2026年机器学习工程师考试题库（附答案和详细解析）（0629）.docxVIP

机器学习工程师

一、单项选择题（共10题，每题1分，共10分）

在机器学习模型训练中，为了防止模型过拟合，通常会在损失函数中加入正则化项。以下关于L1正则化和L2正则化的描述，正确的是：A.L1正则化倾向于让权重稀疏化，L2正则化倾向于让权重平滑B.L1正则化倾向于让权重平滑，L2正则化倾向于让权重稀疏化C.两者都能有效地防止过拟合，且效果完全相同D.L1正则化只能用于线性模型，L2正则化只能用于非线性模型答案：A解析：L1正则化（Lasso回归）的导数绝对值之和具有不连续性，容易将不重要的特征权重压缩为0，实现特征选择和稀疏化；L2正则化（Ridge回归）的导数是连续的，倾向于将权重分散到较小的值上，使模型更平滑，不易过拟合，但不会使权重变为0。

在深度学习中，批量归一化（BatchNormalization）层的主要作用不包括以下哪项？A.加速模型收敛速度B.减少内部协变量偏移C.允许使用更高的学习率D.完全消除训练过程中的梯度消失或梯度爆炸问题答案：D解析：BatchNormalization确实能加速收敛、减少协变量偏移并允许更高学习率，但它不能完全消除梯度消失或梯度爆炸，这通常需要通过残差连接或梯度裁剪来解决。

针对文本数据，以下哪种特征提取方法最适用于捕捉词与词之间的共现关系，而非单纯的词频？A.One-hotEncod