2025年大學(xué)大一（人工智能技術(shù)應(yīng)用）機(jī)器學(xué)習(xí)試題及答案

（考試時(shí)間：90分鐘滿分100分）班級(jí)______姓名______第I卷（總共10題，每題3分，每題的選項(xiàng)中，只有一個(gè)選項(xiàng)是正確的，請(qǐng)將正確答案填寫在括號(hào)內(nèi)）1.以下關(guān)于機(jī)器學(xué)習(xí)中監(jiān)督學(xué)習(xí)的說法，正確的是（）A.監(jiān)督學(xué)習(xí)不需要給定訓(xùn)練數(shù)據(jù)的標(biāo)簽B.監(jiān)督學(xué)習(xí)的目標(biāo)是學(xué)習(xí)一個(gè)模型，用于對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)C.監(jiān)督學(xué)習(xí)只能處理數(shù)值型數(shù)據(jù)D.監(jiān)督學(xué)習(xí)不包括分類和回歸問題2.在決策樹算法中，用于選擇劃分屬性的準(zhǔn)則是（）A.信息增益B.基尼系數(shù)C.均方誤差D.以上都是3.支持向量機(jī)（SVM）的主要思想是（）A.在高維空間中尋找一個(gè)超平面來分隔不同類別的數(shù)據(jù)B.通過最小化訓(xùn)練數(shù)據(jù)的誤差來構(gòu)建模型C.利用核函數(shù)將低維數(shù)據(jù)映射到高維空間D.以上都對(duì)4.以下哪種算法不屬于聚類算法（）A.K-Means算法B.DBSCAN算法C.樸素貝葉斯算法D.層次聚類算法5.神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)作用是（）A.增加模型的復(fù)雜度B.對(duì)輸入數(shù)據(jù)進(jìn)行非線性變換C.提高模型的收斂速度D.減少模型的過擬合現(xiàn)象6.在機(jī)器學(xué)習(xí)中，模型評(píng)估的指標(biāo)不包括（）A.準(zhǔn)確率B.召回率C.F1值D.數(shù)據(jù)量7.以下關(guān)于梯度下降算法的說法，錯(cuò)誤的是（）A.梯度下降是一種迭代優(yōu)化算法B.它通過不斷調(diào)整模型參數(shù)來最小化損失函數(shù)C.梯度下降只能用于線性模型D.梯度下降有批量梯度下降、隨機(jī)梯度下降等不同形式8.對(duì)于一個(gè)二分類問題，邏輯回歸模型的輸出值范圍是（）A.[0,1]B.(-∞,+∞)C.[-1,1]D.[0,+∞)9.以下哪種數(shù)據(jù)預(yù)處理方法可以用于處理缺失值（）A.歸一化B.標(biāo)準(zhǔn)化C.填充法D.獨(dú)熱編碼10.在機(jī)器學(xué)習(xí)中，交叉驗(yàn)證的主要目的是（）A.評(píng)估模型的泛化能力B.加速模型的訓(xùn)練過程C.減少模型的參數(shù)數(shù)量D.提高模型的準(zhǔn)確率第II卷（總共4題，每題10分，請(qǐng)根據(jù)題目要求，詳細(xì)回答問題）1.請(qǐng)簡(jiǎn)述機(jī)器學(xué)習(xí)中無監(jiān)督學(xué)習(xí)的概念，并列舉至少三種無監(jiān)督學(xué)習(xí)算法。2.解釋什么是過擬合和欠擬合現(xiàn)象，并說明如何在機(jī)器學(xué)習(xí)中避免這兩種情況。（總共2題，每題15分，請(qǐng)結(jié)合所給材料，回答問題）材料：在一個(gè)醫(yī)療數(shù)據(jù)集上，使用邏輯回歸模型來預(yù)測(cè)患者是否患有某種疾病。數(shù)據(jù)集包含多個(gè)特征，如年齡、血壓、癥狀等。經(jīng)過訓(xùn)練后，模型在訓(xùn)練集上的準(zhǔn)確率很高，但在測(cè)試集上的表現(xiàn)卻不盡人意。3.請(qǐng)分析可能導(dǎo)致這種情況的原因，并提出相應(yīng)的解決方法。材料：有一個(gè)電商用戶購(gòu)買行為數(shù)據(jù)集，記錄了用戶的購(gòu)買時(shí)間、購(gòu)買商品種類、購(gòu)買金額等信息?，F(xiàn)在想要通過聚類算法將用戶分為不同的群體，以便進(jìn)行精準(zhǔn)營(yíng)銷。4.請(qǐng)描述使用K-Means算法進(jìn)行聚類的步驟，并說明如何評(píng)估聚類結(jié)果的好壞。答案1.B2.D3.D4.C5.B6.D7.C8.A9.C10.A1.無監(jiān)督學(xué)習(xí)是指在沒有標(biāo)簽的數(shù)據(jù)集上進(jìn)行學(xué)習(xí)，旨在發(fā)現(xiàn)數(shù)據(jù)中的潛在結(jié)構(gòu)和模式。常見的無監(jiān)督學(xué)習(xí)算法包括K-Means算法，用于將數(shù)據(jù)點(diǎn)劃分為不同的簇；DBSCAN算法，能自動(dòng)確定簇的數(shù)量并發(fā)現(xiàn)任意形狀的簇；主成分分析（PCA）算法，可對(duì)數(shù)據(jù)進(jìn)行降維處理，提取主要特征等。2.過擬合是指模型在訓(xùn)練集上表現(xiàn)很好，但在測(cè)試集或新數(shù)據(jù)上表現(xiàn)很差，模型過于復(fù)雜，過度擬合了訓(xùn)練數(shù)據(jù)中的噪聲。欠擬合是指模型過于簡(jiǎn)單，無法很好地?cái)M合訓(xùn)練數(shù)據(jù)中的規(guī)律。避免過擬合可采用正則化、減少特征數(shù)量、增加訓(xùn)練數(shù)據(jù)等方法；避免欠擬合可增加模型復(fù)雜度、選擇更合適的算法、對(duì)數(shù)據(jù)進(jìn)行預(yù)處理等。3.可能原因：模型存在過擬合，在訓(xùn)練集上過度擬合了噪聲；數(shù)據(jù)存在偏差，訓(xùn)練集和測(cè)試集分布不一致；特征選擇不當(dāng)，包含了無關(guān)或冗余特征。解決方法：采用正則化等防止過擬合；對(duì)數(shù)據(jù)進(jìn)行重新采樣或劃分，確保訓(xùn)練集和測(cè)試集分布相似；仔細(xì)選擇和處理特征，去除無關(guān)特征。4.K-Means算法步驟：首先隨機(jī)選擇K個(gè)聚類中心；然后計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到聚類中心的距離，將數(shù)據(jù)點(diǎn)分配到最近的聚類中心；接著重新計(jì)算每個(gè)簇的聚類中心；重復(fù)上述步驟直到聚類