计算机2025年机器学习练习.docxVIP

计算机2025年机器学习练习

考试时间：______分钟总分：______分姓名：______

一、选择题（每小题2分，共20分。请将正确选项的字母填在题后的括号内）

1.下列关于机器学习的描述，哪一项是正确的？

()A.机器学习完全依赖于大量的手工标注数据

()B.机器学习旨在完全模拟人类的决策过程

()C.机器学习模型是通过从数据中学习规律并做出预测或决策

()D.机器学习算法只能进行数值计算，不能处理文本或图像

2.在监督学习任务中，以下哪种情况通常被称为“过拟合”？

()A.模型对训练数据拟合得非常好，但对未见过的测试数据表现很差

()B.模型过于简单，无法捕捉到数据中的基本模式

()C.模型训练过程中出现了数值不收敛的情况

()D.模型在训练集和测试集上的表现都一般

3.决策树算法在构建过程中，如何选择分裂节点？

()A.随机选择一个特征进行分裂

()B.选择能够最大化信息增益或基尼不纯度减少量的特征进行分裂

()C.选择方差最小的特征进行分裂

()D.选择样本数量最多的特征进行分裂

4.K-近邻（KNN）算法是一种什么样的学习方法？

()A.基于模型的学习方法

()B.基于实例的学习方法

()C.基于规则的学习方法

()D.统计学习方法

5.在评估分类模型性能时，精确率（Precision）和召回率（Recall）之间的关系是？

()A.精确率越高，召回率必然越高

()B.精确率和召回率通常需要同时考虑，它们之间存在权衡

()C.精确率永远等于召回率

()D.精确率只适用于二分类问题，召回率只适用于多分类问题

6.交叉验证（Cross-Validation）技术通常用于什么目的？

()A.提高模型的训练速度

()B.评估模型的泛化能力

()C.选择合适的模型超参数

()D.减少模型的过拟合程度

7.主成分分析（PCA）主要解决什么问题？

()A.数据分类问题

()B.数据聚类问题

()C.数据降维问题，保留主要信息

()D.模型参数优化问题

8.在逻辑回归模型中，输出结果的含义是什么？

()A.直接输出类别标签

()B.输出一个连续的预测值

()C.输出一个概率值，表示属于某个类别的可能性

()D.输出模型的最优参数

9.决策树容易产生过拟合的原因之一是？

()A.对训练数据拟合不够充分

()B.节点分裂标准过于简单，导致树生长过深

()C.训练数据量太少

()D.算法本身存在随机性

10.下列哪项技术通常用于处理类别不平衡的文本分类问题？

()A.特征选择

()B.数据重采样（过采样或欠采样）

()C.正则化

()D.神经网络结构设计

二、判断题（每小题1分，共10分。请将“正确”填在题后的括号内，将“错误”填在题后的括号内）

1.()线性回归模型只能用于回归任务，不能用于分类任务。

2.()决策树算法是贪婪算法，每次都选择最优特征进行分裂。

3.()KNN算法的性能对距离度量的选择非常敏感。

4.()在逻辑回归中，sigmoid函数将线性组合的结果映射到了[0,1]区间内。

5.()F1分数是精确率和召回率的算术平均值。

6.()随机森林算法是决策树的集成方法，可以有效防止过拟合。

7.()支持向量机（SVM）通过寻找一个最优的超平面来最大化样本的分类间隔。

8.()提升树（GradientBoosting）算法构建树时，总是从全数据集开始。

9.()对于无监督学习算法，我们通常不需要定义明确的评估指标。

10.()特征缩放（如归一化或标准化）对于基于距离的算法（如KNN）和某些模型参数的优化（如梯度下降）都是必要的。

三、填空题（每空1分，共10分。请将答案填写在横线上）

1.机器学习主要包含两大类问题：__________学习和__________学习。

2.决策树在某个节点进行分裂时，需要选择一个最优的分裂标准