2025监督学试题及答案判断.docxVIP

2025监督学试题及答案判断

1.监督学习的本质是通过最小化经验风险来逼近真实风险，因此只要训练样本足够大，模型就一定不会过拟合。

答案：错误。

详解：经验风险最小化只保证在训练集上误差低，真实风险还取决于假设空间的复杂度与数据分布的匹配度。当假设空间容量远大于数据量时，即使样本“看起来”很多，仍可能发生过拟合。VC维理论指出，泛化误差上界同时与样本量、VC维及置信水平相关，仅靠增大样本而不控制模型复杂度无法根除过拟合。

2.在梯度下降中，当目标函数为凸函数时，随机梯度下降（SGD）的收敛速度一定比批量梯度下降（BGD）慢。

答案：错误。

详解：BGD每次迭代使用全量数据，更新方向噪声小但单次迭代代价高；SGD单次迭代仅随机抽取一个样本，方向噪声大却可高频更新。对于强凸且光滑函数，BGD达到ε-精度需O(log(1/ε))次迭代，SGD需O(1/ε)次迭代，看似更慢；但若以“达到相同精度所需计算时间”而非“迭代次数”衡量，当数据量极大时，SGD的低单次代价使其在wall-clock时间上反而更快。此外，SGD的噪声有助于逃离浅层局部极小，对非严格凸问题亦可能加速。

3.使用L1正则化的线性回归模型，其解路径在正则化参数λ从大到小变化时，变量是逐个进入模型的，且进入顺序与变量边际相关性完全一致。

答案：错误。

详解：L1正则化确实产生稀疏解，变量进入顺序由“相关性”与“当前残差”共同决定，即LARS算法中的“最大角”准则。由于变量间存在共线性，后进入的变量可能因与已选变量形成更好解释方向而“插队”，因此顺序并不简单等同于边际相关系数绝对值排序。

4.对于二分类问题，若正负类样本比例严重失衡（如1:99），则直接以准确率（accuracy）作为评价指标会导致模型倾向预测为负类。

答案：正确。

详解：准确率=(TP+TN)/(TP+TN+FP+FN)。当负类占99%时，模型若全部预测为负，准确率仍高达99%，看似优异却完全丧失正类识别能力。此时应采用F1、AUC-ROC、AUC-PR或加权损失函数，以代价敏感方式平衡精度与召回。

5.在随机森林中，增加树的数量总能降低测试误差，且不会引入过拟合。

答案：错误。

详解：随机森林的泛化误差随树数增加呈单调递减，但存在渐近上限；当树数足够大后，测试误差趋于稳定而不再下降。由于单棵树为低偏差高方差模型，平均可抵消方差，但树数继续增加不会导致过拟合“反弹”。然而，若单棵树深度不加限制且特征子空间过大，整体方差仍可能偏高，表现为“欠最优”而非“过拟合”。因此“不会引入过拟合”表述过于绝对。

6.深度神经网络使用ReLU激活函数时，一定不会出现梯度消失问题。

答案：错误。

详解：ReLU在正区间梯度为1，可缓解传统sigmoid的梯度指数级衰减；但在负区间梯度为0，若权重初始化不当或学习率过高，可能导致大量神经元“死亡”，即永久输出0，梯度无法回传，表现为“梯度消失”的另一种形式——稀疏激活崩溃。此外，极深网络即使使用ReLU，其梯度范数仍可能因矩阵连乘而指数级缩小（梯度范数衰减），故仍需残差连接、LayerNorm等手段稳定训练。

7.支持向量机（SVM）的核函数必须满足Mercer条件，否则模型无法训练。

答案：错误。

详解：Mercer条件保证核矩阵半正定，从而原优化问题为凸二次规划，解唯一且对偶问题强对偶成立。然而，实际工程中存在非正定核（如某些自定义相似度），仍可通过非凸优化或正则化技巧求解，只是失去理论保证，可能陷入局部极小或出现数值不稳定。因此“无法训练”过于绝对。

8.在K均值聚类中，增加聚类中心数K一定能使惯性（inertia）指标单调下降，因此可通过“肘部法则”确定最优K。

答案：错误前半句正确，后半句错误。

详解：惯性为样本到所属中心平方和，增加K必使惯性单调不增，但“肘部法则”仅提供经验拐点，并无理论最优保证。高维数据或稀疏分布时，惯性曲线常呈平滑下降，无明显肘部；且真实簇数可能因密度差异而无法通过惯性捕捉。需结合silhouette、gapstatistic、稳定性或领域知识综合判断。

9.若两个随机变量X与Y互信息I(X;Y)=0，则它们一定统计独立。

答案：正确。

详解：互信息I(X;Y)=D_KL(P(X,Y)||P(X)P(Y))，为零当且仅当联合分布等于边缘分布乘积，即独立。该结论对连续与离散变量均成立。

10.主成分分析（PCA）降维后的新特征一定两两正交，因此可直接用于任意机器学习模型而无需再做特征缩放。

答案：错误。

详解：PCA通过线性变换产生正交主成分，但各主成分对应的特征值（方差）差异巨大。若后续模型对尺度敏感（如KNN、SVM-RBF、神经网