2025年P(guān)ython人工智能應(yīng)用案例專項訓(xùn)練試卷考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分。請將正確選項字母填入括號內(nèi)）1.下列哪個庫是Python中最常用的數(shù)據(jù)分析庫？(A)Matplotlib(B)NumPy(C)Seaborn(D)Flask2.在機(jī)器學(xué)習(xí)語境下，過擬合現(xiàn)象指的是？(A)模型對訓(xùn)練數(shù)據(jù)擬合不足，誤差較大(B)模型對訓(xùn)練數(shù)據(jù)擬合得過于完美，包括噪聲，導(dǎo)致泛化能力差(C)模型訓(xùn)練速度非常慢(D)模型無法處理連續(xù)型特征3.下列哪個方法常用于處理文本數(shù)據(jù)的向量化表示？(A)PCA(主成分分析)(B)K-Means聚類(C)TF-IDF(詞頻-逆文檔頻率)(D)決策樹回歸4.在使用Scikit-learn進(jìn)行模型訓(xùn)練時，`train_test_split`函數(shù)的主要作用是？(A)對訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理(B)將數(shù)據(jù)集劃分為訓(xùn)練集和測試集(C)對模型進(jìn)行超參數(shù)調(diào)優(yōu)(D)評估模型的性能指標(biāo)5.以下哪種模型屬于非參數(shù)模型？(A)線性回歸(B)邏輯回歸(C)K-Means聚類(D)支持向量機(jī)6.在進(jìn)行特征工程時，“特征交叉”通常指的是？(A)對特征進(jìn)行缺失值填充(B)創(chuàng)建新的特征，通常是現(xiàn)有特征的組合或交互項(C)對特征進(jìn)行歸一化處理(D)刪除不重要的特征7.以下哪個Python庫是TensorFlow的官方高級API？(A)NumPy(B)Pandas(C)Keras(D)Matplotlib8.決策樹模型在處理不純度時，常用的指標(biāo)不包括？(A)信息增益(InformationGain)(B)熵(Entropy)(C)均方誤差(MeanSquaredError)(D)Gini不純度(GiniImpurity)9.以下哪種技術(shù)通常用于提高模型對噪聲和異常值的魯棒性？(A)數(shù)據(jù)增強(qiáng)(DataAugmentation)(B)使用更復(fù)雜的模型(C)增加訓(xùn)練數(shù)據(jù)量(D)對輸入數(shù)據(jù)進(jìn)行魯棒性預(yù)處理（如使用中位數(shù)）10.在自然語言處理中，詞嵌入（WordEmbedding）技術(shù)的主要目的是？(A)將文本轉(zhuǎn)換為數(shù)值向量(B)對文本進(jìn)行分詞(C)命名實(shí)體識別(D)關(guān)系抽取二、填空題（每空2分，共20分。請將答案填入橫線上）1.在Scikit-learn中，使用`GridSearchCV`進(jìn)行模型超參數(shù)調(diào)優(yōu)時，需要配合使用________估計器來定義要搜索的參數(shù)空間。2.對于圖像分類任務(wù)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）比全連接神經(jīng)網(wǎng)絡(luò)（MLP）具有更強(qiáng)的________能力。3.在處理不平衡數(shù)據(jù)集時，常用的策略包括過采樣（如________）、欠采樣或調(diào)整類別權(quán)重。4.交叉驗(yàn)證（Cross-Validation）常用的方法有K折交叉驗(yàn)證、留一交叉驗(yàn)證等，其目的是為了更________地評估模型的泛化能力。5.在使用梯度下降法優(yōu)化模型參數(shù)時，學(xué)習(xí)率（LearningRate）是一個重要的超參數(shù)，它控制著每次參數(shù)更新的________。6.對于回歸問題，常用的評估指標(biāo)包括均方誤差（MSE）、均方根誤差（RMSE）和________。7.在構(gòu)建推薦系統(tǒng)時，協(xié)同過濾（CollaborativeFiltering）方法主要利用了用戶的歷史行為數(shù)據(jù)或________數(shù)據(jù)。8.使用樸素貝葉斯（NaiveBayes）分類器時，其“樸素”假設(shè)是指假設(shè)各個特征之間是________的。9.在深度學(xué)習(xí)模型訓(xùn)練中，為了防止模型過擬合，常用的正則化技術(shù)包括L1正則化、L2正則化和________。10.PyTorch和TensorFlow是目前最主流的兩個主流深度學(xué)習(xí)框架，它們都支持________訓(xùn)練和分布式計算。三、簡答題（每題5分，共15分）1.簡述過擬合和欠擬合的區(qū)別，并分別說明可能導(dǎo)致這兩種現(xiàn)象的原因。2.解釋什么是特征工程，并列舉至少三種常見的特征工程方法。3.描述在使用機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測時，模型選擇和模型評估各自扮演的角色。四、編程題（第1題15分，第2題20分，共35分）1.假設(shè)你已經(jīng)使用Pandas讀取了一個名為`data.csv`的數(shù)據(jù)集，該數(shù)據(jù)集包含以下幾列：`'Age'`（年齡，數(shù)值型），`'Income'`（年收入，數(shù)值型），`'Gender'`（性別，類別型：'Male','Female'），以及目標(biāo)變量`Target`（是否購買產(chǎn)品，類別型：'Yes','No'）。請編寫Python代碼片段完成以下任務(wù)：a)對`Age`和`Income`列進(jìn)行標(biāo)準(zhǔn)化處理（使均值為0，標(biāo)準(zhǔn)差為1）。b)將`Gender`列進(jìn)行獨(dú)熱編碼（One-HotEncoding）。c)使用`pandas.get_dummies`完成性別列的轉(zhuǎn)換，并將結(jié)果合并到原始數(shù)據(jù)框中。d)使用Scikit-learn的`train_test_split`函數(shù)將數(shù)據(jù)劃分為訓(xùn)練集和測試集，測試集比例設(shè)為30%，隨機(jī)種子設(shè)置為42。確保在劃分前已經(jīng)合并了包含獨(dú)熱編碼結(jié)果的完整數(shù)據(jù)框。2.假設(shè)你已經(jīng)完成了第1題的數(shù)據(jù)預(yù)處理，得到了一個名為`processed_data`的PandasDataFrame，其中包含處理后的特征列和一個名為`Target`的目標(biāo)列。特征列包括標(biāo)準(zhǔn)化后的`Age`和`Income`，以及獨(dú)熱編碼后的`Gender_Female`和`Gender_Male`列。目標(biāo)變量`Target`轉(zhuǎn)換為了數(shù)值形式（'Yes'為1，'No'為0）。請編寫Python代碼片段完成以下任務(wù)：a)使用Scikit-learn的`LogisticRegression`模型，在處理后的訓(xùn)練數(shù)據(jù)上訓(xùn)練一個邏輯回歸分類器。設(shè)置參數(shù)`solver='liblinear'`。b)在訓(xùn)練好的模型上，使用測試數(shù)據(jù)計算模型的預(yù)測概率。c)使用測試集的預(yù)測概率和實(shí)際目標(biāo)值（`processed_data['Target']`對應(yīng)測試集部分），計算邏輯回歸模型的AUC（ROC曲線下面積）得分。你需要使用`roc_auc_score`函數(shù)，該函數(shù)位于`sklearn.metrics`模塊中。d)（選做，不計分）嘗試使用`GridSearchCV`對邏輯回歸模型的正則化參數(shù)`C`進(jìn)行調(diào)優(yōu)，搜索范圍為`[0.01,0.1,1,10]`。---試卷答案一、選擇題1.B2.B3.C4.B5.C6.B7.C8.C9.D10.A二、填空題1.估計器(或Estimator)2.捕捉(或檢測)特征(或Pattern)3.SMOTE(或合成樣本生成)4.可靠(或準(zhǔn)確)5.步長(或大小)6.決定系數(shù)(R^2或R-squared)7.項目(或商品)8.獨(dú)立(或無關(guān))9.Dropout10.并行三、簡答題1.解析思路：*區(qū)別：*欠擬合：模型過于簡單，未能捕捉到數(shù)據(jù)中的基本模式，在訓(xùn)練集和測試集上表現(xiàn)均不佳（誤差高）。*過擬合：模型過于復(fù)雜，不僅學(xué)習(xí)了數(shù)據(jù)中的有效模式，還學(xué)習(xí)了噪聲和細(xì)節(jié)，導(dǎo)致在訓(xùn)練集上表現(xiàn)極好，但在測試集上表現(xiàn)差（訓(xùn)練集誤差低，測試集誤差高）。*原因：*欠擬合：模型選擇不當(dāng)（如復(fù)雜度不夠），或特征工程不足，數(shù)據(jù)本身信息量有限。*過擬合：模型復(fù)雜度過高（如層數(shù)太多、節(jié)點(diǎn)太多），訓(xùn)練數(shù)據(jù)量不足，或正則化不足。2.解析思路：*定義：特征工程是指從原始數(shù)據(jù)中提取、轉(zhuǎn)換、創(chuàng)建新的、更有信息量、更能有效用于模型學(xué)習(xí)的數(shù)據(jù)特征的過程。它是連接數(shù)據(jù)和模型的關(guān)鍵環(huán)節(jié)。*方法（列舉三種）：*特征編碼：如獨(dú)熱編碼（One-HotEncoding）、標(biāo)簽編碼（LabelEncoding）、二進(jìn)制編碼等，用于處理類別特征。*特征縮放：如標(biāo)準(zhǔn)化（Standardization）和歸一化（Normalization），使不同特征的量綱一致，利于模型收斂。*特征創(chuàng)建：如通過組合現(xiàn)有特征（如添加`Age`*`Income`）、計算衍生特征（如`Age`的平方）、使用交互特征等。3.解析思路：*模型選擇：指根據(jù)問題的性質(zhì)、數(shù)據(jù)的特征、計算資源等因素，選擇最合適的機(jī)器學(xué)習(xí)算法或模型類型（如線性模型、樹模型、神經(jīng)網(wǎng)絡(luò)等）。這是構(gòu)建有效模型的起點(diǎn)。*模型評估：指使用恰當(dāng)?shù)脑u價指標(biāo)和評估方法（如留出法、交叉驗(yàn)證），在未見過的數(shù)據(jù)上評估已選模型的性能（如準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)、AUC等），判斷模型的好壞，并用于比較不同模型或調(diào)優(yōu)效果。模型選擇的結(jié)果需要通過模型評估來驗(yàn)證。四、編程題1.解析思路：*a)標(biāo)準(zhǔn)化：使用`scikit-learn.preprocessing.StandardScaler`。對`Age`和`Income`列應(yīng)用`.fit_transform()`方法。`fit_transform`會先計算均值和標(biāo)準(zhǔn)差，然后進(jìn)行轉(zhuǎn)換。*b)獨(dú)熱編碼（準(zhǔn)備）：確認(rèn)`Gender`列是類別型。使用`pandas.get_dummies`函數(shù)，指定`prefix`參數(shù)為`'Gender'`，以避免列名沖突。此函數(shù)會自動處理類別，生成`Gender_Female`和`Gender_Male`兩個新列。*c)合并：使用Pandas的`.join()`或`.merge()`方法，將獨(dú)熱編碼生成的DataFrame（或Series）添加到原始`processed_data`DataFrame中。確保按索引對齊。*d)劃分：使用`sklearn.model_selection.train_test_split`。傳入合并后的`processed_data`DataFrame（包含特征列和`Target`列），`test_size=0.3`,`random_state=42`。`train_test_split`會自動處理特征和目標(biāo)變量，并隨機(jī)劃分?jǐn)?shù)據(jù)。2.解析思路：*a)訓(xùn)練邏輯回歸：導(dǎo)入`LogisticRegression`類。創(chuàng)建實(shí)例`model=LogisticRegression(solver='liblinear')`。使用`.fit(X_train,y_train)`方法訓(xùn)練模型，其中`X_train`是訓(xùn)練數(shù)據(jù)的特征部分，`y_train`是訓(xùn)練數(shù)據(jù)的`Target`目標(biāo)值。*b)預(yù)測概率：使用訓(xùn)練好的模型`.predict_proba(X_test)`方法。此方法返回每個測試樣本屬于每個類別的概率，形狀通常是`(n_samples,n_classes)`。我們通常取屬于正類（如'Yes'，對應(yīng)概率為1的列）的概率，即`model.predict_proba(X_test)[:,1]`。*c)計算AUC：導(dǎo)入`roc_auc_score`函數(shù)。使用該函數(shù)計算AUC值：`roc_auc_score(y_test,probabilities)`，其中`y_test`是測試數(shù)據(jù)的真實(shí)`Target`值（應(yīng)為數(shù)值形式），`probabilities`是上一步得到的預(yù)測概率（屬于正類的概率）。*d)(選做)GridSearchCV：