2025年大學(xué)人工智能（機器學(xué)習(xí)基礎(chǔ)）下學(xué)期單元測試卷

（考試時間：90分鐘滿分100分）班級______姓名______一、單項選擇題（總共10題，每題3分，每題只有一個正確答案，請將正確答案填寫在括號內(nèi)）1.以下關(guān)于機器學(xué)習(xí)的說法，錯誤的是（）A.機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科B.它致力于研究如何通過計算的手段，利用經(jīng)驗來改善系統(tǒng)自身的性能C.機器學(xué)習(xí)只能處理線性可分的數(shù)據(jù)D.機器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)等多種類型2.在監(jiān)督學(xué)習(xí)中，若輸出變量的取值是離散的，通常稱這種學(xué)習(xí)任務(wù)為（）A.回歸問題B.分類問題C.聚類問題D.降維問題3.決策樹學(xué)習(xí)中，用于選擇劃分屬性的準則是（）A.信息增益B.基尼指數(shù)C.均方誤差D.A和B4.支持向量機（SVM）的主要思想是（）A.最大化分類間隔B.最小化分類間隔C.最大化樣本點到超平面的距離D.最小化樣本點到超平面的距離5.以下哪個算法不屬于無監(jiān)督學(xué)習(xí)算法（）A.K近鄰算法B.樸素貝葉斯算法C.主成分分析算法D.層次聚類算法6.在K近鄰算法中，K值的選擇對分類結(jié)果有重要影響。當(dāng)K值較小時，模型（）A.對噪聲數(shù)據(jù)更魯棒B.學(xué)習(xí)的近似誤差更小C.學(xué)習(xí)的估計誤差更小D.分類的邊界更平滑7.神經(jīng)網(wǎng)絡(luò)中，以下哪種激活函數(shù)具有“軟飽和”特性（）A.Sigmoid函數(shù)B.ReLU函數(shù)C.Tanh函數(shù)D.以上都不是8.梯度下降法是一種常用優(yōu)化算法，其目的是（）A.最大化目標函數(shù)B.最小化目標函數(shù)C.尋找目標函數(shù)的駐點D.尋找目標函數(shù)的鞍點9.在隨機梯度下降中，每次更新模型參數(shù)時（）A.使用全部訓(xùn)練數(shù)據(jù)B.使用一個隨機選擇的訓(xùn)練樣本C.使用固定數(shù)量的訓(xùn)練樣本D.使用逐漸增加數(shù)量的訓(xùn)練樣本10.以下關(guān)于模型評估指標的說法，正確的是（）A.在分類問題中，準確率越高模型越好B.在回歸問題中，均方誤差越小模型越好C.F1值是精確率和召回率的調(diào)和平均數(shù)，F(xiàn)1值越大模型越差D.ROC曲線下的面積越大，模型性能越差二、多項選擇題（總共5題，每題5分，每題至少有兩個正確答案，請將正確答案填寫在括號內(nèi)）1.以下屬于機器學(xué)習(xí)中常用的性能度量的有（）A.錯誤率與精度B.查準率與查全率C.F1值D.均方誤差E.交叉熵2.決策樹的剪枝策略包括（）A.預(yù)剪枝B.后剪枝C.深度優(yōu)先搜索剪枝D.廣度優(yōu)先搜索剪枝E.隨機剪枝3.樸素貝葉斯分類器的基本假設(shè)是（）A.屬性之間相互獨立B.屬性之間存在強相關(guān)性C.每個屬性同等重要D.屬性的取值服從某種概率分布E.不同屬性對分類結(jié)果的影響相同4.以下哪些算法可用于特征選擇（）A.主成分分析B.信息增益C.卡方檢驗D.支持向量機E.決策樹5.關(guān)于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN），正確的說法有（）A.卷積層通過卷積核提取圖像特征B.池化層用于減少數(shù)據(jù)維度C.全連接層將提取的特征進行分類D.CNN主要用于處理結(jié)構(gòu)化數(shù)據(jù)E.CNN在圖像識別等領(lǐng)域有廣泛應(yīng)用三、判斷題（總共10題，每題2分，請判斷對錯，在括號內(nèi)打“√”或“×”）1.機器學(xué)習(xí)的核心是讓計算機自動從數(shù)據(jù)中學(xué)習(xí)模式和規(guī)律。（）2.在監(jiān)督學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)既有特征向量又有對應(yīng)的標簽。（）3.決策樹的每個內(nèi)部節(jié)點對應(yīng)一個屬性上的測試。（）4.支持向量機的最優(yōu)分類超平面一定存在且唯一。（）5.無監(jiān)督學(xué)習(xí)不需要人工標注的數(shù)據(jù)。（）6.K近鄰算法是一種基于距離度量的分類算法。（）7.神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元是對生物神經(jīng)元的簡單模擬。（）8.梯度下降法中，學(xué)習(xí)率越大，算法收斂速度越快。（）9.模型評估時，測試集只能用于評估模型性能，不能用于訓(xùn)練模型。（）10.深度學(xué)習(xí)模型的訓(xùn)練過程就是不斷調(diào)整模型參數(shù)以最小化損失函數(shù)的過程。（）四、簡答題（總共3題，每題10分，請簡要回答問題）1簡述監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的區(qū)別。2請說明決策樹算法中信息增益的計算方法及作用。3解釋什么是過擬合和欠擬合，并說明如何避免這兩種情況。五、綜合題（總共1題，每題20分，請詳細解答問題）假設(shè)我們有一個數(shù)據(jù)集，包含以下特征和標簽：特征：身高（cm）、體重（kg）、年齡（歲）標簽：是否喜歡運動（是/否）請設(shè)計一個簡單的機器學(xué)習(xí)模型（可以是決策樹、樸素貝葉斯等）來預(yù)測一個人是否喜歡運動，并說明你的建模步驟和理由。答案：一、單項選擇題1.C2.B3.D4.A5.B6.B7.A8.B9.B10.B二、多項選擇題1.ABCDE2.AB3.AD4.ABCE5.ABCE三、判斷題1.√2.√3.√4.×5.√6.√7.√8.×9.√10.√四、簡答題1.監(jiān)督學(xué)習(xí)是從標注數(shù)據(jù)中學(xué)習(xí)預(yù)測模型，數(shù)據(jù)包含特征和對應(yīng)的標簽，模型學(xué)習(xí)特征與標簽之間的關(guān)系，用于預(yù)測未知數(shù)據(jù)的標簽。無監(jiān)督學(xué)習(xí)是從無標注數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)或分布，不依賴標簽信息，主要用于數(shù)據(jù)降維、聚類等任務(wù)。2.信息增益的計算方法：對于數(shù)據(jù)集D，其信息熵為H(D)，對于屬性a，根據(jù)屬性a的取值將D劃分為若干子集Dv，每個子集Dv的信息熵為H(Dv)，則屬性a的信息增益為Gain(D,a)=H(D)-∑|Dv|/|D|H(Dv)。信息增益用于選擇劃分屬性，增益越大，該屬性對樣本分類的貢獻越大。3.過擬合是指模型在訓(xùn)練集上表現(xiàn)很好，但在測試集上表現(xiàn)很差，模型過于復(fù)雜，包含了過多噪聲和無關(guān)特征。欠擬合是指模型在訓(xùn)練集和測試集上表現(xiàn)都不好，模型過于簡單，沒有捕捉到數(shù)據(jù)的重要特征。避免過擬合可采用正則化、剪枝、增加數(shù)據(jù)等方法；避免欠擬合可增加模型復(fù)雜度、選擇更合適的特征、調(diào)整超參數(shù)等。五、綜合題建模步驟：1.數(shù)據(jù)預(yù)處理：對身高、體重、年齡等特征進行歸一化處理，消除不同特征量綱的影響。2.選擇模型：考慮到數(shù)據(jù)維度較低且問題相對簡單，選擇決策樹模型。3.訓(xùn)練模型：使用訓(xùn)練數(shù)據(jù)訓(xùn)練決策樹模型，讓模型學(xué)習(xí)特征與是否喜歡運動之間的關(guān)系。4.評估模型：使用測試數(shù)據(jù)評估模型