2025年人工智能与机器学习考试题及答案.docxVIP

2025年人工智能与机器学习考试题及答案

考试时长：120分钟满分：100分考试形式：闭卷

一、单项选择题（每题2分，共30分）

机器学习的基本任务不包括（）

A.分类B.回归C.聚类D.生成对抗网络

下列哪种算法属于监督学习算法（）

A.K-means聚类B.决策树C.主成分分析D.自编码器

过拟合现象通常由什么原因导致（）

A.数据量充足B.模型复杂度过高C.特征数量过少D.正则化强度过大

下列哪种方法不属于特征工程技术（）

A.特征选择B.特征提取C.数据清洗D.模型集成

适用于不平衡数据分类问题的核心评估指标是（）

A.准确率B.F1分数C.均方误差D.召回率

决策树算法中，选择分裂特征时常用的指标是（）

A.信息增益B.方差C.相关系数D.似然比

下列哪种算法属于无监督学习算法（）

A.支持向量机B.线性回归C.K-means聚类D.逻辑回归

神经网络中，用于引入非线性因素的核心组件是（）

A.权重B.激活函数C.偏置D.损失函数

下列哪种不属于集成学习方法（）

A.随机森林B.AdaBoostC.逻辑回归D.梯度提升树

特征选择中的过滤法是基于什么原则选择特征（）

A.模型性能B.特征与目标变量的独立相关性C.特征子集复杂度D.优化器收敛速度

逻辑回归模型主要用于解决哪种问题（）

A.二分类问题B.回归问题C.聚类问题D.降维问题

支持向量机中，控制分类器复杂度的核心参数是（）

A.核函数类型B.正则化参数C.学习率D.迭代次数

回归问题的性能评估指标是（）

A.精确率B.F1分数C.均方误差D.召回率

反向传播算法的核心作用是（）

A.初始化权重B.更新权重和偏置C.选择激活函数D.划分训练集与测试集

下列哪种属于强化学习算法（）

A.Q学习B.决策树C.K-means聚类D.主成分分析

二、简答题（每题8分，共40分）

简述监督学习与无监督学习的核心区别，各举2个典型算法例子。

什么是过拟合？请列举3种缓解过拟合的常用方法。

简述神经网络中激活函数的作用，列举3种常用激活函数及适用场景。

什么是集成学习？其提升模型性能的核心原理是什么？

简述特征工程在机器学习流程中的重要性，核心步骤包括哪些？

三、案例分析题（每题15分，共30分）

某企业针对客户流失预测问题构建机器学习模型，数据集中流失客户占比仅5%（不平衡数据）。

（1）若直接使用准确率作为评估指标，可能存在什么问题？

（2）应选择哪些评估指标更合理？请说明理由。

（3）可采取哪些数据预处理或模型优化方法提升预测效果？

某团队使用神经网络解决图像分类问题，训练过程中发现训练集准确率达98%，但测试集准确率仅72%。

（1）该现象属于什么问题？产生的主要原因是什么？

（2）请提出4种针对性的解决措施，并说明每种措施的原理。

参考答案及解析

一、单项选择题（每题2分，共30分）

答案：D解析：生成对抗网络是深度学习模型，不属于机器学习基本任务（分类、回归、聚类）。

答案：B解析：决策树需依赖带标签数据训练，属于监督学习；A、C为无监督学习，D为深度学习模型。

答案：B解析：模型复杂度过高易记住训练数据细节与噪声，导致泛化能力差，引发过拟合。

答案：D解析：模型集成是组合多个模型提升性能的方法，不属于特征工程（含特征处理、数据清洗等）。

答案：B解析：F1分数是精确率与召回率的调和平均值，能综合平衡正负样本预测效果，适配不平衡数据。

答案：A解析：信息增益通过计算分裂后信息熵的减少量，评估特征分类能力，是决策树分裂的核心指标。

答案：C解析：K-means无需标签数据，通过学习数据内在结构聚类，属于无监督学习。

答案：B解析：激活函数（如Si