2025年机器学习工程师考试题库（附答案和详细解析）（1024）.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）

以下哪种算法属于监督学习？

A.K-means

B.主成分分析（PCA）

C.支持向量机（SVM）

D.关联规则挖掘（Apriori）

答案：C

解析：监督学习需要带标签的训练数据，SVM通过样本的特征和标签进行分类/回归训练，属于监督学习。A（K-means）是无监督聚类算法，B（PCA）是无监督降维算法，D（Apriori）是无监督关联规则挖掘，均不需要标签。

在分类任务中，当正负样本极不均衡时，最适合的评估指标是？

A.准确率（Accuracy）

B.F1-score

C.均方误差（MSE）

D.决定系数（R2）

答案：B

解析：当正负样本不均衡时，准确率会因多数类主导而失效（如99%负样本时，全预测负样本准确率99%但无意义）。F1-score综合了精确率和召回率，更适合评估不均衡数据。C和D是回归任务的指标。

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）

C.绝对误差（MAE）

D.Hinge损失

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差异，交叉熵损失直接度量概率分布的差异，是其标准损失函数。A是线性回归的损失函数，D是SVM的损失函数。

以下哪项是解决过拟合的常用方法？

A.增加模型复杂度

B.减少训练数据量

C.L2正则化

D.降低学习率

答案：C

解析：过拟合是模型对训练数据过度拟合，泛化能力差。L2正则化通过在损失函数中添加权重平方和的惩罚项，限制模型复杂度，缓解过拟合。A和B会加剧过拟合，D是优化器参数，与过拟合无直接关联。

决策树中，信息增益（InformationGain）基于以下哪个指标计算？

A.基尼系数（GiniImpurity）

B.熵（Entropy）

C.均方误差

D.互信息（MutualInformation）

答案：B

解析：信息增益定义为父节点的熵减去子节点的加权平均熵，衡量划分后不确定性的减少量。A是CART树的分裂指标，C是回归树的分裂指标，D是变量间相关性的度量，与信息增益计算无关。

在神经网络中，激活函数ReLU（RectifiedLinearUnit）的主要优点是？

A.避免梯度消失

B.输出范围在(0,1)

C.计算复杂度高

D.适合所有层的激活

答案：A

解析：ReLU的表达式为max(0,x)，当输入为正时梯度为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是sigmoid的特性，C是缺点，D错误（输出层常用sigmoid/softmax）。

以下哪种集成学习方法属于Boosting类？

A.随机森林（RandomForest）

B.梯度提升树（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，重点关注前一轮错误样本，GBDT是典型Boosting算法。A和C是Bagging类（并行训练多个基模型），D是无监督异常检测算法。

特征归一化（Normalization）的主要目的是？

A.减少特征数量

B.消除特征量纲差异

C.提高模型可解释性

D.增加特征非线性关系

答案：B

解析：不同特征的量纲（如身高cm与体重kg）差异会导致模型训练时梯度更新不均衡，归一化（如Min-Max缩放）将特征缩放到同一尺度，提升优化效率。A是特征选择的目的，C是特征重要性分析的目的。

在K近邻（KNN）算法中，当K过小时，模型容易出现？

A.欠拟合

B.过拟合

C.高偏差

D.低方差

答案：B

解析：K过小（如K=1）时，模型对训练数据的局部噪声高度敏感，泛化能力差，表现为过拟合（低偏差、高方差）。K过大则模型过于平滑，出现欠拟合（高偏差、低方差）。

以下哪项不是深度学习框架？

A.TensorFlow

B.PyTorch

C.Scikit-learn

D.Keras

答案：C

解析：Scikit-learn是传统机器学习库（支持SVM、决策树等），不支持深度神经网络的自动微分和GPU加速。A、B、D均为深度学习框架（Keras是TensorFlow的高层API）。

二、多项选择题（共10题，每题2分，共20分）

以下属于无监督学习任务的有？

A.新闻主题聚类

B.图像分类（标签已知）

C.用户分群（无标签）

D.异常检测（无标签）

答案：ACD

解析：无监督学习处理无标签数据，A（聚类）、C（分群）、D（异常检测）均