2025年机器学习工程师考试题库（附答案和详细解析）（1121）.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）

以下关于监督学习的描述，正确的是：

A.不需要标注数据

B.典型任务包括聚类和降维

C.目标是从输入输出对中学习映射关系

D.常用于无标签数据的模式发现

答案：C

解析：监督学习的核心是利用带标签的训练数据（输入输出对）学习输入到输出的映射关系（如分类、回归任务）。A错误，监督学习需要标注数据；B错误，聚类和降维是无监督学习任务；D错误，无标签数据的模式发现属于无监督学习。

在分类任务中，若正负样本比例为99:1（正样本为少数类），以下最能反映模型对正样本识别能力的指标是：

A.准确率（Accuracy）

B.精确率（Precision）

C.F1分数

D.召回率（Recall）

答案：D

解析：当类别严重不平衡时，准确率会因多数类的高占比而虚高（如全部预测为负样本时准确率仍为99%），无法反映对少数类的识别能力。召回率（正样本中被正确识别的比例）更关注模型对正样本的覆盖能力，是少数类任务的关键指标。

支持向量机（SVM）引入核函数的主要目的是：

A.减少计算复杂度

B.将低维线性不可分数据映射到高维线性可分空间

C.提高模型的泛化能力

D.解决过拟合问题

答案：B

解析：核函数（如RBF核）的核心作用是通过非线性变换将原始低维空间中的线性不可分数据映射到高维特征空间，使其在高维空间中线性可分。A错误，核函数可能增加计算复杂度；C、D是正则化或软间隔的作用。

决策树中，划分节点时常用的指标不包括：

A.信息增益（InformationGain）

B.基尼系数（GiniImpurity）

C.均方误差（MSE）

D.互信息（MutualInformation）

答案：C

解析：均方误差（MSE）是回归任务中评估预测误差的指标，决策树划分节点时，分类任务常用信息增益、基尼系数，回归任务常用方差减少。互信息与信息增益本质相同，是分类问题的划分依据。

以下哪种方法最可能用于解决过拟合问题？

A.增加训练数据量

B.减少正则化参数λ

C.增加模型复杂度（如深度神经网络层数）

D.降低学习率

答案：A

解析：过拟合的核心原因是模型在训练数据上过度学习噪声，增加训练数据量可提供更全面的模式，缓解过拟合。B错误，减少λ会削弱正则化作用，可能加重过拟合；C错误，增加复杂度会加剧过拟合；D错误，学习率影响收敛速度，与过拟合无直接关联。

梯度下降算法的变体中，Adam优化器的主要特点是：

A.仅使用动量（Momentum）加速收敛

B.仅自适应调整学习率（RMSProp）

C.同时结合动量和自适应学习率

D.每次迭代使用全部样本计算梯度

答案：C

解析：Adam优化器结合了动量（Momentum，利用梯度历史信息加速收敛）和RMSProp（自适应调整每个参数的学习率，处理稀疏梯度）的优点，是深度学习中常用的优化器。D是批量梯度下降（BGD）的特点。

以下属于特征工程范畴的操作是：

A.调整神经网络的学习率

B.对类别特征进行独热编码（One-HotEncoding）

C.选择交叉熵作为损失函数

D.设置随机森林的树数量

答案：B

解析：特征工程包括特征提取、转换、选择等，独热编码是将类别特征转换为数值特征的常用方法。A、C、D属于模型训练或超参数调优，不属于特征工程。

神经网络中，ReLU激活函数的主要优势是：

A.输出范围在(0,1)，适合二分类

B.解决梯度消失问题，加速训练

C.导数始终为1，避免梯度爆炸

D.支持多输出类别的概率分布

答案：B

解析：ReLU（修正线性单元）的导数在输入大于0时为1，避免了Sigmoid或Tanh在饱和区梯度趋近于0的问题（梯度消失），显著加速深层网络的训练。A是Sigmoid的特点；C错误，ReLU导数在输入小于0时为0；D是Softmax的作用。

以下集成学习方法中，属于Bagging（自助聚合）的是：

A.Adaboost

B.随机森林（RandomForest）

C.GBDT（梯度提升树）

D.XGBoost

答案：B

解析：Bagging通过自助采样（Bootstrap）生成多个训练子集，并行训练基模型后投票或平均，随机森林是Bagging的典型代表。A、C、D均为Boosting方法，通过串行训练基模型纠正前序错误。

关于交叉验证（CrossValidation），以下描述正确的是：

A.仅适用于监督学习任务

B.留一法（LOOCV）的计算成本最低

C.k折交叉验证的k值越大，评估结果越稳定

D.交叉验证可以完全消除模型的过拟合

答案：C

解析：k折交叉验证中，k值越大（如k=10），每次验证集占比越小，评估结果的方差越