2025年机器学习工程师考试题库（附答案和详细解析）（1029）.docxVIP

机器学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项是监督学习的典型特征？

A.输入数据无标签

B.目标是发现数据内在结构

C.需要标签数据进行训练

D.通过奖励机制优化策略

答案：C

解析：监督学习的核心是使用带标签的训练数据（输入x和输出y）学习输入到输出的映射关系（C正确）。A和B是无监督学习的特征（如聚类、降维），D是强化学习的特征（通过奖励信号优化策略），故ABD错误。

以下哪种情况最可能导致模型过拟合？

A.训练数据量远大于测试数据量

B.模型复杂度远高于数据复杂度

C.使用L2正则化

D.采用早停法（EarlyStopping）

答案：B

解析：过拟合的本质是模型过度学习训练数据中的噪声和细节，导致泛化能力差。当模型复杂度过高（如深度过深的神经网络、决策树层数过多）而数据复杂度较低时，易出现过拟合（B正确）。A会提升模型泛化能力；C和D是缓解过拟合的常用方法，故ACD错误。

深度学习中，ReLU激活函数的主要优点是？

A.输出范围在(0,1)，适合二分类

B.避免梯度消失问题

C.计算复杂度高，增强模型非线性

D.导数恒为1，加速训练

答案：B

解析：ReLU（RectifiedLinearUnit）的数学形式为max(0,x)，其在x0时导数为1，避免了Sigmoid/tanh在输入较大时梯度趋近于0的“梯度消失”问题（B正确）。A是Sigmoid的特性；C错误，ReLU计算简单；D错误，x≤0时导数为0，可能导致“神经元死亡”，故ACD错误。

评估分类模型时，F1-score综合了以下哪两个指标？

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）和特异度（Specificity）

D.准确率（Accuracy）和AUC-ROC

答案：B

解析：F1-score是精确率（查准率）和召回率（查全率）的调和平均数，公式为2(PR)/(P+R)，用于平衡两者的重要性（B正确）。A中的准确率未考虑类别不平衡问题；C的特异度是负类召回率；D的AUC-ROC是整体分类性能指标，故ACD错误。

梯度下降优化算法中，“批量（Batch）”指的是？

A.每次更新参数使用所有训练数据

B.每次更新参数使用单个样本

C.每次更新参数使用固定大小的子集

D.每次更新参数使用随机选择的样本

答案：A

解析：批量梯度下降（BatchGradientDescent）的定义是每次计算梯度时使用全部训练数据（A正确）。B是随机梯度下降（SGD），C是小批量梯度下降（Mini-batchGD），D是SGD的随机特性，故BCD错误。

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1000个类别）

C.低基数类别特征（如3个类别）

D.文本特征（如句子）

答案：C

解析：独热编码通过将类别特征转换为二进制向量（每个类别对应一个维度），适用于低基数类别特征（如性别：男/女）（C正确）。高基数类别会导致维度爆炸（B错误）；连续型特征通常标准化或分箱（A错误）；文本特征常用词嵌入或TF-IDF（D错误）。

以下哪种模型不属于集成学习（EnsembleLearning）？

A.随机森林（RandomForest）

B.梯度提升树（GBDT）

C.K近邻（KNN）

D.XGBoost

答案：C

解析：集成学习通过组合多个基模型提升性能，随机森林（多棵决策树投票）、GBDT/XGBoost（梯度提升树）均属于此（ABD正确）。KNN是基于实例的学习，无基模型组合，故C错误。

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-Entropy）

hinge损失（HingeLoss）

D.指数损失（ExponentialLoss）

答案：B

解析：逻辑回归用于二分类，假设样本服从伯努利分布，采用交叉熵损失（对数损失）最小化预测概率与真实标签的差异（B正确）。MSE用于回归任务（A错误）；Hinge损失是SVM的损失函数（C错误）；指数损失是AdaBoost的损失函数（D错误）。

以下哪项是无监督学习的典型应用？

A.垃圾邮件分类

B.用户分群（Clustering）

C.房价预测

D.图像识别（分类）

答案：B

解析：无监督学习从无标签数据中发现结构，用户分群（如K-means聚类）是典型应用（B正确）。A、D是监督分类任务，C是监督回归任务，故ACD错误。

正则化（Regularizatio