2025年机器学习工程师考试题库（附答案和详细解析）（1027）.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）

以下哪项属于监督学习任务？

A.对用户评论进行情感分类（正/负）

B.对未标记的客户数据进行聚类分析

C.通过与环境交互学习游戏策略

D.从图像中自动提取主要特征

答案：A

解析：监督学习需要输入数据（特征）和对应的标签（输出）。选项A中“情感分类”需要已标记的正/负样本训练模型，属于监督学习。B是无监督学习（无标签聚类），C是强化学习（通过奖励反馈学习），D是特征提取（无监督或预处理步骤）。

支持向量机（SVM）中，核函数的主要作用是？

A.降低计算复杂度

B.将低维线性不可分数据映射到高维线性可分空间

C.减少过拟合风险

D.提高模型的可解释性

答案：B

解析：核函数（如RBF核）通过非线性变换将原始低维空间中的数据映射到高维空间，使得原本线性不可分的数据集在高维空间中线性可分，从而能使用线性分类器。A错误（核函数可能增加计算复杂度），C是正则化的作用，D是决策树等模型的特点。

以下哪个指标最适合评估类别高度不平衡的分类任务？

A.准确率（Accuracy）

B.F1-score

C.均方误差（MSE）

D.调整兰德指数（ARI）

答案：B

解析：类别不平衡时，准确率会因多数类主导而失真（如99%负样本时，全预测负的准确率为99%但无意义）。F1-score是精确率和召回率的调和平均，能综合评估少数类的预测效果。C是回归指标，D是聚类评估指标。

以下哪种方法不能缓解过拟合？

A.增加训练数据量

B.降低模型复杂度（如减少神经网络层数）

C.对输入特征进行标准化

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、简化模型、正则化均可缓解。特征标准化（如Z-score）是为了消除特征量纲影响，与过拟合无直接关联（标准化后模型可能收敛更快，但不改变复杂度）。

随机梯度下降（SGD）与批量梯度下降（BGD）的主要区别是？

A.SGD每次使用全部样本计算梯度，BGD使用单个样本

B.SGD的收敛速度比BGD快

C.SGD的梯度估计方差更大，但计算效率更高

D.BGD更易陷入局部极小值

答案：C

解析：BGD使用全部样本计算梯度（准确但计算慢），SGD使用单个样本（梯度估计噪声大，方差大，但计算快）。A错误（描述反了），B错误（SGD收敛波动大，整体可能更慢），D错误（BGD因梯度准确，更易收敛到全局最优）。

特征工程中，“独热编码（One-HotEncoding）”主要用于处理哪种类型的特征？

A.连续数值型

B.有序类别型（如用户等级：高/中/低）

C.无序类别型（如性别：男/女）

D.文本型（如用户评论）

答案：C

解析：独热编码将无序类别特征（无大小顺序）转换为二进制向量（如性别“男”→[1,0]，“女”→[0,1]），避免模型错误引入顺序关系。有序类别型可用标签编码（如高→3，中→2，低→1），连续型无需编码，文本型需词嵌入等方法。

在模型选择时，以下哪项不是交叉验证（CrossValidation）的主要目的？

A.评估模型的泛化能力

B.选择最优超参数（如决策树的最大深度）

C.减少训练时间

D.缓解数据划分随机性导致的评估偏差

答案：C

解析：交叉验证通过多次划分训练集和验证集，平均评估结果，能更可靠地反映模型泛化能力（A正确），常用于超参数调优（B正确），并减少单次划分的随机性影响（D正确）。但交叉验证需要多次训练模型，会增加训练时间（C错误）。

对于二分类任务，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）

C.绝对误差（MAE）

D.HingeLoss

答案：B

解析：逻辑回归通过sigmoid函数输出概率，交叉熵损失（-ylog(?)-(1-y)log(1-?)）能直接衡量预测概率与真实标签的差异，是分类任务的最优选择。MSE和MAE是回归损失，HingeLoss是SVM的损失函数。

深度学习中，ReLU激活函数的主要优点是？

A.输出范围在(0,1)，适合概率预测

B.避免梯度消失问题（在正区间梯度为1）

C.计算复杂度高，增强模型非线性

D.输出均值为0，加速训练

答案：B

解析：ReLU（f(x)=max(0,x)）在x0时梯度为1，避免了sigmoid/tanh在深层网络中因梯度趋近于0导致的“梯度消失”问题（B正确）。A是sigmoid的特点，C错误（ReLU计算简单），D是BatchNormalization的作用。

以下哪种集成学习方法属于Bagging（自助聚合）？

A.AdaBoost

B.