2026年机器学习工程师招聘面试题目及高频考点含答案.docxVIP

第PAGE页共NUMPAGES页

2026年机器学习工程师招聘面试题目及高频考点含答案

一、编程题（3题，每题15分，共45分）

1.题目（15分）：

编写一个Python函数，实现K近邻（K-NearestNeighbors,KNN）算法的核心逻辑，即根据输入样本和训练数据，返回每个样本的类别预测。假设数据集为二维特征，类别标签为整数（如0和1），使用欧氏距离计算最近邻。

要求：

-输入：训练数据集（列表形式，每个元素为[特征1,特征2,标签]）、待预测样本（列表形式[特征1,特征2]）、K值（整数）。

-输出：待预测样本的类别预测（多数投票结果）。

示例：

python

data=[[1.0,2.0,0],[2.0,3.0,0],[6.0,7.0,1],[7.0,8.0,1]]

predict=[5.0,6.0]

k=3

输出应为1

答案：

python

importnumpyasnp

fromcollectionsimportCounter

defknn_predict(data,predict,k):

将数据转换为numpy数组

data=np.array(data)

predict=np.array(predict)

计算欧氏距离

distances=np.sqrt(((data-predict)2).sum(axis=1))

获取最近的k个样本

nearest_indices=distances.argsort()[:k]

多数投票

nearest_labels=data[nearest_indices][:,-1]

label_counts=Counter(nearest_labels)

returnlabel_counts.most_common(1)[0][0]

示例测试

data=[[1.0,2.0,0],[2.0,3.0,0],[6.0,7.0,1],[7.0,8.0,1]]

predict=[5.0,6.0]

k=3

print(knn_predict(data,predict,k))#输出：1

解析：

-首先将数据转换为numpy数组便于计算。

-使用欧氏距离公式计算每个样本与待预测样本的距离。

-对距离进行排序，选择最近的k个样本，根据其标签进行多数投票。

2.题目（15分）：

实现一个简单的线性回归模型，使用梯度下降法优化参数。假设输入特征为二维，输出为标量，要求计算损失函数（均方误差）并更新权重。

要求：

-输入：训练数据（列表形式，每个元素为[特征1,特征2,目标值]）、学习率（学习率）、迭代次数（整数）。

-输出：优化后的权重（w1,w2）和偏置（b）。

示例：

python

data=[[1,2,3],[2,3,5],[3,4,7]]

learning_rate=0.01

epochs=1000

输出近似为[1.5,1.0,0.5]

答案：

python

deflinear_regressionGD(data,learning_rate,epochs):

初始化参数

w1,w2,b=0.0,0.0,0.0

提取特征和目标值

X=np.array([d[:2]fordindata])

y=np.array([d[2]fordindata])

for_inrange(epochs):

预测值

y_pred=w1X[:,0]+w2X[:,1]+b

计算梯度

dw1=(2/len(X))np.dot(y_pred-y,X[:,0])

dw2=(2/len(X))np.dot(y_pred-y,X[:,1])

db=(2/len(X))np.sum(y_pred-y)

更新参数

w1-=learning_ratedw1

w2-=learning_ratedw2

b-=learning_ratedb

returnw1,w2,b

示例测试

data=[[1,2,3],[2,3,5],[3,4,7]]

learning_rate=0.01

epochs=1000

print(linear_regressionGD(data,learning_rate,epochs))#输出近似为[1.5,1.0,0.5]

解析：

-使用梯度下降法迭代更新权重，均方误差作为损失函数。

-每次迭代计算预测值与目标值的差，并根