2025年大學人工智能（機器學習模型）期中測試卷

（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.以下哪種機器學習模型不屬于監(jiān)督學習？（）A.決策樹B.支持向量機C.神經(jīng)網(wǎng)絡(luò)D.聚類算法2.在邏輯回歸中，用于衡量模型擬合優(yōu)度的指標通常是（）。A.準確率B.召回率C.F1值D.對數(shù)似然函數(shù)值3.決策樹的構(gòu)建過程中，選擇最優(yōu)劃分屬性的依據(jù)是（）。A.信息增益B.信息增益率C.基尼指數(shù)D.以上都是4.支持向量機的核心思想是（）。A.最大化間隔B.最小化損失函數(shù)C.尋找最優(yōu)分類超平面D.以上都是5.神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)作用是（）。A.增加模型的非線性B.對輸入進行歸一化C.加速模型收斂D.減少過擬合6.以下哪種算法常用于處理不平衡數(shù)據(jù)集？（）A.隨機森林B.AdaBoostC.K近鄰D.樸素貝葉斯7.在K近鄰算法中，K值的選擇對模型性能有重要影響，一般來說（）。A.K值越大，模型越復雜B.K值越小，模型越魯棒C.需要通過交叉驗證來選擇合適的K值D.K值與模型性能無關(guān)8.樸素貝葉斯分類器的假設(shè)是（）。A.特征之間相互獨立B.特征之間存在強相關(guān)性C.特征服從高斯分布D.特征服從泊松分布9.梯度下降法是一種常用的優(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.尋找最優(yōu)解D.以上都是10.以下哪種模型可以用于預測連續(xù)型變量？（）A.線性回歸B.邏輯回歸C.決策樹D.支持向量機二、多項選擇題（總共5題，每題5分，每題有多個正確答案，請將正確答案填寫在括號內(nèi)，多選、少選、錯選均不得分）1.監(jiān)督學習的主要任務(wù)包括（）。A.分類B.回歸C.聚類D.降維2.以下哪些是決策樹的優(yōu)點？（）A.模型簡單，易于理解B.能夠處理數(shù)值型和類別型數(shù)據(jù)C.不需要大量的訓練數(shù)據(jù)D.對異常值不敏感3.支持向量機在處理高維數(shù)據(jù)時的優(yōu)勢有（）。A.能夠有效避免維數(shù)災難B.具有較好的泛化能力C.可以處理非線性分類問題D.計算效率高4.神經(jīng)網(wǎng)絡(luò)的訓練過程中，常用的優(yōu)化算法有（）。A.梯度下降法B.AdagradC.RMSPropD.Adam5.以下哪些方法可以用于評估機器學習模型的性能？（）A.準確率B.召回率C.F1值D.均方誤差三、判斷題（總共10題，每題2分，請判斷下列說法是否正確，正確的打√，錯誤的打×）1.機器學習模型的性能只取決于模型本身，與數(shù)據(jù)無關(guān)。（）2.在監(jiān)督學習中，訓練數(shù)據(jù)必須包含標簽信息。（）3.決策樹的深度越大，模型的泛化能力越強。（）4.支持向量機只能處理線性可分的數(shù)據(jù)集。（）5.神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，模型的性能越好。（）6.對于不平衡數(shù)據(jù)集，隨機抽樣是一種有效的處理方法。（）7.K近鄰算法的時間復雜度與樣本數(shù)量成正比。（）8.樸素貝葉斯分類器對缺失值敏感。（）9.梯度下降法的收斂速度與步長有關(guān)。（）10.交叉驗證可以有效評估模型的泛化能力。（）四、簡答題（總共3題，每題10分，請簡要回答下列問題）1.請簡述邏輯回歸的原理，并說明其與線性回歸的區(qū)別。2.決策樹的剪枝策略有哪些？請分別簡要介紹。3.簡述支持向量機中核函數(shù)的作用，并舉例說明常用的核函數(shù)。五、綜合題（總共1題，每題共20分，請詳細解答下列問題）假設(shè)你正在處理一個二分類問題，數(shù)據(jù)集包含100個樣本，其中正例40個，負例60個。你使用邏輯回歸模型進行訓練，并使用準確率、召回率和F1值來評估模型性能。經(jīng)過訓練后，模型對正例的預測結(jié)果為30個正例，10個負例；對負例的預測結(jié)果為50個負例，10個正例。請計算該模型的準確率、召回率和F1值。答案：一、單項選擇題1.D2.D3.D4.D5.A6.B7.C8.A9.B10.A二、多項選擇題1.AB2.AB3.ABC4.ABCD5.ABCD三、判斷題1.×2.√3.×4.×5.×6.×7.×8.√9.√10.√四、簡答題1.邏輯回歸原理：通過對輸入特征進行線性組合，然后經(jīng)過sigmoid函數(shù)將其轉(zhuǎn)換為概率值，用于二分類問題。與線性回歸區(qū)別：線性回歸用于預測連續(xù)值，邏輯回歸用于預測二分類概率；線性回歸使用最小二乘法求解參數(shù)，邏輯回歸使用極大似然估計求解參數(shù)。2.預剪枝：在決策樹構(gòu)建過程中，提前停止樹的生長，如設(shè)定節(jié)點樣本數(shù)、深度等閾值。后剪枝：先構(gòu)建完整決策樹，再根據(jù)一定規(guī)則對樹進行剪枝，如代價復雜度剪枝等。3.核函數(shù)作用：將低維空間中的數(shù)據(jù)映射到高維空間，從而使原本線性不可分的數(shù)據(jù)變得線性可分。常用核函數(shù)：