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

（考試時(shí)間：90分鐘滿分100分）班級(jí)______姓名______第I卷（選擇題共30分）答題要求：本大題共10小題，每小題3分。在每小題給出的四個(gè)選項(xiàng)中，只有一項(xiàng)是符合題目要求的。1.以下哪種算法不屬于監(jiān)督學(xué)習(xí)算法？A.決策樹B.支持向量機(jī)C.聚類算法D.邏輯回歸2.在構(gòu)建線性回歸模型時(shí)，用于衡量模型擬合優(yōu)度的指標(biāo)是？A.準(zhǔn)確率B.召回率C.均方誤差D.F1值3.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.(-∞,+∞)B.(0,1)C.(-1,1)D.[0,1]4.決策樹中的信息增益是基于以下哪個(gè)概念計(jì)算的？A.熵B.方差C.協(xié)方差D.中位數(shù)5.支持向量機(jī)的核心思想是？A.尋找最大間隔超平面B.最小化損失函數(shù)C.最大化似然函數(shù)D.聚類數(shù)據(jù)點(diǎn)6.以下關(guān)于神經(jīng)網(wǎng)絡(luò)的說法，錯(cuò)誤的是？A.由多個(gè)神經(jīng)元組成B.可以自動(dòng)提取特征C.訓(xùn)練過程不需要數(shù)據(jù)D.具有很強(qiáng)的非線性擬合能力7.在神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)的作用是？A.增加模型的復(fù)雜度B.引入非線性因素C.加速模型訓(xùn)練D.減少模型參數(shù)8.以下哪種優(yōu)化算法在深度學(xué)習(xí)中較為常用？A.梯度下降B.隨機(jī)梯度下降C.AdagradD.以上都是9.對(duì)于一個(gè)多分類問題，常用的損失函數(shù)是？A.交叉熵?fù)p失函數(shù)B.均方誤差損失函數(shù)C.絕對(duì)值損失函數(shù)D.平方損失函數(shù)10.在模型評(píng)估中，用于評(píng)估模型泛化能力的指標(biāo)是？A.訓(xùn)練集準(zhǔn)確率B.測(cè)試集準(zhǔn)確率C.訓(xùn)練集損失D.測(cè)試集損失第II卷（非選擇題共70分）11.（本題10分）簡(jiǎn)述監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的區(qū)別。12.（本題15分）請(qǐng)描述決策樹的構(gòu)建過程。13.（本題共15分，每題5分）-寫出邏輯回歸的數(shù)學(xué)表達(dá)式。-解釋邏輯回歸中sigmoid函數(shù)的作用。-說明如何使用邏輯回歸進(jìn)行二分類預(yù)測(cè)。14.（本題20分）材料：在一個(gè)圖像分類任務(wù)中，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行模型搭建。已知數(shù)據(jù)集包含10個(gè)類別，每個(gè)類別有1000張圖像。首先對(duì)圖像進(jìn)行預(yù)處理，包括歸一化、數(shù)據(jù)增強(qiáng)等操作。然后構(gòu)建一個(gè)簡(jiǎn)單的CNN模型，包含卷積層、池化層和全連接層。問題：-簡(jiǎn)述卷積層的作用。-池化層有哪些常見的池化方式？-全連接層在模型中的作用是什么？-如何評(píng)估該CNN模型的性能？15.（本題20分）材料：某公司希望通過機(jī)器學(xué)習(xí)模型預(yù)測(cè)客戶是否會(huì)購買其新產(chǎn)品。收集了客戶的年齡、收入、購買歷史等數(shù)據(jù)作為特征。問題：-如果你負(fù)責(zé)搭建這個(gè)模型，你會(huì)選擇哪種機(jī)器學(xué)習(xí)算法？為什么？-如何對(duì)數(shù)據(jù)進(jìn)行預(yù)處理？-模型訓(xùn)練過程中，如何防止過擬合？-請(qǐng)簡(jiǎn)要描述模型評(píng)估的流程。答案：1.C2.C3.D4.A5.A6.C7.B8.D9.A10.B11.監(jiān)督學(xué)習(xí)有標(biāo)記數(shù)據(jù)，模型學(xué)習(xí)數(shù)據(jù)特征與標(biāo)記關(guān)系，用于預(yù)測(cè)、分類等；無監(jiān)督學(xué)習(xí)無標(biāo)記數(shù)據(jù)，模型自動(dòng)發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)與規(guī)律，如聚類、降維。12.先確定根節(jié)點(diǎn)，計(jì)算各屬性信息增益選最大的為根節(jié)點(diǎn)屬性，對(duì)根節(jié)點(diǎn)屬性不同取值劃分?jǐn)?shù)據(jù)集，遞歸對(duì)每個(gè)子集重復(fù)上述過程，直到子集樣本屬于同一類或無屬性可分。13.數(shù)學(xué)表達(dá)式：$P(y=1|x;\theta)=\frac{1}{1+e^{-\theta^Tx}}$。sigmoid函數(shù)將線性組合映射到(0,1)概率值。預(yù)測(cè)時(shí)，計(jì)算$P(y=1|x;\theta)$，若大于0.5判為1類，否則為0類。14.卷積層提取圖像局部特征。常見池化方式有最大池化、平均池化。全連接層將提取的特征映射到類別空間進(jìn)行分類。評(píng)估性能可通過計(jì)算準(zhǔn)確率、召回率、F1值等指標(biāo)，用測(cè)試集數(shù)據(jù)測(cè)試模型。15.可選邏輯回歸，因其簡(jiǎn)單易理解，適合處理線性關(guān)系數(shù)