2025年人工智能專(zhuān)升本機(jī)器學(xué)習(xí)試卷（含答案）考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每小題2分，共30分。在每小題列出的四個(gè)選項(xiàng)中，只有一項(xiàng)是符合題目要求的，請(qǐng)將正確選項(xiàng)字母填在題后的括號(hào)內(nèi)。）1.下列哪一項(xiàng)不屬于機(jī)器學(xué)習(xí)的常見(jiàn)學(xué)習(xí)類(lèi)型？A.監(jiān)督學(xué)習(xí)B.無(wú)監(jiān)督學(xué)習(xí)C.半監(jiān)督學(xué)習(xí)D.隨機(jī)學(xué)習(xí)2.在機(jī)器學(xué)習(xí)過(guò)程中，將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集的主要目的是什么？A.為了在模型訓(xùn)練時(shí)使用不同的數(shù)據(jù)B.為了在模型訓(xùn)練過(guò)程中調(diào)整參數(shù)C.為了評(píng)估已經(jīng)訓(xùn)練好的模型的泛化能力D.為了減少模型的復(fù)雜度3.缺失值處理的方法中，哪種方法直接舍棄包含缺失值的樣本？A.回代法B.刪除法C.均值/中位數(shù)/眾數(shù)填充D.K最近鄰填充4.線(xiàn)性回歸模型主要用于解決什么類(lèi)型的問(wèn)題？A.分類(lèi)問(wèn)題B.聚類(lèi)問(wèn)題C.回歸問(wèn)題D.降維問(wèn)題5.邏輯回歸模型的輸出結(jié)果通常表示什么？A.連續(xù)值B.離散類(lèi)別C.距離值D.概率值6.決策樹(shù)算法在劃分?jǐn)?shù)據(jù)時(shí)，常用的選點(diǎn)標(biāo)準(zhǔn)有哪些？（選擇兩個(gè)正確的）A.信息增益B.熵C.均值方差D.決策系數(shù)7.支持向量機(jī)（SVM）的基本思想是什么？A.找到一條直線(xiàn)將不同類(lèi)別的數(shù)據(jù)點(diǎn)完全分開(kāi)B.使所有數(shù)據(jù)點(diǎn)到直線(xiàn)的距離之和最小C.使數(shù)據(jù)點(diǎn)到直線(xiàn)的距離最大化D.通過(guò)迭代優(yōu)化找到最優(yōu)分類(lèi)超平面8.K近鄰（KNN）算法在預(yù)測(cè)時(shí)，K值的選擇對(duì)結(jié)果有什么影響？A.K值越大，模型越復(fù)雜B.K值越小，模型對(duì)噪聲越敏感C.K值的選擇會(huì)影響模型的泛化能力D.K值的選擇對(duì)模型性能沒(méi)有影響9.評(píng)估分類(lèi)模型性能的指標(biāo)中，哪個(gè)指標(biāo)更關(guān)注模型對(duì)正類(lèi)樣本的識(shí)別能力？A.準(zhǔn)確率B.召回率C.精確率D.F1分?jǐn)?shù)10.交叉驗(yàn)證（Cross-Validation）主要用來(lái)解決什么問(wèn)題？A.數(shù)據(jù)過(guò)擬合B.數(shù)據(jù)欠擬合C.模型選擇和評(píng)估D.特征工程11.PCA（主成分分析）的主要目的是什么？A.提高模型的預(yù)測(cè)精度B.增加數(shù)據(jù)的維度C.降低數(shù)據(jù)的維度，同時(shí)保留大部分信息D.減少數(shù)據(jù)的缺失值12.在嶺回歸（RidgeRegression）中，引入L2正則項(xiàng)的主要目的是什么？A.防止數(shù)據(jù)過(guò)擬合B.防止數(shù)據(jù)欠擬合C.增加模型的解釋能力D.減少模型的參數(shù)數(shù)量13.樸素貝葉斯分類(lèi)器基于什么樣的假設(shè)？A.特征之間相互獨(dú)立B.特征之間相互依賴(lài)C.類(lèi)別之間相互獨(dú)立D.類(lèi)別之間相互依賴(lài)14.在監(jiān)督學(xué)習(xí)中，如果目標(biāo)變量是連續(xù)的，那么該問(wèn)題被稱(chēng)為什么類(lèi)型？A.分類(lèi)問(wèn)題B.回歸問(wèn)題C.聚類(lèi)問(wèn)題D.降維問(wèn)題15.下列哪個(gè)方法屬于無(wú)監(jiān)督學(xué)習(xí)算法？A.線(xiàn)性回歸B.邏輯回歸C.K-Means聚類(lèi)D.支持向量機(jī)二、填空題（每空2分，共20分。請(qǐng)將答案填在橫線(xiàn)上。）1.機(jī)器學(xué)習(xí)的核心目標(biāo)是讓模型從數(shù)據(jù)中學(xué)習(xí)到______，以便對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)或決策。2.在處理分類(lèi)變量時(shí)，將類(lèi)別轉(zhuǎn)換為數(shù)值表示的方法稱(chēng)為_(kāi)_____。3.決策樹(shù)模型是一種基于______的監(jiān)督學(xué)習(xí)方法。4.支持向量機(jī)通過(guò)尋找一個(gè)最優(yōu)分類(lèi)超平面來(lái)最大化______。5.評(píng)估回歸模型性能時(shí)，常用的指標(biāo)有均方誤差（MSE）和______。6.在交叉驗(yàn)證中，將數(shù)據(jù)劃分為k個(gè)子集，每次用______個(gè)作為測(cè)試集，其余作為訓(xùn)練集，重復(fù)k次。7.特征工程是指對(duì)原始數(shù)據(jù)進(jìn)行______和轉(zhuǎn)換，以創(chuàng)造更好的特征，提高模型性能的過(guò)程。8.邏輯回歸模型的參數(shù)估計(jì)通常使用______來(lái)優(yōu)化。9.對(duì)于高維數(shù)據(jù)，可能導(dǎo)致“維度災(zāi)難”，這時(shí)常需要使用______等方法來(lái)降維。10.樸素貝葉斯分類(lèi)器計(jì)算樣本屬于某個(gè)類(lèi)別的概率時(shí)，通常使用______定理。三、簡(jiǎn)答題（每題5分，共20分。請(qǐng)簡(jiǎn)要回答下列問(wèn)題。）1.簡(jiǎn)述監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的主要區(qū)別。2.解釋什么是過(guò)擬合，并簡(jiǎn)述一種防止過(guò)擬合的方法。3.簡(jiǎn)述決策樹(shù)算法的遞歸劃分過(guò)程。4.什么是特征縮放？常見(jiàn)的特征縮放方法有哪些？四、計(jì)算題（每題10分，共20分。請(qǐng)寫(xiě)出詳細(xì)的計(jì)算步驟和結(jié)果。）1.已知一個(gè)線(xiàn)性回歸問(wèn)題的數(shù)據(jù)點(diǎn)為：(1,2),(2,3),(3,5)。假設(shè)模型為y=wx+b，使用最小二乘法估計(jì)參數(shù)w和b的值。2.假設(shè)有一個(gè)分類(lèi)問(wèn)題，使用邏輯回歸模型進(jìn)行預(yù)測(cè)。給定一個(gè)樣本的特征向量x=[1,-1,2]，模型參數(shù)為w=[0.5,-0.25,0.75]和b=-1。請(qǐng)計(jì)算該樣本屬于正類(lèi)的概率。五、編程題（10分。請(qǐng)根據(jù)要求完成下列任務(wù)。）假設(shè)你有一組二維數(shù)據(jù)點(diǎn)，存儲(chǔ)在以下列表中：data_points=[[1,2],[2,3],[3,5],[4,4],[5,2]]。請(qǐng)使用Python（需使用NumPy或Scikit-learn庫(kù)）完成以下任務(wù)：1.使用K-Means聚類(lèi)算法將數(shù)據(jù)點(diǎn)聚類(lèi)成2個(gè)類(lèi)。2.輸出每個(gè)數(shù)據(jù)點(diǎn)所屬的類(lèi)別標(biāo)簽。3.輸出每個(gè)類(lèi)別的中心點(diǎn)坐標(biāo)。試卷答案一、選擇題1.D2.C3.B4.C5.D6.A,B7.D8.B,C9.C10.C11.C12.A13.A14.B15.C二、填空題1.模型2.特征工程3.樹(shù)形結(jié)構(gòu)4.安全邊際（或邊緣距離）5.均方根誤差（RMSE）（或平均絕對(duì)誤差MAE）6.k-17.處理8.最大似然估計(jì)9.降維10.貝葉斯三、簡(jiǎn)答題1.監(jiān)督學(xué)習(xí)使用帶有標(biāo)簽（或監(jiān)督信號(hào)）的數(shù)據(jù)進(jìn)行訓(xùn)練，目標(biāo)是學(xué)習(xí)輸入到輸出的映射關(guān)系，用于預(yù)測(cè)。無(wú)監(jiān)督學(xué)習(xí)使用無(wú)標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)或模式，如聚類(lèi)或降維。2.過(guò)擬合是指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在未見(jiàn)過(guò)的測(cè)試數(shù)據(jù)上表現(xiàn)很差的現(xiàn)象。防止過(guò)擬合的方法包括：增加訓(xùn)練數(shù)據(jù)量、使用正則化技術(shù)（如L1、L2正則化）、選擇更簡(jiǎn)單的模型、使用交叉驗(yàn)證進(jìn)行模型選擇、早停法等。3.決策樹(shù)算法的遞歸劃分過(guò)程如下：選擇最優(yōu)特征對(duì)數(shù)據(jù)進(jìn)行劃分，將數(shù)據(jù)劃分到不同的子節(jié)點(diǎn)；對(duì)每個(gè)子節(jié)點(diǎn)中的數(shù)據(jù)，重復(fù)上述過(guò)程，直到滿(mǎn)足停止條件（如節(jié)點(diǎn)純度足夠高、節(jié)點(diǎn)包含樣本數(shù)少于閾值、達(dá)到最大深度等）。4.特征縮放是指將不同特征的取值范圍統(tǒng)一到某個(gè)統(tǒng)一的區(qū)間或分布，以便于模型訓(xùn)練和比較。常見(jiàn)的特征縮放方法有：最小-最大標(biāo)準(zhǔn)化（將特征縮放到[0,1]或[-1,1]區(qū)間）、Z-score標(biāo)準(zhǔn)化（將特征轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的分布）。四、計(jì)算題1.計(jì)算步驟：*根據(jù)數(shù)據(jù)點(diǎn)計(jì)算均值：x?=(1+2+3)/3=2,?=(2+3+5)/3=3.33*計(jì)算w的估計(jì)值：w=Σ(xi-x?)(yi-?)/Σ(xi-x?)2=(1-2)(2-3.33)+(2-2)(3-3.33)+(3-2)(5-3.33)/((1-2)2+(2-2)2+(3-2)2)=(-1)(-1.33)/(1+0+1)=1.33/2=0.67*計(jì)算b的估計(jì)值：b=?-w*x?=3.33-0.67*2=3.33-1.34=1.99*結(jié)果：模型為y=0.67x+1.99（或四舍五入為y=0.7x+2.0）2.計(jì)算步驟：*計(jì)算邏輯回歸模型的得分（或稱(chēng)邏輯函數(shù)的輸入）：z=w^T*x+b=[0.5,-0.25,0.75]*[1,-1,2]^T+(-1)=0.5*1+(-0.25)*(-1)+0.75*2-1=0.5+0.25+1.5-1=1.25*計(jì)算樣本屬于正類(lèi)的概率：P=1/(1+e^(-z))=1/(1+e^(-1.25))≈1/(1+0.2865)≈1/1.2865≈0.778五、編程題```pythonimportnumpyasnpfromsklearn.clusterimportKMeans#數(shù)據(jù)點(diǎn)data_points=np.array([[1,2],[2,3],[3,5],[4,4],[5,2]])#1.使用K-Means聚類(lèi)算法將數(shù)據(jù)點(diǎn)聚類(lèi)成2個(gè)類(lèi)kmeans=KMean