2025年机器学习工程师考试题库（附答案和详细解析）（1126）.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）

以下哪项是监督学习的典型特征？

A.输入数据无标签

B.目标是学习数据分布

C.输入数据包含标签

D.通过奖励信号优化策略

答案：C

解析：监督学习的核心是利用带标签的数据训练模型，学习输入到输出的映射关系（C正确）。无标签数据是无监督学习的特征（A错误）；学习数据分布属于生成模型或无监督学习目标（B错误）；奖励信号优化是强化学习的特征（D错误）。

交叉验证的主要目的是？

A.提高模型训练速度

B.评估模型的泛化能力

C.减少训练数据用量

D.增加模型复杂度

答案：B

解析：交叉验证通过多次划分训练集和验证集，综合评估模型在未见过数据上的表现，核心目的是衡量泛化能力（B正确）。提高训练速度需优化算法（A错误）；交叉验证需要更多计算但不减少数据用量（C错误）；模型复杂度由超参数控制（D错误）。

对于二分类问题，最适合的损失函数是？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.平均绝对误差（MAE）

D.Hinge损失

答案：B

解析：交叉熵损失直接衡量预测概率与真实标签的差异，是二分类任务的常用损失函数（B正确）。MSE和MAE适用于回归任务（A、C错误）；Hinge损失主要用于支持向量机（D错误）。

L2正则化的主要作用是？

A.使模型权重稀疏化

B.防止过拟合

C.加速梯度下降

D.提高模型可解释性

答案：B

解析：L2正则化通过在损失函数中加入权重平方和的惩罚项，限制模型复杂度，从而缓解过拟合（B正确）。权重稀疏化是L1正则化的作用（A错误）；加速梯度下降需调整学习率或优化器（C错误）；可解释性与模型结构相关（D错误）。

以下哪种梯度下降变体计算效率最高？

A.批量梯度下降（BatchGD）

B.随机梯度下降（SGD）

C.小批量梯度下降（Mini-batchGD）

D.全量梯度下降

答案：C

解析：小批量梯度下降每次使用部分数据计算梯度，平衡了计算效率和梯度稳定性，实际中最常用（C正确）。批量GD计算全局梯度但速度慢（A错误）；SGD速度快但梯度波动大（B错误）；全量梯度下降即批量GD（D错误）。

ReLU激活函数的主要优点是？

A.输出范围在(0,1)

B.避免梯度消失

C.计算复杂度高

D.适用于所有层

答案：B

解析：ReLU（修正线性单元）在输入为正时梯度为1，避免了sigmoid/tanh的梯度消失问题（B正确）。输出范围(0,1)是sigmoid的特征（A错误）；ReLU计算简单（C错误）；其缺点是可能导致“神经元死亡”，不适合所有层（D错误）。

随机森林（RandomForest）属于哪种集成学习方法？

A.Boosting

B.Bagging

C.Stacking

D.Blending

答案：B

解析：随机森林通过自助采样（Bootstrap）生成多个训练集，并行训练多棵决策树，属于Bagging方法（B正确）。Boosting是串行优化（如GBDT）（A错误）；Stacking和Blending是模型融合方法（C、D错误）。

处理类别型特征（如“性别”）最常用的方法是？

A.标准化（Z-score）

B.归一化（Min-Max）

C.独热编码（One-HotEncoding）

D.对数变换

答案：C

解析：类别型特征无顺序关系，独热编码通过二进制向量表示类别，避免模型错误识别顺序（C正确）。标准化和归一化用于数值型特征（A、B错误）；对数变换用于处理偏态分布（D错误）。

模型过拟合的典型表现是？

A.训练误差和测试误差都很高

B.训练误差低，测试误差高

C.训练误差高，测试误差低

D.训练误差和测试误差都很低

答案：B

解析：过拟合时模型过度学习训练数据的噪声和细节，导致训练误差低但泛化能力差（测试误差高）（B正确）。A是欠拟合表现，D是理想状态（A、D错误），C不符合实际（C错误）。

生成模型与判别模型的根本区别是？

A.是否需要标签数据

B.学习联合分布还是条件分布

C.模型复杂度高低

D.训练速度快慢

答案：B

解析：生成模型学习输入和标签的联合分布P(X,Y)（如GMM），判别模型学习条件分布P(Y|X)（如SVM）（B正确）。两者都可能需要标签（A错误）；复杂度和速度与具体模型相关（C、D错误）。

二、多项选择题（共10题，每题2分，共20分）

以下属于分类任务评估指标的有？

A.准确率（Accuracy）

B.均方误差（MSE）

C.F1分数

D.召回率（Recall）

答案：ACD

解析：准确率、F1分数、召回率均用于评估分类模型性能（ACD正确）。MSE是回归任务的评估指标（B