2025年机器学习工程师考试题库（附答案和详细解析）（1216）.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）

监督学习的核心特征是？

A.输入数据无标签

B.输入数据有标签

C.自动发现数据模式

D.仅适用于聚类任务

答案：B

解析：监督学习的核心是利用带标签的训练数据学习输入与输出之间的映射关系（如分类、回归任务）。选项A是无监督学习的特征；C是无监督学习的目标；D错误，监督学习适用于分类、回归等多种任务。

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.决策树

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))进行建模，朴素贝叶斯基于贝叶斯定理假设特征独立，属于生成式模型。其他选项（逻辑回归、SVM、决策树）均为判别式模型，直接学习条件概率(P(Y|X))。

梯度下降中“梯度”的数学含义是？

A.损失函数的二阶导数

B.损失函数在某点的方向导数最大值方向

C.模型参数的随机扰动

D.数据特征的标准化系数

答案：B

解析：梯度是损失函数在某点的方向导数最大值的方向，其反方向是函数值下降最快的方向（梯度下降的核心依据）。A错误，二阶导数是Hessian矩阵；C是随机梯度下降的噪声特性；D与梯度无关。

评估分类模型时，“召回率（Recall）”的计算公式是？

A.正确正例数/（正确正例数+错误正例数）

B.正确正例数/（正确正例数+错误负例数）

C.正确负例数/（正确负例数+错误正例数）

D.（正确正例数+正确负例数）/总样本数

答案：B

解析：召回率衡量模型识别所有正例的能力，公式为(=)（TP：真正例，FN：假负例）。A是精确率（Precision）；C是真负率（TNR）；D是准确率（Accuracy）。

以下哪项不是过拟合的典型表现？

A.训练集准确率高，测试集准确率低

B.模型复杂度远高于数据复杂度

C.损失函数在训练集上持续下降

D.模型对噪声数据过度敏感

答案：C

解析：过拟合指模型对训练数据过度学习，导致泛化能力差。C是训练过程的正常现象（损失下降是优化目标），而非过拟合特征；其他选项均为过拟合的典型表现。

卷积神经网络（CNN）中“池化层”的主要作用是？

A.增加特征图的深度

B.减少特征图的空间尺寸

C.引入非线性变换

D.防止梯度消失

答案：B

解析：池化层（如最大池化、平均池化）通过降采样减少特征图的宽高，降低计算量并增强平移不变性。A是卷积层的作用；C是激活函数（如ReLU）的作用；D主要通过残差连接或BatchNorm解决。

以下哪种优化算法引入了“动量（Momentum）”概念？

A.Adam

B.SGD（随机梯度下降）

C.Adagrad

D.RMSprop

答案：B（注：严格来说，SGD的动量变体引入动量，此处题目默认“SGD”指带动量的版本）

解析：动量优化通过累积之前梯度的“惯性”来加速收敛，是SGD的改进版本。Adam结合了动量和自适应学习率；Adagrad和RMSprop基于梯度平方的历史累积调整学习率。

对于不平衡数据集（正例远少于负例），最不适合的评估指标是？

A.F1分数

B.AUC-ROC

C.准确率（Accuracy）

D.召回率（Recall）

答案：C

解析：准确率在类别不平衡时会被多数类主导（如99%负例时，全预测负例准确率99%，但模型无意义）。其他指标（F1、AUC-ROC、召回率）均能更合理评估少数类的识别能力。

以下哪项是L2正则化的作用？

A.使模型参数更稀疏

B.降低模型复杂度，防止过拟合

C.加速模型训练

D.解决梯度爆炸问题

答案：B

解析：L2正则化通过在损失函数中添加(||w||^2)惩罚大参数，使参数更平滑，降低模型复杂度，防止过拟合。A是L1正则化的作用；C是优化器（如动量）的作用；D需通过梯度裁剪或权重初始化解决。

循环神经网络（RNN）的主要缺陷是？

A.无法处理序列数据

B.长程依赖问题（Long-termDependency）

C.参数量过大

D.不支持并行计算

答案：B

解析：RNN因梯度消失/爆炸问题，难以捕捉序列中长时间间隔的依赖关系（如“我在法国长大，所以会说__语”中的“法”）。A错误，RNN专为序列数据设计；C是深层网络的普遍问题；D是RNN的特性（需按序列顺序计算），但非主要缺陷。

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）

以下属于集成学习（EnsembleLearning）方法的有？

A.随机森林（RandomForest）

B.XGBoost

C.逻辑回归（LogisticRegression）

D.梯度提升树（Gradie