2025年大四（人工智能）機(jī)器學(xué)習(xí)基礎(chǔ)階段測試卷

（考試時(shí)間：90分鐘滿分100分）班級______姓名______第I卷（選擇題共30分）答題要求：本卷共6題，每題5分。每題給出的四個(gè)選項(xiàng)中，只有一項(xiàng)是符合題目要求的。請將正確答案填寫在題后的括號內(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)是讓模型學(xué)會(huì)從輸入特征到輸出標(biāo)簽的映射C.監(jiān)督學(xué)習(xí)中模型的訓(xùn)練只基于輸入特征D.監(jiān)督學(xué)習(xí)主要用于數(shù)據(jù)聚類答案：B2.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.以上都是答案：D3.下列哪種算法不屬于線性模型（）A.線性回歸B.邏輯回歸C.支持向量機(jī)D.決策樹答案：D4.在k近鄰算法中，k的取值對模型性能有重要影響。當(dāng)k值較小時(shí)，模型（）A.復(fù)雜度較低，容易發(fā)生過擬合B.復(fù)雜度較高，容易發(fā)生過擬合C.復(fù)雜度較低，容易發(fā)生欠擬合D.復(fù)雜度較高，容易發(fā)生欠擬合答案：B5.以下關(guān)于神經(jīng)網(wǎng)絡(luò)的說法，錯(cuò)誤的是（）A.神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)元組成B.神經(jīng)元之間通過權(quán)重連接C.神經(jīng)網(wǎng)絡(luò)只能處理線性問題D.反向傳播算法用于調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重答案：C6.支持向量機(jī)的主要目的是（）A.進(jìn)行數(shù)據(jù)分類B.進(jìn)行數(shù)據(jù)回歸C.尋找數(shù)據(jù)中的聚類D.以上都不是答案：A第II卷（非選擇題共70分）（一）填空題（每題5分，共20分）答題要求：請?jiān)跈M線上填寫正確答案。1.機(jī)器學(xué)習(xí)中，模型評估的常用指標(biāo)有準(zhǔn)確率、召回率、F1值，其中F1值是____________________的調(diào)和均值。答案：準(zhǔn)確率和召回率2.樸素貝葉斯分類器的基本假設(shè)是____________________。答案：特征之間相互獨(dú)立3.梯度下降算法是一種用于____________________的優(yōu)化算法。答案：求解函數(shù)最小值4.在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)主要用于處理____________________數(shù)據(jù)。答案：圖像（二）簡答題（每題10分，共30分）1.請簡要說明什么是無監(jiān)督學(xué)習(xí)，并列舉兩個(gè)常見的無監(jiān)督學(xué)習(xí)算法。答案：無監(jiān)督學(xué)習(xí)是指在沒有給定訓(xùn)練數(shù)據(jù)標(biāo)簽的情況下，讓模型自動(dòng)從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律和結(jié)構(gòu)的學(xué)習(xí)方法。常見算法有聚類算法，如K-Means算法，它能將數(shù)據(jù)劃分成不同的簇；還有降維算法，如主成分分析（PCA），可降低數(shù)據(jù)維度同時(shí)保留主要信息。2.簡述邏輯回歸與線性回歸的區(qū)別與聯(lián)系。答案：聯(lián)系：都是廣義線性模型，線性回歸用于預(yù)測連續(xù)值，邏輯回歸用于預(yù)測離散值（通常是二分類）。區(qū)別：線性回歸的輸出是連續(xù)值，通過最小化均方誤差來求解模型參數(shù)；邏輯回歸的輸出是基于邏輯函數(shù)的概率值，通過極大似然估計(jì)來求解參數(shù)。邏輯回歸常用于分類問題，線性回歸常用于回歸問題。3.解釋一下模型的過擬合和欠擬合現(xiàn)象，并分別說明如何應(yīng)對。答案：過擬合是指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在測試數(shù)據(jù)上表現(xiàn)很差，即模型過于復(fù)雜，把訓(xùn)練數(shù)據(jù)中的噪聲也當(dāng)作規(guī)律學(xué)習(xí)了。應(yīng)對方法有增加數(shù)據(jù)量、進(jìn)行正則化、采用合適的模型復(fù)雜度選擇方法如交叉驗(yàn)證等。欠擬合是指模型過于簡單，無法很好地?cái)M合訓(xùn)練數(shù)據(jù)中的規(guī)律，在訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)上表現(xiàn)都差。應(yīng)對方法有增加模型復(fù)雜度，如添加更多特征、使用更復(fù)雜的模型結(jié)構(gòu)等。（三）材料分析題（每題10分，共20分）材料：在一個(gè)醫(yī)療診斷場景中，有一批患者的數(shù)據(jù)，包括癥狀、年齡、性別等特征，以及是否患有某種疾病的標(biāo)簽?，F(xiàn)在要建立一個(gè)機(jī)器學(xué)習(xí)模型來預(yù)測患者是否患有該疾病。1.請你選擇一種合適的機(jī)器學(xué)習(xí)算法，并說明理由。答案：可以選擇邏輯回歸算法。理由如下：邏輯回歸是一種簡單且有效的分類算法，適合處理二分類問題，這里是預(yù)測患者是否患有疾病，屬于二分類。它對數(shù)據(jù)的要求相對不高，計(jì)算效率較高，并且能夠給出概率輸出，方便醫(yī)生根據(jù)概率來判斷患者患病的可能性。同時(shí)，邏輯回歸的模型解釋性較好，醫(yī)生可以理解模型是如何根據(jù)患者的特征進(jìn)行判斷的。2.如果模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在實(shí)際應(yīng)用中效果不佳，可能是什么原因？答案：可能原因如下：訓(xùn)練數(shù)據(jù)與實(shí)際應(yīng)用數(shù)據(jù)分布不一致，導(dǎo)致模型在實(shí)際數(shù)據(jù)上無法很好地泛化。例如，訓(xùn)練數(shù)據(jù)可能來自特定地區(qū)的患者，而實(shí)際應(yīng)用時(shí)面對的是不同地區(qū)的患者，特征分布不同。也可能是模型存在過擬合問題，在訓(xùn)練數(shù)據(jù)上表現(xiàn)好但過于復(fù)雜，對實(shí)際數(shù)據(jù)中的噪聲敏感。還可能是特征選擇不合理，沒有選擇到對疾病預(yù)測最關(guān)鍵的特征，影響了模型在實(shí)際中的性能。（四）算法設(shè)計(jì)題（10分）設(shè)計(jì)一個(gè)簡單的基于k近鄰算法的手寫數(shù)字識(shí)別程序。假設(shè)有一批已經(jīng)標(biāo)注好的手寫數(shù)字圖像數(shù)據(jù)，每個(gè)圖像數(shù)據(jù)可以表示為一個(gè)向量，向量中的元素表示圖像的像素值。要求：1.描述算法的基本步驟。2.說明如何確定k值。答案：算法基本步驟：首先，將所有標(biāo)注好的手寫數(shù)字圖像數(shù)據(jù)作為訓(xùn)練集。對于待識(shí)別的手寫數(shù)字圖像，將其表示為向量。然后，計(jì)算該向量與訓(xùn)練集中所有向量的距離（如歐氏距離）。接著，根據(jù)距離從小到大排序，選擇最近的k個(gè)鄰居。最后，統(tǒng)計(jì)這k個(gè)鄰居中出現(xiàn)次數(shù)最多的數(shù)字類別，作為待識(shí)別圖像的類別。確定k值的方法：可以通過交叉驗(yàn)證來確定。將訓(xùn)練集分成多個(gè)子集，每次選擇一個(gè)子集作為驗(yàn)證集，其余作為訓(xùn)練集。對于不同的k值進(jìn)行訓(xùn)練和驗(yàn)證，計(jì)算驗(yàn)證集上的準(zhǔn)確率等評估指標(biāo)，選擇使評估指標(biāo)最優(yōu)的k值。（五）綜合應(yīng)用題（10分）材料：某電商平臺(tái)收集了用戶的購買歷史數(shù)據(jù)，包括購買的商品類別、購買時(shí)間、購買金額等信息。平臺(tái)希望通過機(jī)器學(xué)習(xí)算法分析用戶行為，預(yù)測用戶未來可能購買的商品類別。1.請?jiān)O(shè)計(jì)一個(gè)基于機(jī)器學(xué)習(xí)的解決方案，說明需要用到的算法和大致流程。2.如何評估該解決方案的有效性？答案：解決方案：可以使用關(guān)聯(lián)規(guī)則挖掘算法，如Apriori算法。大致流程：首先，對用戶購買歷史數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)整理成適合算法處理的格式。然后，使用Apriori算法挖掘頻繁項(xiàng)集，即找出經(jīng)常一起出現(xiàn)的商品類別組合。接著，根據(jù)頻繁項(xiàng)集生成關(guān)聯(lián)規(guī)則，確定哪些商品類別之間存在關(guān)聯(lián)關(guān)系。通過這些關(guān)聯(lián)規(guī)則來預(yù)測用戶未來可能購買的商品類別。評估該解決方案有效性