2026年机器学习工程师考试题库（附答案和详细解析）（0802）.docxVIP

机器学习工程师

一、单项选择题（共10题，每题1分，共10分）

以下关于模型偏差和方差的描述中，正确的是A.高偏差通常对应模型的过拟合现象B.高方差意味着模型在训练集上的泛化误差极小C.增加模型的复杂度通常会降低偏差、提升方差D.减少训练样本数量可以有效降低模型的总泛化误差答案：C解析：正确选项依据：偏差衡量模型预测值与真实值的平均偏离程度，模型复杂度提升后可更好拟合数据规律，偏差下降，但同时会对训练集的微小波动更敏感，方差上升。A错误，高偏差对应欠拟合，例如用线性模型拟合非线性分布数据；B错误，泛化误差是模型在未知测试集上的误差，高方差仅代表模型在训练集上误差极低，测试集泛化误差极高；D错误，增加训练样本数量才能降低总泛化误差，减少训练样本会进一步抬升方差。

以下损失函数中，最不适合直接用于二分类模型训练优化的是A.交叉熵损失B.均方误差（MSE）损失C.铰链损失（HingeLoss）D.负对数似然损失答案：B解析：正确选项依据：MSE对分类任务的非凸性问题易导致梯度消失，且分类任务的输出是离散标签映射后的概率分布，MSE假设输出服从高斯分布的前提不成立，不适合直接优化分类目标。A交叉熵是分类任务主流损失；C铰链损失是SVM的标准损失；D负对数似然和交叉熵数学等价，广泛用于分类任务优化。

K近邻（KNN）算法的核心特性是A.属于主动学