2025年P(guān)ython人工智能應(yīng)用開發(fā)考試沖刺押題試卷：技術(shù)要點(diǎn)深度剖析考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（請(qǐng)將正確選項(xiàng)字母填入括號(hào)內(nèi)）1.在Python中，以下哪個(gè)關(guān)鍵字用于定義類？（）A.structB.classC.typeD.def2.下列關(guān)于NumPy數(shù)組的說(shuō)法，錯(cuò)誤的是？（）A.NumPy數(shù)組是同質(zhì)的，即數(shù)組中所有元素的類型必須相同。B.NumPy數(shù)組支持高效的索引和切片操作。C.Pandas是基于NumPy構(gòu)建的，因此Pandas的DataFrame可以視作特殊的NumPy數(shù)組。D.NumPy數(shù)組的內(nèi)存消耗通常比Python原生的列表要小。3.在Scikit-learn中，用于評(píng)估模型泛化能力，特別是當(dāng)測(cè)試數(shù)據(jù)量較小時(shí)，常用的方法是？（）A.決策樹B.交叉驗(yàn)證C.網(wǎng)格搜索D.K近鄰算法4.下列哪個(gè)不是機(jī)器學(xué)習(xí)中的常見損失函數(shù)？（）A.均方誤差（MSE）B.交叉熵?fù)p失C.最大似然估計(jì)D.L1正則化損失5.在構(gòu)建深度學(xué)習(xí)模型時(shí)，選擇合適的激活函數(shù)對(duì)于模型的非線性能力至關(guān)重要。以下哪個(gè)函數(shù)通常用于隱藏層，而很少用于輸出層（當(dāng)預(yù)測(cè)目標(biāo)是分類時(shí)）？（）A.SigmoidB.ReLUC.TanhD.Softmax6.以下哪個(gè)庫(kù)是Python中用于構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型的主流框架之一？（）A.PandasB.MatplotlibC.TensorFlowD.NLTK7.當(dāng)處理圖像識(shí)別任務(wù)時(shí)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）比全連接網(wǎng)絡(luò)的主要優(yōu)勢(shì)在于？（）A.能夠處理更大量的數(shù)據(jù)B.自動(dòng)學(xué)習(xí)圖像中的局部特征和空間層次結(jié)構(gòu)C.訓(xùn)練速度更快D.需要更少的參數(shù)8.在特征工程中，將類別特征轉(zhuǎn)換為數(shù)值表示的常用方法之一是？（）A.標(biāo)準(zhǔn)化（Standardization）B.歸一化（Normalization）C.?one-hot編碼D.PCA降維9.以下哪個(gè)概念指的是模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在未見過(guò)的測(cè)試數(shù)據(jù)上表現(xiàn)很差的現(xiàn)象？（）A.過(guò)擬合（Overfitting）B.欠擬合（Underfitting）C.數(shù)據(jù)偏差D.隨機(jī)噪聲10.大語(yǔ)言模型（LLMs）的核心能力之一是能夠根據(jù)給定的上下文生成連貫的文本。這主要得益于其訓(xùn)練過(guò)程中學(xué)習(xí)到了大量的？（）A.物理定律B.數(shù)學(xué)公式C.人類語(yǔ)言模式和知識(shí)D.編程語(yǔ)法11.在Scikit-learn中，`Pipeline`類的主要作用是？（）A.創(chuàng)建決策樹模型B.執(zhí)行K折交叉驗(yàn)證C.將多個(gè)數(shù)據(jù)預(yù)處理步驟（如縮放、編碼）和模型訓(xùn)練步驟組合成一個(gè)可調(diào)用的單元D.評(píng)估模型的性能指標(biāo)12.對(duì)于需要處理時(shí)間序列數(shù)據(jù)的任務(wù)，以下哪種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可能更為適合？（）A.卷積神經(jīng)網(wǎng)絡(luò)（CNN）B.遞歸神經(jīng)網(wǎng)絡(luò)（RNN）及其變種（如LSTM,GRU）C.全連接神經(jīng)網(wǎng)絡(luò)（FCN）D.自編碼器13.在模型訓(xùn)練過(guò)程中，用于更新模型參數(shù)，以最小化損失函數(shù)的算法被稱為？（）A.激活函數(shù)B.優(yōu)化器（Optimizer）C.損失函數(shù)（LossFunction）D.計(jì)算圖14.下列哪個(gè)術(shù)語(yǔ)指的是從大量數(shù)據(jù)中自動(dòng)發(fā)現(xiàn)有用信息和知識(shí)的過(guò)程？（）A.機(jī)器學(xué)習(xí)B.深度學(xué)習(xí)C.數(shù)據(jù)挖掘D.自然語(yǔ)言處理15.當(dāng)需要對(duì)一個(gè)包含多個(gè)連續(xù)屬性的樣本進(jìn)行分類時(shí)，邏輯回歸模型輸出的結(jié)果通常被解釋為？（）A.屬于每個(gè)類別的概率分布B.屬于某個(gè)特定類別的確定標(biāo)簽C.樣本與某個(gè)特定類別的相似度得分D.模型的復(fù)雜度參數(shù)二、填空題（請(qǐng)將答案填入橫線處）1.Python中，用于處理大規(guī)模數(shù)據(jù)集并提供了豐富數(shù)據(jù)分析功能的庫(kù)是________。2.在機(jī)器學(xué)習(xí)模型評(píng)估中，準(zhǔn)確率（Accuracy）是衡量模型整體預(yù)測(cè)正確率的指標(biāo)，其計(jì)算公式為：準(zhǔn)確率=(_______+_______)/總樣本數(shù)。3.在深度學(xué)習(xí)中，反向傳播算法通過(guò)計(jì)算損失函數(shù)相對(duì)于網(wǎng)絡(luò)參數(shù)的________來(lái)更新參數(shù)。4.對(duì)于二分類問(wèn)題，Softmax激活函數(shù)通常應(yīng)用于輸出層，它可以將網(wǎng)絡(luò)輸出轉(zhuǎn)換為________的概率分布。5.特征工程中的“特征縮放”通常指對(duì)數(shù)值型特征進(jìn)行________或________，目的是使不同特征的尺度一致，避免某些特征因數(shù)值范圍過(guò)大而對(duì)模型產(chǎn)生不成比例的影響。6.在TensorFlow或PyTorch中，用于執(zhí)行模型訓(xùn)練迭代過(guò)程的循環(huán)結(jié)構(gòu)，通常需要包含數(shù)據(jù)加載、前向傳播、計(jì)算損失、反向傳播和參數(shù)更新等步驟。7.自然語(yǔ)言處理（NLP）任務(wù)中的詞嵌入（WordEmbedding）技術(shù)，旨在將詞語(yǔ)表示為低維稠密的向量，從而捕捉詞語(yǔ)之間的________關(guān)系。8.推薦系統(tǒng)是人工智能在________領(lǐng)域的一個(gè)重要應(yīng)用，其目標(biāo)是為用戶推薦他們可能感興趣的商品、內(nèi)容或服務(wù)等。9.優(yōu)化機(jī)器學(xué)習(xí)模型性能的常用方法之一是調(diào)整模型的________，例如學(xué)習(xí)率、正則化參數(shù)等。10.強(qiáng)化學(xué)習(xí)（ReinforcementLearning）是一種通過(guò)讓智能體（Agent）在環(huán)境中通過(guò)________與環(huán)境交互，并學(xué)習(xí)如何做出決策以最大化累積獎(jiǎng)勵(lì)的機(jī)器學(xué)習(xí)方法。三、簡(jiǎn)答題1.請(qǐng)簡(jiǎn)述面向?qū)ο缶幊蹋∣OP）的四大基本特性（封裝、繼承、多態(tài)、抽象），并分別舉例說(shuō)明其在Python編程中的應(yīng)用場(chǎng)景。2.假設(shè)你需要使用Python對(duì)一份包含用戶ID、年齡、性別、購(gòu)買記錄（列表形式）的數(shù)據(jù)進(jìn)行初步分析，以探索用戶特征與購(gòu)買行為之間的關(guān)系。請(qǐng)列出至少三個(gè)你可能會(huì)使用的數(shù)據(jù)處理步驟（使用Pandas庫(kù)），并說(shuō)明每個(gè)步驟的目的。3.比較并說(shuō)明決策樹（DecisionTree）和K近鄰（KNN）兩種監(jiān)督學(xué)習(xí)算法的主要區(qū)別，包括它們的工作原理、優(yōu)缺點(diǎn)以及適合處理的問(wèn)題類型。4.解釋什么是過(guò)擬合（Overfitting）和欠擬合（Underfitting），并分別提出至少兩種緩解這兩種問(wèn)題的常用方法。5.以圖像分類任務(wù)為例，簡(jiǎn)要描述卷積神經(jīng)網(wǎng)絡(luò)（CNN）是如何通過(guò)卷積層、池化層和全連接層等組件來(lái)學(xué)習(xí)圖像特征并進(jìn)行分類的。請(qǐng)說(shuō)明每一層的主要作用。四、編程題1.假設(shè)你有一個(gè)包含兩列數(shù)值數(shù)據(jù)的NumPy數(shù)組`data`，其中一列代表房屋面積（平方米），另一列代表房屋價(jià)格（萬(wàn)元）。請(qǐng)編寫Python代碼，使用NumPy的線性代數(shù)工具（`numpy.linalg.lstsq`）計(jì)算一個(gè)簡(jiǎn)單的線性回歸模型（y=wx+b），其中x是房屋面積，y是房屋價(jià)格。你需要從結(jié)果中獲取斜率（w）和截距（b），并打印出來(lái)。假設(shè)`data`已經(jīng)正確定義并加載。2.使用Scikit-learn庫(kù)，完成以下任務(wù)：a.加載內(nèi)置的鳶尾花（Iris）數(shù)據(jù)集。b.將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，比例分別為80%和20%，確保隨機(jī)性，并設(shè)置隨機(jī)種子為42。c.使用訓(xùn)練集數(shù)據(jù)，訓(xùn)練一個(gè)K近鄰分類器（`KNeighborsClassifier`），并將鄰居數(shù)量`n_neighbors`設(shè)置為3。d.在測(cè)試集上評(píng)估該分類器的準(zhǔn)確率，并將結(jié)果打印出來(lái)。3.假設(shè)你已經(jīng)成功使用PyTorch構(gòu)建了一個(gè)簡(jiǎn)單的全連接神經(jīng)網(wǎng)絡(luò)模型`net`，用于處理一個(gè)具有4個(gè)輸入特征的數(shù)據(jù)集，并定義了損失函數(shù)`criterion`和優(yōu)化器`optimizer`。請(qǐng)編寫PyTorch代碼片段，模擬一次模型訓(xùn)練的迭代過(guò)程：a.將一個(gè)隨機(jī)生成的批處理數(shù)據(jù)`inputs`（形狀為[batch_size,4]）和對(duì)應(yīng)的標(biāo)簽`targets`（形狀為[batch_size]）傳入模型進(jìn)行前向傳播。b.計(jì)算預(yù)測(cè)輸出`outputs`與真實(shí)標(biāo)簽`targets`之間的損失。c.清空之前的梯度。d.進(jìn)行反向傳播，計(jì)算損失函數(shù)相對(duì)于模型參數(shù)的梯度。e.使用優(yōu)化器更新模型參數(shù)。---試卷答案一、選擇題1.B解析：Python中使用關(guān)鍵字`class`定義類。2.D解析：NumPy數(shù)組的內(nèi)存消耗通常比原生列表要大，因?yàn)镹umPy使用連續(xù)內(nèi)存塊并存儲(chǔ)固定類型，而列表是異構(gòu)且包含指向?qū)ο蟮闹羔槨?.B解析：交叉驗(yàn)證通過(guò)將數(shù)據(jù)多次劃分為訓(xùn)練集和驗(yàn)證集，多次評(píng)估模型性能，從而更穩(wěn)定地估計(jì)泛化能力。網(wǎng)格搜索是用于超參數(shù)調(diào)優(yōu)的方法。4.C解析：最大似然估計(jì)是一種統(tǒng)計(jì)方法，用于根據(jù)觀測(cè)數(shù)據(jù)估計(jì)模型參數(shù)，而不是一種損失函數(shù)。MSE、交叉熵?fù)p失、L1正則化損失都是常見的損失函數(shù)。5.A解析：Sigmoid函數(shù)輸出范圍在(0,1)，適合二分類問(wèn)題的輸出層表示概率，但不適合多分類問(wèn)題的輸出層。ReLU、Tanh常用于隱藏層。Softmax用于多分類輸出層。6.C解析：TensorFlow是構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型的主流開源框架之一。Pandas用于數(shù)據(jù)處理，Matplotlib用于繪圖，NLTK用于自然語(yǔ)言處理。7.B解析：CNN通過(guò)卷積操作自動(dòng)學(xué)習(xí)圖像中的局部特征（如邊緣、紋理）和空間層次結(jié)構(gòu)（從低級(jí)到高級(jí)特征），這是其優(yōu)于全連接網(wǎng)絡(luò)的關(guān)鍵。8.C解析：One-hot編碼是將類別特征轉(zhuǎn)換為數(shù)值向量的常用方法，將某個(gè)類別表示為一個(gè)全1其他位置為0的向量。標(biāo)準(zhǔn)化和歸一化是特征縮放方法。9.A解析：過(guò)擬合是指模型在訓(xùn)練數(shù)據(jù)上擬合得非常好（訓(xùn)練誤差低），但在未見過(guò)的測(cè)試數(shù)據(jù)上表現(xiàn)很差（測(cè)試誤差高）的現(xiàn)象。10.C解析：LLMs的核心能力來(lái)源于其訓(xùn)練過(guò)程中接觸海量的文本數(shù)據(jù)，從而學(xué)習(xí)到了人類語(yǔ)言的結(jié)構(gòu)、模式和廣泛知識(shí)。11.C解析：`Pipeline`類用于將數(shù)據(jù)預(yù)處理步驟（如縮放、編碼）和模型訓(xùn)練步驟串聯(lián)起來(lái)，作為一個(gè)整體進(jìn)行網(wǎng)格搜索等操作，簡(jiǎn)化流程并防止數(shù)據(jù)泄露。12.B解析：RNN及其變種（LSTM,GRU）具有記憶能力，適合處理序列數(shù)據(jù)，能夠捕捉數(shù)據(jù)點(diǎn)之間的時(shí)間依賴關(guān)系。CNN適用于空間結(jié)構(gòu)數(shù)據(jù)，如圖像。13.B解析：優(yōu)化器（Optimizer）如SGD、Adam等，負(fù)責(zé)在訓(xùn)練過(guò)程中根據(jù)計(jì)算出的梯度更新模型參數(shù)，以最小化損失函數(shù)。14.C解析：數(shù)據(jù)挖掘是指從海量數(shù)據(jù)中提取有價(jià)值信息的過(guò)程，這與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等概念相關(guān)。NLP是人工智能的一個(gè)子領(lǐng)域。15.A解析：邏輯回歸模型輸出的是預(yù)測(cè)屬于每個(gè)類別的概率，這些概率之和為1，因此可以解釋為屬于每個(gè)類別的概率分布。二、填空題1.Pandas2.真正陽(yáng)性（TP）真正陰性（TN）3.導(dǎo)數(shù)（梯度）4.非負(fù)且和為15.標(biāo)準(zhǔn)化歸一化6.for循環(huán)7.語(yǔ)義8.電商9.超參數(shù)10.獎(jiǎng)勵(lì)（Reward）三、簡(jiǎn)答題1.封裝：將數(shù)據(jù)（屬性）和操作數(shù)據(jù)的方法（行為）捆綁在一起，形成對(duì)象。Python中通過(guò)類實(shí)現(xiàn)，可以使用`private`,`protected`,`public`訪問(wèn)修飾符（盡管Python是隱式封裝）來(lái)控制成員的可見性。例如，將用戶的個(gè)人信息（年齡、住址）和操作（修改信息、顯示信息）封裝在一個(gè)`User`類中。繼承：允許創(chuàng)建一個(gè)新類（子類/派生類），繼承一個(gè)現(xiàn)有類（父類/基類）的屬性和方法。子類可以擁有自己獨(dú)特的屬性和方法，也可以重用父類的代碼。例如，創(chuàng)建一個(gè)`基類Animal`，然后創(chuàng)建`犬類Dog`和`貓類Cat`繼承自`Animal`，它們共享動(dòng)物的基本屬性（如`年齡`），同時(shí)擁有自己特定的屬性（如`Dog`的`品種`，`Cat`的`毛色`）和方法（如`Dog`的`吠叫`，`Cat`的`抓撓`）。多態(tài)：指不同類的對(duì)象對(duì)同一消息（方法調(diào)用）做出不同響應(yīng)的能力。通常通過(guò)方法重載（相同方法名，不同參數(shù)）和方法重寫（子類實(shí)現(xiàn)父類的方法）實(shí)現(xiàn)。例如，定義一個(gè)`形狀類Shape`和其子類`圓形類Circle`、`矩形類Rectangle`，它們都實(shí)現(xiàn)`計(jì)算面積`方法。調(diào)用`pute_area()`時(shí)，如果`shape`是`Circle`對(duì)象，則調(diào)用`Circle`的`compute_area`方法；如果`shape`是`Rectangle`對(duì)象，則調(diào)用`Rectangle`的`compute_area`方法。抽象：簡(jiǎn)化復(fù)雜事物，隱藏不必要的細(xì)節(jié)，只暴露關(guān)鍵特征和行為。通過(guò)接口或抽象類實(shí)現(xiàn)。例如，定義一個(gè)`汽車接口Car`，規(guī)定汽車必須有`啟動(dòng)`、`停止`方法，但不規(guī)定具體實(shí)現(xiàn)。具體的`燃油車`、`電動(dòng)車`類實(shí)現(xiàn)這個(gè)接口，提供具體的啟動(dòng)和停止方式，用戶只需要知道汽車能啟動(dòng)和停止，而不需要關(guān)心內(nèi)部引擎或電動(dòng)機(jī)的復(fù)雜工作原理。2.步驟1：檢查數(shù)據(jù)完整性與類型。使用`()`和`df.head()`查看數(shù)據(jù)基本情況，檢查是否存在缺失值（`df.isnull().sum()`），并確保各列數(shù)據(jù)類型正確（如年齡為整數(shù)，購(gòu)買記錄為字符串或分類）。目的：確保數(shù)據(jù)可用且格式正確。步驟2：處理缺失值。根據(jù)缺失比例和特征重要性，選擇填充（如用均值/中位數(shù)/眾數(shù)填充數(shù)值型，用最頻繁值填充類別型）或刪除缺失值。目的：保證數(shù)據(jù)集的完整性，避免模型訓(xùn)練時(shí)產(chǎn)生偏差。步驟3：特征工程。對(duì)購(gòu)買記錄進(jìn)行轉(zhuǎn)換，例如統(tǒng)計(jì)購(gòu)買次數(shù)、購(gòu)買總金額、購(gòu)買商品種類數(shù)等作為新特征。對(duì)類別型特征（如性別）進(jìn)行編碼（如One-hot編碼）。目的：生成更有信息量、更易于模型學(xué)習(xí)的特征。步驟4：數(shù)據(jù)標(biāo)準(zhǔn)化/歸一化。對(duì)數(shù)值型特征（如年齡）進(jìn)行縮放，使它們處于相似的范圍，避免某些特征因數(shù)值范圍大而對(duì)模型產(chǎn)生過(guò)大影響。目的：提升模型訓(xùn)練效率和穩(wěn)定性。3.決策樹（DecisionTree）：*工作原理：基于給定數(shù)據(jù)集，通過(guò)遞歸地劃分?jǐn)?shù)據(jù)集來(lái)構(gòu)建一棵樹形結(jié)構(gòu)。從根節(jié)點(diǎn)開始，選擇最優(yōu)特征對(duì)數(shù)據(jù)集進(jìn)行劃分，形成子節(jié)點(diǎn)，遞歸地在子節(jié)點(diǎn)上重復(fù)此過(guò)程，直到滿足停止條件（如節(jié)點(diǎn)純度足夠高、達(dá)到最大深度、節(jié)點(diǎn)樣本數(shù)少于閾值）。決策樹學(xué)習(xí)的是數(shù)據(jù)的決策規(guī)則。*優(yōu)點(diǎn)：易于理解和解釋，模型可視化，對(duì)數(shù)據(jù)類型要求不高（數(shù)值型和類別型數(shù)據(jù)均可處理），能處理非線性關(guān)系。*缺點(diǎn)：容易過(guò)擬合（對(duì)訓(xùn)練數(shù)據(jù)學(xué)習(xí)過(guò)度），對(duì)訓(xùn)練數(shù)據(jù)微小變化敏感（不穩(wěn)定），偏向于選擇具有最多值的特征進(jìn)行劃分。*適合類型：適用于分類和回歸任務(wù)，尤其適合探索性數(shù)據(jù)分析，理解特征重要性。K近鄰（KNN）：*工作原理：非參數(shù)方法。對(duì)于一個(gè)新的未知樣本，計(jì)算它與訓(xùn)練集中所有樣本的距離（常用歐氏距離），找出距離最近的K個(gè)鄰居，然后根據(jù)這K個(gè)鄰居的標(biāo)簽（分類問(wèn)題）或值（回歸問(wèn)題）進(jìn)行投票（分類）或平均（回歸）來(lái)預(yù)測(cè)新樣本的標(biāo)簽或值。*優(yōu)點(diǎn)：簡(jiǎn)單直觀，無(wú)需訓(xùn)練過(guò)程（僅僅是存儲(chǔ)數(shù)據(jù)），對(duì)異常值不敏感，能處理非線性關(guān)系。*缺點(diǎn)：計(jì)算復(fù)雜度高（尤其在數(shù)據(jù)集很大時(shí)，每次預(yù)測(cè)都需要計(jì)算距離），對(duì)K值選擇敏感，對(duì)特征尺度敏感，數(shù)據(jù)量大時(shí)內(nèi)存消耗大。*適合類型：適用于小到中等規(guī)模的數(shù)據(jù)集，分類和回歸任務(wù)，當(dāng)數(shù)據(jù)分布比較規(guī)則時(shí)效果較好。4.過(guò)擬合（Overfitting）：指模型在訓(xùn)練集上學(xué)習(xí)得太好，不僅擬合了數(shù)據(jù)中的噪聲和隨機(jī)波動(dòng)，還學(xué)習(xí)到了數(shù)據(jù)本身的潛在規(guī)律。導(dǎo)致模型在訓(xùn)練集上誤差很小，但在未見過(guò)的新數(shù)據(jù)（測(cè)試集或現(xiàn)實(shí)數(shù)據(jù)）上表現(xiàn)很差。緩解方法：*減少模型復(fù)雜度：如使用更簡(jiǎn)單的模型（fewerlayers/neurons）、降低正則化強(qiáng)度。*增加訓(xùn)練數(shù)據(jù)：收集更多樣化的數(shù)據(jù)，使模型有更多機(jī)會(huì)學(xué)習(xí)到泛化規(guī)律。*使用正則化技術(shù)：如L1、L2正則化，Dropout。*交叉驗(yàn)證：更可靠地評(píng)估模型泛化能力，進(jìn)行超參數(shù)調(diào)優(yōu)。欠擬合（Underfitting）：指模型過(guò)于簡(jiǎn)單，未能捕捉到數(shù)據(jù)中的基本模式或趨勢(shì)，導(dǎo)致在訓(xùn)練集和測(cè)試集上都表現(xiàn)出較高的誤差。模型對(duì)數(shù)據(jù)的擬合不足。緩解方法：*增加模型復(fù)雜度：如使用更復(fù)雜的模型（morelayers/neurons）、增加非線性能力。*減少特征選擇：移除不相關(guān)或冗余的特征，保留最重要的特征。*調(diào)整訓(xùn)練過(guò)程：如使用更合適的學(xué)習(xí)率、增加訓(xùn)練時(shí)間。*使用更強(qiáng)大的特征工程。5.卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像分類中的應(yīng)用：*卷積層（ConvolutionalLayer）：核心組件，通過(guò)可學(xué)習(xí)的濾波器（卷積核）在輸入圖像上滑動(dòng)，執(zhí)行卷積操作。濾波器在滑動(dòng)過(guò)程中與圖像的局部區(qū)域進(jìn)行元素相乘后求和，輸出一個(gè)特征圖（FeatureMap）。每個(gè)卷積層學(xué)習(xí)檢測(cè)圖像中特定類型的局部特征，如邊緣、角點(diǎn)、紋理等。通過(guò)堆疊多個(gè)卷積層，可以學(xué)習(xí)到更復(fù)雜、更抽象的層次化特征。作用：特征提取。*池化層（PoolingLayer，通常是最大池化或平均池化）：對(duì)卷積層輸出的特征圖進(jìn)行下采樣，減少特征圖的空間維度（寬度和高度），從而減少參數(shù)數(shù)量、計(jì)算量，并提高模型對(duì)微小位置變化的魯棒性。作用：降維、增強(qiáng)魯棒性。*全連接層（FullyConnectedLayer）：通常位于CNN的末端。將前面所有卷積層和池化層提取到的高級(jí)抽象特征進(jìn)行整合。將每個(gè)特征圖的所有值展平成一維向量，然后連接到一個(gè)或多個(gè)全連接層。第一個(gè)全連接層接收來(lái)自展平向量的輸入，學(xué)習(xí)將這些高級(jí)特征與最終的分類標(biāo)簽關(guān)聯(lián)起來(lái)。后續(xù)的全連接層（如果有）可以進(jìn)行更高級(jí)的分類或決策。作用：特征整合與分類決策。*輸出層：通常使用Softmax激活函數(shù)，將全連接層的輸出轉(zhuǎn)換為屬于每個(gè)類別的概率分布，選擇概率最高的類別作為最終的分類結(jié)果。四、編程題1.```pythonimportnumpyasnp#假設(shè)data是一個(gè)NumPy數(shù)組，形狀為[n_samples,2]，第二列是價(jià)格，第一列是面積#data=np.array([[面積1,價(jià)格1],[面積2,價(jià)格2],...])#提取自變量(X)和因變量(y)X=data[:,0].reshape(-1,1)#將面積列重塑為[n_samples,1]的二維數(shù)組y=data[:,1]#使用numpy.linalg.lstsq求解線性回歸#lstsq返回的是(最小二乘解系數(shù)(斜率),截距,殘差平方和,有效的獨(dú)立變量數(shù))#我們只需要斜率(w)和截距(b)coefficients,intercept=np.linalg.lstsq(X,y,rcond=None)[0]#打印結(jié)果print(f"斜率(w):{coefficients[0]}")print(f"截距(b):{intercept}")```2.```pythonfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsimportKNeighborsClassifierfromsklearn.metricsimportaccuracy_score#加載鳶尾花數(shù)據(jù)集iris=load_iris()X=iris.data#特征數(shù)據(jù)y=iris.target#標(biāo)簽數(shù)據(jù)#劃分訓(xùn)練集和測(cè)試集，隨機(jī)種子為42X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)#創(chuàng)建KNN分類器，n_neighbors=3knn=KNeighborsClassifier(n_neighbors=3)#在訓(xùn)練集上訓(xùn)練模型knn.fit(X_train,y_train