2026年机器学习工程师考试题库（附答案和详细解析）（0103）.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）

以下哪种方法通过在损失函数中添加权重平方和的惩罚项来防止过拟合？

A.早停法（EarlyStopping）

B.数据增强（DataAugmentation）

C.L2正则化（RidgeRegression）

D.特征选择（FeatureSelection）

答案：C

解析：L2正则化通过在损失函数中添加权重参数的平方和（即(w^2)）作为惩罚项，迫使模型权重更小，从而降低复杂度，防止过拟合。早停法通过提前终止训练防止过拟合，数据增强通过增加训练数据多样性缓解过拟合，特征选择通过减少冗余特征降低复杂度，均不直接在损失函数中添加权重平方项。

分类任务中，若样本类别极不平衡（如正类占1%），最适合的评估指标是？

A.准确率（Accuracy）

B.均方误差（MSE）

C.F1分数（F1-score）

D.R2分数（R-squared）

答案：C

解析：当类别不平衡时，准确率会因多数类主导而失效（如全预测负类准确率可达99%）。F1分数是精确率（Precision）和召回率（Recall）的调和平均，能综合反映少数类的识别能力，更适合不平衡场景。均方误差用于回归任务，R2分数衡量回归模型拟合优度，均不适用于分类。

随机梯度下降（SGD）与批量梯度下降（BGD）的核心区别是？

A.SGD使用全部