2025年P(guān)ython機(jī)器學(xué)習(xí)專項(xiàng)訓(xùn)練試卷模擬實(shí)戰(zhàn)版考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.在機(jī)器學(xué)習(xí)中，將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集的主要目的是什么？A.方便數(shù)據(jù)存儲B.提高模型訓(xùn)練速度C.避免過擬合，更公平地評估模型性能D.減少數(shù)據(jù)量2.下列哪個指標(biāo)最適合用于評估不平衡數(shù)據(jù)集上的分類模型性能？A.準(zhǔn)確率（Accuracy）B.精確率（Precision）C.召回率（Recall）D.F1分?jǐn)?shù)3.在特征工程中，對連續(xù)型特征進(jìn)行無量綱化處理，使其均值為0，標(biāo)準(zhǔn)差為1的方法通常稱為？A.獨(dú)熱編碼（One-HotEncoding）B.標(biāo)準(zhǔn)化（Standardization）C.歸一化（Normalization）D.標(biāo)簽編碼（LabelEncoding）4.以下哪個算法屬于非參數(shù)方法？A.線性回歸B.決策樹C.K-均值聚類D.邏輯回歸5.交叉驗(yàn)證的主要優(yōu)點(diǎn)是什么？A.減少模型訓(xùn)練時間B.更有效地利用數(shù)據(jù)，提供更穩(wěn)健的模型評估C.自動選擇最佳模型參數(shù)D.提高模型的泛化能力6.下列哪個Python庫主要用于數(shù)據(jù)分析和處理？A.NumPyB.MatplotlibC.Scikit-learnD.Pandas7.在使用決策樹進(jìn)行回歸任務(wù)時，通常哪個指標(biāo)用于衡量分裂點(diǎn)的質(zhì)量？A.信息增益（InformationGain）B.Gini不純度（GiniImpurity）C.均方誤差（MeanSquaredError,MSE）D.相對熵（RelativeEntropy）8.下列哪個方法不屬于特征選擇技術(shù)？A.單變量特征選擇B.基于模型的特征選擇C.遞歸特征消除（RecursiveFeatureElimination,RFE）D.特征編碼（FeatureEncoding）9.當(dāng)機(jī)器學(xué)習(xí)模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在測試數(shù)據(jù)上表現(xiàn)差時，最可能發(fā)生的是什么問題？A.數(shù)據(jù)泄露（DataLeakage）B.模型欠擬合（Underfitting）C.模型過擬合（Overfitting）D.隨機(jī)噪聲10.下列哪個Python模塊提供了用于創(chuàng)建和管理虛擬環(huán)境的工具？A.PandasB.MatplotlibC.virtualenvD.Scikit-learn二、填空題（每空2分，共20分）1.機(jī)器學(xué)習(xí)算法通?？梢苑譃開_____學(xué)習(xí)、______學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三大類。2.在進(jìn)行數(shù)據(jù)探索性分析時，散點(diǎn)圖主要用于觀察兩個數(shù)值型變量之間的______關(guān)系。3.使用`scikit-learn`庫進(jìn)行模型訓(xùn)練時，通常使用`fit()`方法對訓(xùn)練數(shù)據(jù)進(jìn)行擬合，使用`predict()`方法對______數(shù)據(jù)進(jìn)行預(yù)測。4.對于分類問題，如果預(yù)測結(jié)果的概率輸出大于某個閾值（如0.5），則通常將結(jié)果分類為正類，否則分類為負(fù)類，這個閾值稱為______。5.在特征工程中，將類別特征轉(zhuǎn)換為數(shù)值表示的常用方法有______和______。6.評估回歸模型性能的常用指標(biāo)有均方誤差（MSE）、均方根誤差（RMSE）和______。7.決策樹算法通過遞歸地選擇最優(yōu)特征對數(shù)據(jù)進(jìn)行分裂，構(gòu)建一個樹形結(jié)構(gòu)，其中樹的______代表決策規(guī)則。8.在處理缺失值時，常見的填充策略包括使用列的______、常數(shù)填充或使用模型（如KNN）預(yù)測填充。9.交叉驗(yàn)證中，k折交叉驗(yàn)證將數(shù)據(jù)集隨機(jī)分成k個大小相等的子集，每次留出一個子集作為測試集，其余k-1個子集用于______。10.機(jī)器學(xué)習(xí)模型評估時，除了關(guān)注模型性能指標(biāo)，還需要考慮模型的______和可解釋性。三、簡答題（每題5分，共15分）1.簡述過擬合和欠擬合的概念，并分別說明可能導(dǎo)致這兩種問題的原因。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.在進(jìn)行機(jī)器學(xué)習(xí)項(xiàng)目時，為什么需要將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集？它們各自的作用是什么？四、編程題（共45分）1.數(shù)據(jù)加載與預(yù)處理（15分）假設(shè)你有一個名為`data.csv`的文件，其中包含以下列：`age`（年齡，數(shù)值型），`income`（收入，數(shù)值型），`gender`（性別，類別型，值為'Female'或'Male'），以及`buys_product`（是否購買產(chǎn)品，類別型，值為'Yes'或'No'）。請編寫Python代碼完成以下任務(wù)：a.使用Pandas庫加載數(shù)據(jù)。b.查看數(shù)據(jù)的前5行。c.檢查數(shù)據(jù)中是否存在缺失值，并統(tǒng)計(jì)每列的缺失值數(shù)量。d.如果存在缺失值，請對數(shù)值型列使用該列的均值進(jìn)行填充，對類別型列使用該類別中最常見的值進(jìn)行填充。e.對`gender`列進(jìn)行獨(dú)熱編碼。f.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）。2.模型構(gòu)建與評估（30分）a.（10分）假設(shè)你的任務(wù)是根據(jù)`age`,`income`,`gender`預(yù)測用戶是否購買產(chǎn)品（`buys_product`）。請使用`scikit-learn`庫，首先將數(shù)據(jù)集劃分為訓(xùn)練集（80%）和測試集（20%），隨機(jī)種子設(shè)置為42。然后，使用邏輯回歸模型在訓(xùn)練集上進(jìn)行訓(xùn)練。b.（10分）在訓(xùn)練好的邏輯回歸模型上，對測試集進(jìn)行預(yù)測，并計(jì)算預(yù)測結(jié)果的準(zhǔn)確率。c.（10分）解釋你在模型構(gòu)建和評估過程中使用的主要函數(shù)或方法的作用（例如，`train_test_split`,`LogisticRegression`,`fit`,`predict`,`accuracy_score`等）。---試卷答案一、選擇題1.C2.D3.B4.C5.B6.D7.C8.D9.C10.C二、填空題1.監(jiān)督,無監(jiān)督2.相關(guān)性3.測試集4.閾值5.獨(dú)熱編碼,標(biāo)簽編碼6.決定系數(shù)（R2）7.節(jié)點(diǎn)8.中位數(shù)9.訓(xùn)練10.可解釋性三、簡答題1.過擬合：模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)非常好，但在未見過的測試數(shù)據(jù)上表現(xiàn)很差。原因可能包括模型復(fù)雜度過高（如決策樹過深）、訓(xùn)練數(shù)據(jù)量不足或噪聲過多。欠擬合：模型在訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)上都表現(xiàn)不佳。原因可能包括模型過于簡單（如線性模型擬合非線性關(guān)系）、特征不足或特征不相關(guān)、訓(xùn)練不足。2.特征工程：將原始數(shù)據(jù)轉(zhuǎn)化為更適合機(jī)器學(xué)習(xí)模型學(xué)習(xí)的特征的過程。常見方法包括特征編碼（如獨(dú)熱編碼、標(biāo)簽編碼）、特征縮放（標(biāo)準(zhǔn)化、歸一化）、特征構(gòu)造（創(chuàng)建新特征）、特征選擇（選擇重要特征）等。3.劃分目的：為了更公平、更可靠地評估模型的泛化能力。作用：*訓(xùn)練集：用于訓(xùn)練模型，讓模型學(xué)習(xí)數(shù)據(jù)中的模式和規(guī)律。*驗(yàn)證集：用于調(diào)整模型超參數(shù)、進(jìn)行模型選擇或早期停止，防止在測試集上過度優(yōu)化。*測試集：用于最終評估訓(xùn)練好的模型的性能，提供模型在完全未見數(shù)據(jù)上的表現(xiàn)估計(jì)。四、編程題1.數(shù)據(jù)加載與預(yù)處理```pythonimportpandasaspdfromsklearn.preprocessingimportOneHotEncoder,StandardScalerfromsklearn.imputeimportSimpleImputerfromsklearn.model_selectionimporttrain_test_split#a.加載數(shù)據(jù)data=pd.read_csv('data.csv')#b.查看前5行print(data.head())#c.檢查缺失值missing_counts=data.isnull().sum()print(missing_counts)#d.填充缺失值num_imputer=SimpleImputer(strategy='mean')cat_imputer=SimpleImputer(strategy='most_frequent')data['age']=num_imputer.fit_transform(data[['age']])data['income']=num_imputer.fit_transform(data[['income']])data['gender']=cat_imputer.fit_transform(data[['gender']])#e.獨(dú)熱編碼encoder=OneHotEncoder(sparse_output=False)gender_encoded=encoder.fit_transform(data[['gender']])gender_df=pd.DataFrame(gender_encoded,columns=encoder.get_feature_names_out(['gender']))data=pd.concat([data,gender_df],axis=1)data=data.drop('gender',axis=1)#刪除原gender列#f.標(biāo)準(zhǔn)化scaler=StandardScaler()data[['age','income']]=scaler.fit_transform(data[['age','income']])```2.模型構(gòu)建與評估```pythonfromsklearn.linear_modelimportLogisticRegressionfromsklearn.metricsimportaccuracy_score#a.劃分?jǐn)?shù)據(jù)集X=data[['age','income','gender_Female','gender_Male']]#使用獨(dú)熱編碼后的列y=data['buys_product']X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)#使用邏輯回歸模型model=LogisticRegression()model.fit(X_train,y_train)#訓(xùn)練模型#b.預(yù)測與評估y_pred=model.predict(X_test)accuracy=accuracy_score(y_test,y_pred)print(f'Accuracy:{accuracy}')```解析一、選擇題1.C：劃分?jǐn)?shù)據(jù)集是為了用未見數(shù)據(jù)評估模型性能，避免過擬合，確保評估的公平性和泛化能力。2.D：F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均，能更好地平衡兩者，尤其在不平衡數(shù)據(jù)集中更能反映模型的綜合表現(xiàn)。3.B：Standardization是將數(shù)據(jù)轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的過程，是常用的無量綱化方法。4.C：K-均值聚類是一種基于距離的聚類算法，不需要事先指定參數(shù)，屬于非參數(shù)方法。5.B：交叉驗(yàn)證通過多次使用不同數(shù)據(jù)作為測試集，更充分地利用數(shù)據(jù)，減少評估方差，得到更穩(wěn)健的模型性能估計(jì)。6.D：Pandas是Python中用于數(shù)據(jù)處理和分析的核心庫，提供了DataFrame等數(shù)據(jù)結(jié)構(gòu)。7.C：在回歸決策樹中，分裂點(diǎn)的質(zhì)量通常由分裂后子節(jié)點(diǎn)的不純度（如MSE）來衡量，選擇能使不純度最小化的特征和分裂點(diǎn)。8.D：特征編碼是將類別特征轉(zhuǎn)換為數(shù)值形式，而特征選擇是選擇保留最有用的特征，兩者是不同性質(zhì)的操作。9.C：訓(xùn)練數(shù)據(jù)好但測試數(shù)據(jù)差是典型的過擬合現(xiàn)象，模型學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)的噪聲或細(xì)節(jié)。10.C：`virtualenv`是Python的一個標(biāo)準(zhǔn)庫（雖然較新版本可能推薦`venv`），用于創(chuàng)建隔離的Python環(huán)境。二、填空題1.監(jiān)督學(xué)習(xí)（SupervisedLearning），無監(jiān)督學(xué)習(xí)（UnsupervisedLearning）2.相關(guān)性3.測試集4.閾值（Threshold）5.獨(dú)熱編碼（One-HotEncoding），標(biāo)簽編碼（LabelEncoding）6.決定系數(shù)（R2）（或解釋方差分?jǐn)?shù)，AdjustedR2）7.節(jié)點(diǎn)（Nodes）8.中位數(shù)（Median）9.訓(xùn)練（Training）10.可解釋性（Interpretability）三、簡答題1.過擬合：模型對訓(xùn)練數(shù)據(jù)學(xué)習(xí)得太“好”，不僅記住了模式，還記住了噪聲。導(dǎo)致原因可能是模型過于復(fù)雜（如深度神經(jīng)網(wǎng)絡(luò)、非常深的決策樹），或者訓(xùn)練數(shù)據(jù)量太少，導(dǎo)致模型泛化能力差。欠擬合：模型過于簡單，未能捕捉到數(shù)據(jù)中的基本模式。導(dǎo)致原因可能是模型過于簡單（如使用線性模型擬合非線性關(guān)系），或者特征不夠有效，或者訓(xùn)練時間不足，模型未能充分學(xué)習(xí)。2.特征工程：是指將原始數(shù)據(jù)（通常是原始的、未經(jīng)過處理的）轉(zhuǎn)換為能夠更好地被機(jī)器學(xué)習(xí)算法利用的輸入特征的過程。它是模型開發(fā)中至關(guān)重要的一步，好的特征工程能顯著提升模型性能。常見方法包括：對類別特征進(jìn)行編碼（如獨(dú)熱編碼、標(biāo)簽編碼），對數(shù)值特征進(jìn)行縮放（標(biāo)準(zhǔn)化、歸一化），處理缺失值，創(chuàng)建新的組合特征或衍生特征，以及選擇最重要的特征（特征選擇）。3.劃分目的：為了避免使用同一數(shù)據(jù)評估模型導(dǎo)致的高估性能（模型可能只是過擬合了訓(xùn)練數(shù)據(jù)），需要用完全未見的數(shù)據(jù)來評估模型的泛化能力，確保評估結(jié)果的可靠性和客觀性。作用：*訓(xùn)練集：是模型學(xué)習(xí)的“教材”，算法利用訓(xùn)練集來學(xué)習(xí)數(shù)據(jù)中的內(nèi)在規(guī)律和模式。*驗(yàn)證集：在模型訓(xùn)練過程中扮演“裁判”的角色。可以用來調(diào)整模型的超參數(shù)（如學(xué)習(xí)率、樹的深度）、比