机器学习课程期末考试题.docxVIP

机器学习课程期末考试题

机器学习课程期末考试题

考试时间：120分钟满分：100分

一、单项选择题（每题3分，共30分）

下列哪种算法不属于监督学习？（）

A.线性回归B.K近邻分类C.K均值聚类D.决策树分类

关于过拟合的描述，错误的是（）

A.模型在训练集上准确率高，测试集上准确率低

B.通常由模型复杂度过高导致

C.增加训练数据量可能缓解过拟合

D.过拟合意味着模型泛化能力强

在逻辑回归中，Sigmoid函数的输出范围是（）

A.(-∞,+∞)B.[0,1]C.(-1,1)D.[0,+∞)

下列哪种指标不适用于评估分类模型的性能？（）

A.均方误差（MSE）B.准确率（Accuracy）C.精确率（Precision）D.F1分数

决策树构建过程中，选择特征的核心准则不包括（）

A.信息增益B.信息增益比C.基尼系数D.欧氏距离

支持向量机（SVM）的核心思想是（）

A.最小化训练误差B.最大化分类间隔C.最小化特征维度D.最大化数据密度

下列哪种方法可以用于降维？（）

A.随机森林B.主成分分析（PCA）C.梯度下降D.朴素贝叶斯

朴素贝叶斯分类器的“朴素”假设是（）

A.特征之间相互独立B.样本服从正态分布C.类别数量相等D.特征维度相同

梯度下降算法中，学习率过大可能导致（）

A.收敛速度过慢B.无法收敛C.过拟合D.欠拟合

关于集成学习，下列说法正确的是（）

A.只适用于分类任务B.通过组合多个弱学习器提升性能C.随机森林是单一模型D.boosting算法不需要迭代训练

二、填空题（每空2分，共20分）

机器学习按照训练数据是否有标签可分为：监督学习、和。

线性回归中，损失函数通常采用__________，其目标是最小化预测值与真实值的平方误差和。

K近邻（KNN）算法中，K值越小，模型的__________越强，越容易过拟合；K值越大，模型的__________越强，越容易欠拟合。

聚类算法是__________学习的典型应用，其目标是将相似的样本归为一类。

朴素贝叶斯分类器基于__________定理，通过计算后验概率进行分类。

模型评估中，__________用于衡量模型预测值与真实值的偏离程度，__________用于衡量模型对未知数据的预测能力。

梯度下降的三种常见变体包括：批量梯度下降、__________和随机梯度下降。

三、简答题（每题8分，共24分）

简述监督学习与无监督学习的核心区别，并各举一个典型应用场景。

什么是欠拟合？产生欠拟合的主要原因有哪些？如何缓解欠拟合？

简述决策树的构建过程，以及剪枝操作的目的。

四、计算题（共26分）

（12分）已知某线性回归模型为y=w_0+w_1x，训练数据如下表所示，使用最小二乘法求解参数w_0和w_1。

x

1

2

3

4

5

y

2

3

5

6

7

（14分）假设有一个二分类问题，某模型的预测结果混淆矩阵如下表所示，计算该模型的准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。

预测为正类

预测为负类

真实为正类

45（TP）

5（FN）

真实为负类

10（FP）

40（TN）

参考答案及评分标准

一、单项选择题（每题3分，共30分）

C2.D3.B4.A5.D6.B7.B8.A9.B10.B

二、填空题（每空2分，共20分）

无监督学习、强化学习

均方误差（MSE）

灵活性、稳定性

无监督

贝叶斯

训练误差、泛化误差

小批量梯度下降（Mini-batchGradientDescent）

三、简答题（每题8分，共24分）

核心区别：监督学习的训练数据包含标签（即输入对应的真实输出），模型学习输入到输出的映射关系；无监督学习的训练数据无标签，模型通过挖掘数据本身的内在结构或规律进行学习。（4分）

应用场景：监督学习——房价预测、垃圾邮件分类；无监督学习——用户行为聚类、异常检测。（各2分，举例合理即可）

欠拟合：模型在训练集和测试集上的性能都较差，无法充分捕捉数据中的规律。（2分）

产生原因：模型复杂度过低（如用线性模型拟合非线性数据）、特征维度不足、训练数据量过少。（3分）

缓解方法：增加模型复杂度（如使用多项式回归、决策树）、增加更多有效特征、减少正则化强度。（3分）

构建过程：①选