机器学习工程师考试试卷及答案.docVIP

机器学习工程师考试试卷及答案

填空题（10题，1分/题）

1.线性回归的常用损失函数是________。

2.防止过拟合的常见方法有正则化、________、早停等。

3.神经网络中引入非线性的激活函数有ReLU、________等。

4.梯度下降的变种包括SGD、________、Mini-BatchSGD。

5.决策树特征选择的指标有信息增益、________、基尼系数。

6.包含输入/隐藏/输出层的神经网络称为________。

7.无监督聚类算法有K-Means、________等。

8.正则化的两种主要类型是L1和________。

9.特征工程方法有归一化、________、独热编码等。

10.平衡准确率和召回率的指标是________。

答案

1.均方误差（MSE）2.数据增强3.Sigmoid4.批量梯度下降（BGD）5.信息增益率6.多层感知机（MLP）7.DBSCAN8.L29.标准化10.F1分数

单项选择题（10题，2分/题）

1.属于监督学习的算法是？

A.K-MeansB.PCAC.逻辑回归D.DBSCAN

2.逻辑回归的损失函数是？

A.MSEB.交叉熵损失C.平方损失D.hinge损失

3.影响决策树复杂度的参数是？

A.学习率B.树深度C.批次大小D.正则化强度

4.处理不平衡数据的常用指标是？

A.准确率B.召回率C.F1分数D.以上都是

5.深度学习常用优化器是？

A.AdamB.K-MeansC.SVMD.决策树

6.属于集成学习的算法是？

A.随机森林B.线性回归C.KNND.朴素贝叶斯

7.无监督学习不包括的任务是？

A.聚类B.降维C.分类D.异常检测

8.缺失值填充的常用方法是？

A.均值填充B.独热编码C.归一化D.标准化

9.属于生成模型的是？

A.SVMB.GANC.逻辑回归D.决策树

10.学习率的作用是？

A.控制参数更新步长B.控制树深度C.控制正则化强度D.控制批次大小

答案

1.C2.B3.B4.D5.A6.A7.C8.A9.B10.A

多项选择题（10题，2分/题）

1.防止过拟合的方法包括？

A.正则化B.数据增强C.增加训练数据D.简化模型

2.集成学习算法有？

A.随机森林B.XGBoostC.LightGBMD.线性回归

3.神经网络激活函数有？

A.ReLUB.SigmoidC.TanhD.Softmax

4.聚类算法包括？

A.K-MeansB.DBSCANC.层次聚类D.逻辑回归

5.特征选择方法有？

A.过滤法B.包裹法C.嵌入法D.归一化

6.分类模型评估指标有？

A.准确率B.召回率C.F1分数D.混淆矩阵

7.梯度下降变种有？

A.BGDB.SGDC.Mini-BatchSGDD.Adam

8.正则化类型包括？

A.L1B.L2C.DropoutD.早停

9.处理不平衡数据的方法有？

A.过采样B.欠采样C.调整类别权重D.数据增强

10.GAN的组成部分包括？

A.生成器B.判别器C.损失函数D.优化器

答案

1.ABCD2.ABC3.ABCD4.ABC5.ABC6.ABCD7.ABC8.AB9.ABCD10.ABCD

判断题（10题，2分/题）

1.线性回归假设误差项服从正态分布。（√）

2.决策树可处理非线性关系。（√）

3.L1正则化使参数产生稀疏解。（√）

4.SVM适合高维数据。（√）

5.随机森林是集成学习。（√）

6.K-Means不需要指定聚类数K。（×）

7.逻辑回归输出类别概率。（√）

8.Dropout是神经网络正则化方法。（√）

9.PCA是降维算法。（√）

10.XGBoost是梯度提升树改进版。（√）

简答题（4题，5分/题）

1.什么是过拟合？如何解决？

答案：过拟合是模型训练集表现极佳、测试集表现差的现象，源于学习训练数据噪声。解决方法：①正则化（L1/L2约束参数）；②数据增强增加多样性；③早停法（验证集性能下降时停止）；④简化模型（减小树深度、减少网络层数）；⑤集成学习（随机森林降低方差）。

2.逻辑回归与线性回归的区别？

答案：①任务：线性回归（回归，连续值），逻辑回归（分类，离散概率）；②输出：线性回归输出连续值，逻辑回归经Sigmoid输出[0,1]概率；③损失：线性回归用MSE，逻辑回归用交叉熵；④假设：线性回归假设误差正态分布，逻辑回归无此假设。

3.梯度下降的工作原理？

答案：梯度下降是最小化损失的优化算法。步骤：①计算损失对参数的梯度（上升最快方向）；②沿梯度反方向更新参数（步长由学习率控制）；③迭代至损失收敛（变化小于阈值）或达最大次数。变种含批量（BGD）、随机（SGD）、小批量SGD，平衡效率与稳定性。

4.什么是特征工程？包含哪些步骤？

答案：特征工程是将原始数据转化为模型适配特征