2025年机器学习工程师考试题库（附答案和详细解析）（1129）.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）

监督学习与无监督学习的核心区别在于？

A.训练数据量大小

B.是否使用标签数据

C.模型复杂度

D.优化目标函数类型

答案：B

解析：监督学习需要带标签的训练数据（如分类任务中的类别标签），无监督学习仅使用无标签数据（如聚类任务）。其他选项均非核心区别：数据量大小（A）、模型复杂度（C）、目标函数（D）是具体任务中的变量，而非两类学习的本质差异。

以下哪种算法属于生成式模型？

A.逻辑回归

B.支持向量机（SVM）

C.朴素贝叶斯

D.随机森林

答案：C

解析：生成式模型通过学习数据的联合概率分布(P(X,Y))进行预测（如朴素贝叶斯假设特征独立，直接建模类条件概率）；判别式模型学习条件概率(P(Y|X))（如逻辑回归、SVM、随机森林）。因此选C。

解决过拟合问题的常用方法不包括？

A.添加L2正则化项

B.增加训练数据量

C.减少模型层数（深度学习）

D.提高模型复杂度

答案：D

解析：过拟合是模型对训练数据过度拟合、泛化能力差的表现。提高模型复杂度（如增加神经网络层数）会加剧过拟合；其他选项（正则化、增加数据、简化模型）均能缓解过拟合。

交叉验证（CrossValidation）的主要目的是？

A.加速模型训练

B.评估模型泛化能力

C.减少特征维度

D.优化超参数

答案：B

解析：交叉验证通过将数据划分为多个子集交替训练和验证，更可靠地评估模型在未见过数据上的表现（泛化能力）。优化超参数（D）是其应用场景之一，但核心目的是评估泛化能力。

以下哪项不是分类任务的评估指标？

A.均方误差（MSE）

B.F1分数

C.ROC-AUC

D.精确率（Precision）

答案：A

解析：均方误差（MSE）是回归任务的评估指标；分类任务常用精确率、召回率、F1、ROC-AUC等。因此选A。

梯度下降中，“批量”（Batch）指的是？

A.每次更新使用所有训练数据

B.每次更新使用单个样本

C.每次更新使用部分样本

D.训练数据的总数量

答案：A

解析：批量梯度下降（BatchGD）每次计算梯度时使用全部训练数据；随机梯度下降（SGD）用单个样本，小批量（Mini-Batch）用部分样本。因此选A。

以下哪种核函数适用于线性可分数据？

A.多项式核（PolynomialKernel）

B.径向基核（RBFKernel）

C.线性核（LinearKernel）

D.Sigmoid核

答案：C

解析：线性核直接计算样本的点积，适用于线性可分数据；其他核函数（多项式、RBF、Sigmoid）用于非线性可分场景。因此选C。

决策树中，信息增益（InformationGain）用于？

A.剪枝

B.选择最优划分特征

C.计算叶节点类别

D.处理缺失值

答案：B

解析：信息增益衡量划分前后信息熵的减少量，决策树通过选择信息增益最大的特征作为当前节点的划分依据。剪枝（A）通过复杂度惩罚实现，叶节点类别（C）由多数投票决定。

以下哪项属于无监督学习任务？

A.垃圾邮件分类

B.用户分群（聚类）

C.房价预测

D.图像识别

答案：B

解析：聚类（如K-means）是典型的无监督学习（无标签）；分类（A、D）和回归（C）是监督学习（需标签）。

深度学习中，ReLU激活函数的主要优点是？

A.避免梯度消失

B.输出值范围在[-1,1]

C.计算复杂度高

D.适合所有类型数据

答案：A

解析：ReLU（RectifiedLinearUnit）在输入0时梯度为1，避免了Sigmoid/tanh在饱和区的梯度消失问题；其输出范围是[0,∞)（B错误），计算简单（C错误），但对负输入梯度为0（“死亡ReLU”问题，D错误）。

二、多项选择题（共10题，每题2分，共20分）（每题至少2个正确选项）

以下属于特征工程的常用方法有？

A.标准化（Z-scoreNormalization）

B.主成分分析（PCA）

C.独热编码（One-HotEncoding）

D.交叉验证（CrossValidation）

答案：ABC

解析：特征工程包括数据清洗、特征变换（标准化A）、降维（PCAB）、类别编码（独热编码C）；交叉验证（D）是模型评估方法，不属于特征工程。

集成学习中的Boosting方法包括？

A.随机森林（RandomForest）

B.AdaBoost

C.XGBoost

D.梯度提升树（GradientBoostingDecisionTree,GBDT）

答案：BCD

解析：Boosting通过串行训练弱分类器，重点关注前序模型的错误样本（Ada