2026年数据建模工程师考试题库（附答案和详细解析）（0310）.docxVIP

数据建模工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪种方法最适合解决模型过拟合问题？

A.减少训练数据量

B.增加模型复杂度

C.添加L2正则化项

D.降低学习率

答案：C

解析：过拟合的核心原因是模型对训练数据过度学习，泛化能力差。L2正则化通过在损失函数中添加参数平方和的惩罚项（如Ridge回归），限制模型参数的大小，从而降低复杂度，缓解过拟合（正确）。减少训练数据量会加剧过拟合（A错误）；增加模型复杂度会进一步过拟合（B错误）；降低学习率主要影响优化速度，与过拟合无直接关联（D错误）。

分类任务中，若正负样本极不均衡（如正样本占1%），最适合的评估指标是？

A.准确率（Accuracy）

B.均方误差（MSE）

C.F1-score

D.R2系数

答案：C

解析：当正负样本不均衡时，准确率会因多数类主导而失真（如全预测为负样本时准确率99%，但无实际价值）（A错误）。均方误差（MSE）和R2系数是回归任务的评估指标（B、D错误）。F1-score是精确率（Precision）和召回率（Recall）的调和平均，能综合反映少数类的识别能力，适合不均衡场景（C正确）。

线性回归模型的损失函数通常定义为？

A.交叉熵损失（Cross-Entropy）

B.均方误差（MSE）

hinge损失

D.指数损失

答案：B

解析：线性回归是回