2026年机器学习工程师考试题库（附答案和详细解析）（0121）.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）

以下哪种学习方式属于监督学习？

A.K-means聚类

B.关联规则挖掘（Apriori）

C.支持向量机（SVM）分类

D.主成分分析（PCA）降维

答案：C

解析：监督学习需要标签数据，SVM分类任务通过带标签的训练数据学习分类边界。A（K-means）和B（Apriori）是无监督学习，D（PCA）是无监督降维技术。

以下哪项是解决过拟合的常用方法？

A.减少训练数据量

B.增加模型复杂度（如加深神经网络层数）

C.L2正则化

D.降低学习率

答案：C

解析：L2正则化通过在损失函数中添加权重平方和的惩罚项，限制模型复杂度，缓解过拟合。A（减少数据）会加剧过拟合，B（增加复杂度）可能导致过拟合更严重，D（降低学习率）影响收敛速度而非过拟合。

分类任务中，当正负样本极度不平衡时，最适合的评估指标是？

A.准确率（Accuracy）

B.F1分数

C.AUC-ROC

D.均方误差（MSE）

答案：C

解析：AUC-ROC衡量分类器在不同阈值下的整体性能，对类别不平衡不敏感。准确率在样本不平衡时会被多数类主导（如99%负样本时，全猜负样本准确率99%但无意义）；F1分数虽考虑精确率和召回率，但依赖单一阈值；MSE是回归任务指标。

以下哪种算法属于生成模型？

A.逻辑回归

B.朴素贝叶斯

C.支持向量机

D.K近邻（KNN）

答案：B

解析：生成模型通过学习数据的联合概率分布P(X,Y)进行预测（如朴素贝叶斯假设特征独立，计算P(Y|X)∝P(X|Y)P(Y)）；判别模型直接学习决策边界P(Y|X)（如逻辑回归、SVM、KNN）。

深度学习中，ReLU激活函数的主要优点是？

A.输出范围在(0,1)，适合概率建模

B.避免梯度消失问题

C.计算复杂度低

D.解决梯度爆炸问题

答案：B

解析：ReLU（f(x)=max(0,x)）在输入为正时梯度为1，避免了sigmoid/tanh在饱和区梯度趋近于0的问题（梯度消失）。A是sigmoid的特点，C是所有线性函数的共性，D需通过梯度裁剪或权重初始化解决。

随机森林（RandomForest）的核心思想是？

A.通过串行训练弱分类器，逐步修正前序模型的错误

B.对样本和特征进行随机抽样，并行训练多棵决策树，结果投票

C.使用核函数将低维数据映射到高维空间

D.通过L1正则化实现特征选择

答案：B

解析：随机森林是Bagging集成方法，通过自助采样（Bootstrap）选择样本，随机选择特征子集训练多棵决策树，最终结果通过投票（分类）或平均（回归）得到。A是Boosting（如AdaBoost）的思想，C是SVM核技巧，D是Lasso回归。

以下哪项不属于特征工程的范畴？

A.缺失值填充（如用均值填补）

B.类别特征独热编码（One-HotEncoding）

C.调整神经网络学习率

D.时间序列特征提取（如滑动窗口均值）

答案：C

解析：特征工程是对原始数据进行处理以提升模型性能的过程（包括缺失值处理、编码、特征构造等）；调整学习率属于模型训练超参数优化，不属于特征工程。

评估回归模型性能时，均方误差（MSE）与平均绝对误差（MAE）的主要区别是？

A.MSE对异常值更敏感

B.MAE的计算复杂度更高

C.MSE更适合非正态分布数据

D.MAE是无偏估计量

答案：A

解析：MSE计算误差的平方，异常值的平方会显著放大其影响；MAE计算绝对误差，对异常值更鲁棒。B（MAE计算更简单）、C（无此关联）、D（两者是否无偏取决于模型）均错误。

以下哪种降维方法属于线性降维？

A.t-SNE（t分布随机邻域嵌入）

B.核PCA（KernelPCA）

C.拉普拉斯特征映射（LaplacianEigenmaps）

D.主成分分析（PCA）

答案：D

解析：PCA通过线性变换（协方差矩阵的特征分解）找到数据的主成分方向，属于线性降维。t-SNE、核PCA（通过核函数隐式映射到高维）、拉普拉斯特征映射（基于流形学习）均为非线性降维。

强化学习中，“奖励函数”的主要作用是？

A.定义智能体的目标

B.提供监督学习的标签

C.优化模型参数的梯度方向

D.加速模型收敛

答案：A

解析：强化学习中，奖励函数是环境对智能体动作的反馈，用于定义“好”动作的标准（如游戏得分、机器人任务完成度），指导智能体学习最优策略。B是监督学习的标签作用，C是损失函数的作用，D是优化器的作用。

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）

以下哪些属于正则化方法？（）

A.L1正则化（Lasso）

B.L2正则化（Ridge）

C.Dro