原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
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）
以下哪种学习方式属于监督学习？
A.K-means聚类
B.支持向量机（SVM）分类
C.自编码器降维
D.Q-learning强化学习
答案：B
解析：监督学习需要输入数据（特征）和对应的标签（输出），SVM分类任务需要标注的训练数据（如“猫/狗”标签），因此属于监督学习。A是无监督学习（无标签聚类），C是无监督学习（自编码重构），D是强化学习（通过奖励信号学习策略）。
评估二分类模型时，若正类样本极少，最不适合的指标是？
A.准确率（Accuracy）
B.召回率（Recall）
C.F1值
D.AUC-ROC
答案：A
解析：准确率=（TP+TN）/(TP+TN+FP+FN)，当正类样本极少（如1%）时，模型全预测为负类即可达到99%准确率，但无法反映真实性能。召回率关注正类覆盖能力，F1值平衡精确率和召回率，AUC-ROC对类别不平衡不敏感，均更适合。
以下哪种方法不能缓解过拟合？
A.增加训练数据量
B.减少神经网络层数
C.提高学习率
D.应用L2正则化
答案：C
解析：过拟合是模型对训练数据过度学习，泛化能力差。增加数据（A）、简化模型（B）、正则化（D）均可缓解。提高学习率可能导致优化过程震荡，无法收敛到最优解，但与过拟合无直接关联。
决策树中，信息增益的计算基于？
A.基尼系数
B.信息熵
C.均方误差
D.余弦相似度
答案：B
解析：信息增益=父节点熵-子节点加权熵，用于衡量特征对分类的贡献。基尼系数（A）是CART树的分裂指标，均方误差（C）用于回归树，余弦相似度（D）是相似性度量。
神经网络中，ReLU激活函数的主要优点是？
A.输出范围在(0,1)，适合概率输出
B.避免梯度消失问题
C.计算复杂度低，导数为常数
D.对称于原点，加速收敛
答案：B
解析：ReLU（f(x)=max(0,x)）在x0时导数为1，避免了Sigmoid/tanh在饱和区梯度趋近于0的问题（梯度消失）。A是Sigmoid的特点，C错误（导数在x0时为1，x≤0时为0），D是tanh的特点。
以下哪项不属于特征工程的步骤？
A.特征归一化
B.特征交叉
C.模型调参
D.缺失值填充
答案：C
解析：特征工程是对原始数据进行处理以提升模型性能的过程，包括归一化（A）、交叉（B）、缺失值处理（D）等。模型调参（C）属于模型优化阶段，不属于特征工程。
随机森林（RandomForest）的核心思想是？
A.通过提升（Boosting）降低偏差
B.通过Bagging降低方差
C.通过梯度提升优化损失函数
D.通过特征选择减少过拟合
答案：B
解析：随机森林是Bagging（自助采样+基模型并行）的典型应用，通过多个决策树的投票降低单棵树的高方差问题。A是Boosting（如Adaboost）的目标，C是XGBoost的特点，D是特征选择的作用。
以下哪种损失函数适用于多分类任务？
A.均方误差（MSE）
B.交叉熵损失（Cross-Entropy）
C.Hinge损失
D.对数损失（LogLoss）
答案：B
解析：交叉熵损失通过softmax将输出转化为概率分布，适用于多分类（如10类数字识别）。MSE（A）用于回归，Hinge（C）用于二分类SVM，LogLoss（D）是二分类交叉熵的别名。
梯度下降中，“批量”（Batch）指的是？
A.每次更新使用全部训练数据
B.每次更新使用1个样本
C.每次更新使用固定大小的子集
D.每次更新使用验证集数据
答案：A
解析：批量梯度下降（BatchGD）计算所有样本的梯度均值后更新参数，小批量（Mini-batch）是固定子集（C），随机梯度下降（SGD）是单个样本（B）。D是验证集的作用，与梯度计算无关。
以下哪项是K近邻（KNN）算法的缺点？
A.对噪声不敏感
B.计算复杂度随样本量增加显著上升
C.无需显式训练过程
D.适用于高维数据
答案：B
解析：KNN是“惰性学习”，预测时需计算新样本与所有训练样本的距离，样本量增大时计算量剧增（B正确）。A错误（噪声会影响近邻选择），C是优点，D错误（高维空间距离度量失效，“维度灾难”）。
二、多项选择题（共10题，每题2分，共20分）
以下属于深度学习常用优化器的有？
A.SGD（随机梯度下降）
B.Adam
C.L1正则化
D.RMSprop
答案：ABD
解析：优化器用于更新模型参数，SGD（A）、Adam（B，自适应学习率）、RMSprop（D，自适应梯度缩放）均为优化器。L1正则化（C）是正则化方法，用于防止过拟合，不属于优化器。
特征工程中，
文档评论（0）