage）

D.特征维度不足

答案：B

解析：过拟合指模型过度学习训练数据的细节和噪声，导致对新数据（测试集）的泛化能力差。欠拟合是训练集和测试集表现都差；数据泄露是测试数据参与训练；特征维度不足通常导致欠拟合。

特征工程中，“独热编码（One-HotEncoding）”主要用于处理以下哪种类型的数据？

A.连续型数值特征

B.高基数类别特征（如国家名称）

C.有序类别特征（如教育程度：小学→高中→大学）

D.无序类别特征（如颜色：红/蓝/绿）

答案：D

解析：独热编码通过创建虚拟变量将无序类别特征（如颜色）转换为二进制向量，避免模型错误地学习类别间的顺序关系。连续型特征需标准化；高基数类别特征用独热编码会导致维度爆炸（通常用嵌入或目标编码）；有序类别特征可用标签编码（保留顺序）。

逻辑回归（LogisticRegression）的损失函数通常是？

A.均方误差（MSE）

B.交叉熵损失（Cross-EntropyLoss）

hingeloss

D.指数损失（ExponentialLoss）

答案：B

解析：逻辑回归通过sigmoid函数输出概率，目标是最小化预测概率与真实标签的交叉熵损失（对数损失），公式为(L=-y()-(1-y)(1-))。MSE用于回归；hingeloss是SVM的损失函数；指数损失用于AdaBoost。

以下哪种集成学习方法属于“提升（Boosting）”类？

A.随机森林（RandomForest）

B.梯度提升决策树（GBDT）

C.极端随机树（ExtraTrees）

D.隔离森林（IsolationForest）

答案：B

解析：Boosting通过串行训练弱分类器，每个新模型重点修正前序模型的错误（如GBDT通过梯度提升优化损失函数）。随机森林和极端随机树是并行的Bagging方法；隔离森林是无监督异常检测算法。

卷积神经网络（CNN）中，卷积层的主要作用是？

A.降维（减少特征维度）

B.提取局部空间特征（如边缘、纹理）

C.全局特征融合（如池化）

D.非线性变换（如激活函数）

答案：B

解析：卷积层通过滑动卷积核提取输入数据（如图像）的局部空间特征（如边缘、纹理），利用权值共享降低参数数量。降维是池化层的作用；全局融合是全连接层的作用；非线性