2026年机器学习工程师考试题库（附答案和详细解析）（0125）.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）

以下哪种学习方法需要标注的训练数据？

A.监督学习

B.无监督学习

C.半监督学习

D.强化学习

答案：A

解析：监督学习的核心是通过输入特征与对应的标签（标注数据）训练模型，如分类、回归任务；无监督学习（B）仅使用无标签数据（如聚类）；半监督学习（C）使用少量标签+大量无标签数据；强化学习（D）通过环境反馈（奖励信号）学习策略，无需显式标签。

以下哪种算法通过最大化数据间隔来分类？

A.逻辑回归

B.支持向量机（SVM）

C.决策树

D.K近邻（KNN）

答案：B

解析：SVM的核心是寻找最大间隔超平面，将不同类别数据分开；逻辑回归（A）通过sigmoid函数拟合概率；决策树（C）通过特征划分构建树结构；KNN（D）基于近邻样本投票分类。

当模型在训练集上表现很好但测试集表现差时，可能发生了？

A.欠拟合

B.过拟合

C.方差偏差平衡

D.数据泄露

答案：B

解析：过拟合指模型过度学习训练数据的噪声和细节，导致泛化能力差（测试集效果差）；欠拟合（A）是模型无法捕捉数据规律（训练集效果也差）；方差偏差平衡（C）是模型优化目标；数据泄露（D）指测试数据参与训练，导致评估不准。

以下哪个指标最适合评估类别不平衡的分类任务？

A.准确率（Accuracy）

B.精确率（Precision）

C.F1分数

D.均方误差（MSE）

答案：C

解析：类别不平衡时，准确率（A）易受多数类主导（如99%负样本时，全预测负样本准确率99%但无意义）；F1分数是精确率和召回率的调和平均，综合衡量少数类表现；精确率（B）仅关注正预测中的真实正例，未考虑漏检；MSE（D）用于回归任务。

以下哪种损失函数适用于多分类任务？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.Hinge损失

D.绝对误差（MAE）

答案：B

解析：交叉熵损失（B）通过预测概率与真实标签的对数似然计算，适用于多分类（如softmax+交叉熵）；MSE（A）和MAE（D）用于回归；Hinge损失（C）主要用于SVM的二分类。

特征工程中，“将年龄分为青年/中年/老年”属于？

A.特征提取

B.特征离散化

C.特征归一化

D.特征选择

答案：B

解析：特征离散化是将连续值划分为离散区间（如年龄分箱）；特征提取（A）指从原始数据生成新特征（如图像像素转直方图）；归一化（C）是缩放特征范围（如Min-Max归一化）；特征选择（D）是筛选重要特征。

以下哪种梯度下降方法计算速度最快但收敛波动大？

A.批量梯度下降（BGD）

B.随机梯度下降（SGD）

C.小批量梯度下降（MBGD）

D.动量梯度下降（Momentum）

答案：B

解析：SGD每次仅用1个样本计算梯度，速度最快但噪声大（收敛波动）；BGD（A）用全部样本，计算慢但收敛稳定；MBGD（C）折中；Momentum（D）是优化策略，非基础类型。

集成学习中，随机森林（RandomForest）属于？

A.Bagging

B.Boosting

C.Stacking

D.梯度提升树（GBDT）

答案：A

解析：随机森林通过自助采样（Bootstrap）生成多个决策树（基模型），并行训练后投票（Bagging方法）；Boosting（B）是串行训练（如AdaBoost）；Stacking（C）是模型融合；GBDT（D）是Boosting的一种。

神经网络中，ReLU激活函数的主要优点是？

A.避免梯度消失

B.输出值在[-1,1]

C.计算复杂度高

D.适用于所有层

答案：A

解析：ReLU（f(x)=max(0,x)）在x0时梯度为1，避免了Sigmoid/Tanh的梯度消失问题；输出值范围是[0,∞)（B错误）；计算简单（C错误）；通常用于隐藏层，输出层可能用Sigmoid/Softmax（D错误）。

超参数调优时，以下哪种方法效率最高？

A.网格搜索（GridSearch）

B.随机搜索（RandomSearch）

C.贝叶斯优化（BayesianOptimization）

D.手动调参

答案：C

解析：贝叶斯优化通过概率模型（如高斯过程）建模超参数与目标函数的关系，优先探索更有潜力的区域，效率高于网格（A，穷举所有组合）和随机搜索（B，随机采样）；手动调参（D）依赖经验，效率最低。

二、多项选择题（共10题，每题2分，共20分）

以下属于无监督学习任务的有？

A.K-means聚类

B.主成分分析（PCA）

C.逻辑回归

D.关联规则挖掘（Apriori）

答案：ABD

解析：无监督学习无标签数据，K-means（A）聚类、PCA（B