2025年人工智能與機器學(xué)習(xí)考試題及答案考試時長：120分鐘滿分：100分考試形式：閉卷一、單項選擇題（每題2分，共30分）機器學(xué)習(xí)的基本任務(wù)不包括（）

A.分類B.回歸C.聚類D.生成對抗網(wǎng)絡(luò)

下列哪種算法屬于監(jiān)督學(xué)習(xí)算法（）

A.K-means聚類B.決策樹C.主成分分析D.自編碼器

過擬合現(xiàn)象通常由什么原因?qū)е拢ǎ?/p>

A.數(shù)據(jù)量充足B.模型復(fù)雜度過高C.特征數(shù)量過少D.正則化強度過大

下列哪種方法不屬于特征工程技術(shù)（）

A.特征選擇B.特征提取C.數(shù)據(jù)清洗D.模型集成

適用于不平衡數(shù)據(jù)分類問題的核心評估指標(biāo)是（）

A.準(zhǔn)確率B.F1分?jǐn)?shù)C.均方誤差D.召回率

決策樹算法中，選擇分裂特征時常用的指標(biāo)是（）

A.信息增益B.方差C.相關(guān)系數(shù)D.似然比

下列哪種算法屬于無監(jiān)督學(xué)習(xí)算法（）

A.支持向量機B.線性回歸C.K-means聚類D.邏輯回歸

神經(jīng)網(wǎng)絡(luò)中，用于引入非線性因素的核心組件是（）

A.權(quán)重B.激活函數(shù)C.偏置D.損失函數(shù)

下列哪種不屬于集成學(xué)習(xí)方法（）

A.隨機森林B.AdaBoostC.邏輯回歸D.梯度提升樹

特征選擇中的過濾法是基于什么原則選擇特征（）

A.模型性能B.特征與目標(biāo)變量的獨立相關(guān)性C.特征子集復(fù)雜度D.優(yōu)化器收斂速度邏輯回歸模型主要用于解決哪種問題（）

A.二分類問題B.回歸問題C.聚類問題D.降維問題

支持向量機中，控制分類器復(fù)雜度的核心參數(shù)是（）

A.核函數(shù)類型B.正則化參數(shù)C.學(xué)習(xí)率D.迭代次數(shù)

回歸問題的性能評估指標(biāo)是（）

A.精確率B.F1分?jǐn)?shù)C.均方誤差D.召回率

反向傳播算法的核心作用是（）

A.初始化權(quán)重B.更新權(quán)重和偏置C.選擇激活函數(shù)D.劃分訓(xùn)練集與測試集

下列哪種屬于強化學(xué)習(xí)算法（）

A.Q學(xué)習(xí)B.決策樹C.K-means聚類D.主成分分析

二、簡答題（每題8分，共40分）簡述監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的核心區(qū)別，各舉2個典型算法例子。什么是過擬合？請列舉3種緩解過擬合的常用方法。簡述神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的作用，列舉3種常用激活函數(shù)及適用場景。什么是集成學(xué)習(xí)？其提升模型性能的核心原理是什么？簡述特征工程在機器學(xué)習(xí)流程中的重要性，核心步驟包括哪些？三、案例分析題（每題15分，共30分）某企業(yè)針對客戶流失預(yù)測問題構(gòu)建機器學(xué)習(xí)模型，數(shù)據(jù)集中流失客戶占比僅5%（不平衡數(shù)據(jù)）。

（1）若直接使用準(zhǔn)確率作為評估指標(biāo)，可能存在什么問題？

（2）應(yīng)選擇哪些評估指標(biāo)更合理？請說明理由。

（3）可采取哪些數(shù)據(jù)預(yù)處理或模型優(yōu)化方法提升預(yù)測效果？某團隊使用神經(jīng)網(wǎng)絡(luò)解決圖像分類問題，訓(xùn)練過程中發(fā)現(xiàn)訓(xùn)練集準(zhǔn)確率達(dá)98%，但測試集準(zhǔn)確率僅72%。

（1）該現(xiàn)象屬于什么問題？產(chǎn)生的主要原因是什么？

（2）請?zhí)岢?種針對性的解決措施，并說明每種措施的原理。

參考答案及解析一、單項選擇題（每題2分，共30分）答案：D解析：生成對抗網(wǎng)絡(luò)是深度學(xué)習(xí)模型，不屬于機器學(xué)習(xí)基本任務(wù)（分類、回歸、聚類）。答案：B解析：決策樹需依賴帶標(biāo)簽數(shù)據(jù)訓(xùn)練，屬于監(jiān)督學(xué)習(xí)；A、C為無監(jiān)督學(xué)習(xí)，D為深度學(xué)習(xí)模型。答案：B解析：模型復(fù)雜度過高易記住訓(xùn)練數(shù)據(jù)細(xì)節(jié)與噪聲，導(dǎo)致泛化能力差，引發(fā)過擬合。答案：D解析：模型集成是組合多個模型提升性能的方法，不屬于特征工程（含特征處理、數(shù)據(jù)清洗等）。答案：B解析：F1分?jǐn)?shù)是精確率與召回率的調(diào)和平均值，能綜合平衡正負(fù)樣本預(yù)測效果，適配不平衡數(shù)據(jù)。答案：A解析：信息增益通過計算分裂后信息熵的減少量，評估特征分類能力，是決策樹分裂的核心指標(biāo)。答案：C解析：K-means無需標(biāo)簽數(shù)據(jù)，通過學(xué)習(xí)數(shù)據(jù)內(nèi)在結(jié)構(gòu)聚類，屬于無監(jiān)督學(xué)習(xí)。答案：B解析：激活函數(shù)（如Sigmoid、ReLU）打破線性映射限制，使神經(jīng)網(wǎng)絡(luò)可學(xué)習(xí)復(fù)雜非線性關(guān)系。答案：C解析：邏輯回歸是單一分類模型，不屬于集成學(xué)習(xí)；A、B、D均為典型集成學(xué)習(xí)方法。答案：B解析：過濾法獨立于模型，通過評估特征與目標(biāo)變量的相關(guān)性篩選特征，如互信息法。答案：A解析：邏輯回歸通過Sigmoid函數(shù)將輸出映射至[0,1]，核心用于二分類問題。答案：B解析：正則化參數(shù)控制模型復(fù)雜度，值越大越傾向簡化模型，避免過擬合。答案：C解析：均方誤差衡量回歸問題中預(yù)測值與真實值的偏差，是核心評估指標(biāo)。答案：B解析：反向傳播通過計算損失函數(shù)梯度，反向更新權(quán)重和偏置，最小化訓(xùn)練誤差。答案：A解析：Q學(xué)習(xí)是經(jīng)典強化學(xué)習(xí)算法，通過學(xué)習(xí)狀態(tài)-動作值函數(shù)優(yōu)化策略。二、簡答題（每題8分，共40分）答案：核心區(qū)別在于是否使用帶標(biāo)簽數(shù)據(jù)訓(xùn)練。（2分）

監(jiān)督學(xué)習(xí)：依賴標(biāo)注數(shù)據(jù)（輸入-輸出對應(yīng)關(guān)系），目標(biāo)是學(xué)習(xí)映射規(guī)律，典型算法有決策樹、邏輯回歸。（3分）

無監(jiān)督學(xué)習(xí)：無需標(biāo)簽數(shù)據(jù)，目標(biāo)是挖掘數(shù)據(jù)內(nèi)在結(jié)構(gòu)與模式，典型算法有K-means聚類、主成分分析。（3分）

答案：過擬合是模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)優(yōu)異，但在新數(shù)據(jù)（測試集）上泛化能力差的現(xiàn)象。（2分）

緩解方法：①正則化（L1、L2），懲罰復(fù)雜模型權(quán)重，降低復(fù)雜度；②數(shù)據(jù)增強，擴充訓(xùn)練數(shù)據(jù)量，提升泛化能力；③早停，訓(xùn)練中監(jiān)控測試集誤差，適時停止訓(xùn)練避免過度擬合；④模型簡化，減少神經(jīng)網(wǎng)絡(luò)層數(shù)、決策樹深度等。（任答3點，每點2分，共6分）

答案：作用是引入非線性因素，使神經(jīng)網(wǎng)絡(luò)可擬合復(fù)雜非線性函數(shù)，打破線性模型的表達(dá)局限。（2分）

常用激活函數(shù)及場景：①Sigmoid，適用于二分類輸出層，輸出映射至[0,1]；②ReLU，適用于隱藏層，緩解梯度消失，計算高效；③Tanh，適用于隱藏層，輸出映射至[-1,1]，比Sigmoid收斂更快。（每點2分，共6分）

答案：集成學(xué)習(xí)是通過組合多個基模型的預(yù)測結(jié)果，構(gòu)建性能更優(yōu)的強模型的方法。（2分）

核心原理：①誤差互補，不同基模型的誤差可相互抵消，降低整體泛化誤差；②多樣性，通過不同基模型（如決策樹、神經(jīng)網(wǎng)絡(luò)）或不同參數(shù)設(shè)置，提升模型對復(fù)雜數(shù)據(jù)的適配能力；③穩(wěn)定性，組合預(yù)測結(jié)果可減少單一模型的隨機波動，提升預(yù)測穩(wěn)定性。（6分）

答案：重要性：優(yōu)質(zhì)特征可提升模型泛化能力、降低訓(xùn)練難度、減少計算成本，是機器學(xué)習(xí)模型性能的核心支撐（數(shù)據(jù)決定模型上限，特征工程挖掘數(shù)據(jù)價值）。（3分）

核心步驟：①數(shù)據(jù)清洗（處理缺失值、異常值、重復(fù)值）；②特征提?。◤脑紨?shù)據(jù)中提取有效信息，如PCA降維）；③特征選擇（篩選與目標(biāo)相關(guān)的核心特征，剔除冗余特征）；④特征轉(zhuǎn)換（歸一化、標(biāo)準(zhǔn)化、編碼等，適配模型輸入）。（每點1.25分，共5分）

三、案例分析題（每題15分，共30分）答案：

（1）問題：準(zhǔn)確率易受多數(shù)類主導(dǎo)，模型僅預(yù)測所有客戶不流失，即可獲得95%的高準(zhǔn)確率，但無法識別流失客戶，完全失去業(yè)務(wù)價值，無法反映模型對少數(shù)類（流失客戶）的預(yù)測能力。（5分）

（2）合理指標(biāo)：F1分?jǐn)?shù)、精確率、召回率。（2分）理由：精確率衡量預(yù)測為流失的客戶中真實流失的比例，避免誤判；召回率衡量真實流失客戶中被正確預(yù)測的比例，避免漏判；F1分?jǐn)?shù)綜合兩者，平衡精確率與召回率，適配不平衡數(shù)據(jù)的核心需求。（3分）

（3）優(yōu)化方法：①數(shù)據(jù)層面，采用過采樣（SMOTE）提升少數(shù)類樣本量，或欠采樣減少多數(shù)類樣本量；②模型層面，使用加權(quán)損失函數(shù)，給少數(shù)類樣本更高權(quán)重，提升模型對少數(shù)類的關(guān)注；③算法層面，選擇對不平衡數(shù)據(jù)魯棒的模型（如隨機森林、XGBoost）。（5分，任答2點并說明，合理即可）答案：

（1）現(xiàn)象：過擬合。（2分）主要原因：模型復(fù)雜度過高（如神經(jīng)網(wǎng)絡(luò)層數(shù)過多、參數(shù)過多），訓(xùn)練數(shù)據(jù)量不足或存在噪聲，模型過度學(xué)習(xí)訓(xùn)練數(shù)據(jù)細(xì)節(jié)與噪聲，未捕捉核心規(guī)律，導(dǎo)致泛化能力差。（3分）

（2）解決措施：①正則化（L2正則化），懲罰模型權(quán)重，降低模型復(fù)雜度，避免過度擬合