2025年大一機器學習期末模擬試卷考試時間：120分鐘?總分：100分?年級/班級：大一人工智能專業(yè)

2025年大一機器學習期末模擬試卷

一、選擇題

1.下列哪一項不屬于機器學習的常見任務(wù)？

?A.分類

?B.回歸

?C.聚類

?D.繪圖

2.決策樹算法中，選擇分裂屬性的依據(jù)通常是？

?A.信息增益

?B.熵

?C.方差

?D.均值

3.下列哪種算法屬于監(jiān)督學習？

?A.K-means聚類

?B.K近鄰算法

?C.主成分分析

?D.神經(jīng)網(wǎng)絡(luò)

4.在邏輯回歸中，輸出結(jié)果通常表示為？

?A.連續(xù)值

?B.分類標簽

?C.概率值

?D.離散值

5.下列哪一項不是過擬合的常見原因？

?A.數(shù)據(jù)量不足

?B.特征過多

?C.模型復(fù)雜度低

?D.隨機噪聲

6.在支持向量機中，核函數(shù)的作用是？

?A.壓縮數(shù)據(jù)

?B.增加特征維度

?C.映射到高維空間

?D.減少數(shù)據(jù)量

7.下列哪種方法可以用于處理缺失值？

?A.刪除含有缺失值的樣本

?B.均值填充

?C.回歸填充

?D.以上都是

8.下列哪種算法屬于無監(jiān)督學習？

?A.線性回歸

?B.決策樹

?C.關(guān)聯(lián)規(guī)則學習

?D.邏輯回歸

9.在神經(jīng)網(wǎng)絡(luò)中，反向傳播的作用是？

?A.增加神經(jīng)元數(shù)量

?B.調(diào)整權(quán)重

?C.減少層數(shù)

?D.增加激活函數(shù)

10.下列哪種評估指標適用于不平衡數(shù)據(jù)集？

?A.準確率

?B.召回率

?C.F1分數(shù)

?D.AUC

11.在特征工程中，下列哪種方法屬于特征選擇？

?A.特征縮放

?B.特征編碼

?C.遞歸特征消除

?D.特征組合

12.下列哪種模型適合處理非線性關(guān)系？

?A.線性回歸

?B.邏輯回歸

?C.支持向量機

?D.K近鄰算法

13.在交叉驗證中，k折交叉驗證的含義是？

?A.將數(shù)據(jù)分成k份，每次用k-1份訓(xùn)練，1份驗證

?B.將數(shù)據(jù)分成k份，每次用1份訓(xùn)練，k-1份驗證

?C.將數(shù)據(jù)分成k份，每次用k份訓(xùn)練，0份驗證

?D.將數(shù)據(jù)分成k份，每次用k-1份驗證，1份訓(xùn)練

14.下列哪種方法可以用于降維？

?A.主成分分析

?B.線性判別分析

?C.因子分析

?D.以上都是

15.在集成學習中，下列哪種方法屬于bagging？

?A.決策樹集成

?B.隨機森林

?C.提升算法

?D.負責任隨機森林

16.下列哪種算法適合處理高維數(shù)據(jù)？

?A.線性回歸

?B.邏輯回歸

?C.主成分分析

?D.K近鄰算法

17.在模型評估中，混淆矩陣的作用是？

?A.計算準確率

?B.計算召回率

?C.計算F1分數(shù)

?D.以上都是

18.下列哪種方法可以用于處理過擬合？

?A.正則化

?B.數(shù)據(jù)增強

?C.早停

?D.以上都是

19.在神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)的作用是？

?A.增加神經(jīng)元數(shù)量

?B.調(diào)整權(quán)重

?C.引入非線性

?D.減少層數(shù)

20.下列哪種算法屬于強化學習？

?A.Q學習

?B.決策樹

?C.邏輯回歸

?D.神經(jīng)網(wǎng)絡(luò)

二、填空題

1.機器學習的核心目標是______。

2.決策樹算法的遞歸終止條件通常是______。

3.在邏輯回歸中，損失函數(shù)通常使用______。

4.支持向量機通過最大化______來劃分數(shù)據(jù)。

5.缺失值處理方法中，均值填充適用于______分布的數(shù)據(jù)。

6.特征工程的主要目的是______。

7.交叉驗證的主要目的是______。

8.集成學習中，隨機森林通過______來增加模型魯棒性。

9.混淆矩陣中，真正例（TP）表示______。

10.在神經(jīng)網(wǎng)絡(luò)中，前向傳播和反向傳播是______過程。

11.降維的主要目的是______。

12.監(jiān)督學習需要______標簽的數(shù)據(jù)。

13.無監(jiān)督學習中，聚類算法的常見評估指標是______。

14.在模型評估中，AUC表示______。

15.正則化通過添加______項來懲罰復(fù)雜模型。

16.數(shù)據(jù)增強的常見方法包括______和______。

17.神經(jīng)網(wǎng)絡(luò)中，權(quán)重初始化的常見方法是______。

18.強化學習的核心要素包括______、______和______。

19.在特征選擇中，遞歸特征消除（RFE）通過______來選擇特征。

20.集成學習中，提升算法（Boosting）通過______來構(gòu)建模型。

三、多選題

1.下列哪些屬于機器學習的常見任務(wù)？

?A.分類

?B.回歸

?C.聚類

?D.繪圖

2.決策樹算法中，選擇分裂屬性的依據(jù)通常包括？

?A.信息增益

?B.熵

?C.方差

?D.均值

3.下列哪些屬于監(jiān)督學習算法？

?A.K近鄰算法

?B.決策樹

?C.邏輯回歸

?D.K-means聚類

4.下列哪些方法可以用于處理缺失值？

?A.刪除含有缺失值的樣本

?B.均值填充

?C.回歸填充

?D.插值法

5.下列哪些屬于無監(jiān)督學習算法？

?A.聚類算法

?B.關(guān)聯(lián)規(guī)則學習

?C.主成分分析

?D.神經(jīng)網(wǎng)絡(luò)

6.在支持向量機中，核函數(shù)的作用包括？

?A.壓縮數(shù)據(jù)

?B.增加特征維度

?C.映射到高維空間

?D.減少數(shù)據(jù)量

7.下列哪些方法可以用于降維？

?A.主成分分析

?B.線性判別分析

?C.因子分析

?D.小波變換

8.在集成學習中，常見的集成方法包括？

?A.決策樹集成

?B.隨機森林

?C.提升算法

?D.負責任隨機森林

9.下列哪些評估指標適用于不平衡數(shù)據(jù)集？

?A.準確率

?B.召回率

?C.F1分數(shù)

?D.AUC

10.在模型評估中，混淆矩陣的元素包括？

?A.真正例（TP）

?B.假正例（FP）

?C.真反例（TN）

?D.假反例（FN）

11.下列哪些方法可以用于處理過擬合？

?A.正則化

?B.數(shù)據(jù)增強

?C.早停

?D.降低模型復(fù)雜度

12.在神經(jīng)網(wǎng)絡(luò)中，常見的激活函數(shù)包括？

?A.Sigmoid

?B.ReLU

?C.Tanh

?D.Logistic

13.下列哪些屬于強化學習的核心要素？

?A.狀態(tài)

?B.動作

?C.獎勵

?D.策略

14.在特征工程中，常見的特征處理方法包括？

?A.特征縮放

?B.特征編碼

?C.特征組合

?D.特征選擇

15.下列哪些屬于集成學習的優(yōu)點？

?A.提高模型魯棒性

?B.提高模型泛化能力

?C.增加模型復(fù)雜度

?D.減少模型訓(xùn)練時間

16.在交叉驗證中，常見的交叉驗證方法包括？

?A.k折交叉驗證

?B.留一交叉驗證

?C.自助法交叉驗證

?D.雙重交叉驗證

17.下列哪些屬于監(jiān)督學習算法？

?A.線性回歸

?B.決策樹

?C.邏輯回歸

?D.支持向量機

18.下列哪些方法可以用于處理不平衡數(shù)據(jù)集？

?A.過采樣

?B.欠采樣

?C.代價敏感學習

?D.合并類別

19.在神經(jīng)網(wǎng)絡(luò)中，常見的優(yōu)化算法包括？

?A.梯度下降

?B.Adam

?C.RMSprop

?D.隨機梯度下降

20.下列哪些屬于特征工程的主要目的？

?A.提高模型性能

?B.減少數(shù)據(jù)量

?C.增加數(shù)據(jù)維度

?D.增強模型泛化能力

四、判斷題

1.決策樹算法是一種非參數(shù)的監(jiān)督學習方法。

2.支持向量機通過尋找一個最優(yōu)的超平面來劃分數(shù)據(jù)。

3.缺失值填充后可能會引入偏差，但不會影響模型的泛化能力。

4.特征工程的主要目的是增加數(shù)據(jù)的維度。

5.交叉驗證的主要目的是評估模型的泛化能力。

6.集成學習中，隨機森林通過并行構(gòu)建多個決策樹來增加模型魯棒性。

7.混淆矩陣中，假反例（FN）表示實際為正例，但被預(yù)測為反例的樣本數(shù)。

8.在神經(jīng)網(wǎng)絡(luò)中，反向傳播算法用于計算損失函數(shù)對權(quán)重的梯度。

9.降維的主要目的是減少數(shù)據(jù)的特征數(shù)量，同時保留重要的信息。

10.強化學習的核心目標是學習一個策略，以最大化累積獎勵。

11.在特征選擇中，遞歸特征消除（RFE）通過遞歸減少特征數(shù)量來選擇特征。

12.集成學習中，提升算法（Boosting）通過串行構(gòu)建多個弱學習器來提高模型性能。

13.模型評估中，準確率適用于所有類型的數(shù)據(jù)集，無論數(shù)據(jù)是否平衡。

14.正則化通過添加懲罰項來限制模型的復(fù)雜度，防止過擬合。

15.數(shù)據(jù)增強的目的是增加訓(xùn)練數(shù)據(jù)的數(shù)量和多樣性，提高模型的泛化能力。

16.神經(jīng)網(wǎng)絡(luò)中，權(quán)重初始化的目的是避免梯度消失或梯度爆炸。

17.強化學習中，狀態(tài)是指智能體所處的環(huán)境狀態(tài)。

18.在特征工程中，特征縮放的主要目的是將不同特征的數(shù)值范圍統(tǒng)一。

19.集成學習中，bagging通過并行構(gòu)建多個模型并取平均值來提高模型魯棒性。

20.交叉驗證中，k折交叉驗證將數(shù)據(jù)分成k份，每次用k-1份訓(xùn)練，1份驗證。

五、問答題

1.簡述過擬合的常見原因及其解決方法。

2.解釋集成學習的概念及其主要優(yōu)點。

3.描述神經(jīng)網(wǎng)絡(luò)中前向傳播和反向傳播的過程及其作用。

試卷答案

一、選擇題

1.D.繪圖

解析：機器學習的常見任務(wù)包括分類、回歸、聚類等，而繪圖不屬于機器學習的典型任務(wù)范疇。

2.A.信息增益

解析：決策樹算法在選擇分裂屬性時，通常依據(jù)信息增益來衡量分裂前后信息的不確定性減少程度。

3.B.K近鄰算法

解析：K近鄰算法是一種監(jiān)督學習方法，通過尋找與待分類樣本最相似的k個鄰居來進行分類。

4.C.概率值

解析：邏輯回歸輸出的是樣本屬于某一類別的概率值，而不是分類標簽。

5.C.模型復(fù)雜度低

解析：過擬合的常見原因是模型復(fù)雜度過高，導(dǎo)致模型對訓(xùn)練數(shù)據(jù)擬合得過于緊密，而泛化能力差。模型復(fù)雜度低不會導(dǎo)致過擬合。

6.C.映射到高維空間

解析：支持向量機通過核函數(shù)將數(shù)據(jù)映射到高維空間，以找到一個能夠更好劃分數(shù)據(jù)的超平面。

7.D.以上都是

解析：處理缺失值的方法包括刪除含有缺失值的樣本、均值填充、回歸填充等。

8.C.關(guān)聯(lián)規(guī)則學習

解析：關(guān)聯(lián)規(guī)則學習是一種無監(jiān)督學習方法，用于發(fā)現(xiàn)數(shù)據(jù)項之間的有趣關(guān)系。

9.B.調(diào)整權(quán)重

解析：反向傳播算法在神經(jīng)網(wǎng)絡(luò)中用于計算損失函數(shù)對權(quán)重的梯度，并根據(jù)梯度調(diào)整權(quán)重，以最小化損失函數(shù)。

10.B.召回率

解析：召回率適用于不平衡數(shù)據(jù)集，因為它關(guān)注的是模型正確識別出的正例樣本占所有正例樣本的比例。

11.C.遞歸特征消除

解析：特征選擇是指從原始特征中選擇出對模型性能影響最大的特征子集，遞歸特征消除是一種常見的特征選擇方法。

12.C.支持向量機

解析：支持向量機適合處理非線性關(guān)系，通過核函數(shù)將數(shù)據(jù)映射到高維空間，從而能夠找到一個能夠更好劃分數(shù)據(jù)的超平面。

13.A.將數(shù)據(jù)分成k份，每次用k-1份訓(xùn)練，1份驗證

解析：k折交叉驗證將數(shù)據(jù)分成k份，每次用k-1份訓(xùn)練，1份驗證，重復(fù)k次，取平均性能作為模型評估結(jié)果。

14.D.以上都是

解析：降維的方法包括主成分分析、線性判別分析、因子分析等。

15.A.決策樹集成

解析：bagging是一種集成學習方法，通過并行構(gòu)建多個決策樹并取平均值來提高模型魯棒性。

16.C.主成分分析

解析：主成分分析適合處理高維數(shù)據(jù)，通過降維減少數(shù)據(jù)的維度，同時保留重要的信息。

17.D.以上都是

解析：混淆矩陣用于計算準確率、召回率、F1分數(shù)等評估指標。

18.D.以上都是

解析：處理過擬合的方法包括正則化、數(shù)據(jù)增強、早停等。

19.C.引入非線性

解析：激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中用于引入非線性，使神經(jīng)網(wǎng)絡(luò)能夠?qū)W習復(fù)雜的非線性關(guān)系。

20.A.Q學習

解析：Q學習是一種強化學習方法，通過學習狀態(tài)-動作值函數(shù)來選擇最優(yōu)策略。

二、填空題

1.學習從數(shù)據(jù)中獲取知識和規(guī)律

解析：機器學習的核心目標是學習從數(shù)據(jù)中獲取知識和規(guī)律，并通過這些知識和規(guī)律來預(yù)測新的數(shù)據(jù)。

2.節(jié)點純度達到某個閾值或節(jié)點包含的樣本數(shù)少于某個閾值

解析：決策樹算法的遞歸終止條件通常是節(jié)點純度達到某個閾值或節(jié)點包含的樣本數(shù)少于某個閾值。

3.邏輯損失函數(shù)或交叉熵損失函數(shù)

解析：在邏輯回歸中，損失函數(shù)通常使用邏輯損失函數(shù)或交叉熵損失函數(shù)。

4.邊界間隔

解析：支持向量機通過最大化邊界間隔來劃分數(shù)據(jù)，以找到一個能夠更好泛化到新數(shù)據(jù)的超平面。

5.正態(tài)

解析：均值填充適用于正態(tài)分布的數(shù)據(jù)，因為均值可以較好地代表數(shù)據(jù)的中心趨勢。

6.提高模型性能

解析：特征工程的主要目的是提高模型性能，通過特征選擇、特征構(gòu)造等方法來優(yōu)化模型的輸入特征。

7.評估模型的泛化能力

解析：交叉驗證的主要目的是評估模型的泛化能力，通過在不同的數(shù)據(jù)子集上訓(xùn)練和驗證模型，來估計模型的性能。

8.隨機選擇特征子集

解析：隨機森林通過隨機選擇特征子集來增加模型魯棒性，每次分裂時只考慮一部分特征，從而減少模型對特定特征的依賴。

9.實際為正例，且被預(yù)測為正例的樣本數(shù)

解析：混淆矩陣中，真正例（TP）表示實際為正例，且被預(yù)測為正例的樣本數(shù)。

10.交替

解析：在神經(jīng)網(wǎng)絡(luò)中，前向傳播和反向傳播是交替進行的過程，前向傳播用于計算輸出，反向傳播用于計算梯度并更新權(quán)重。

11.減少數(shù)據(jù)的維度，同時保留重要的信息

解析：降維的主要目的是減少數(shù)據(jù)的維度，同時保留重要的信息，以減少計算復(fù)雜度和提高模型性能。

12.標簽

解析：監(jiān)督學習需要標簽的數(shù)據(jù)，即每個樣本都包含輸入特征和對應(yīng)的標簽。

13.輪廓系數(shù)

解析：無監(jiān)督學習中，聚類算法的常見評估指標是輪廓系數(shù)，用于衡量樣本在聚類中的緊密度和分離度。

14.綜合性能

解析：在模型評估中，AUC表示綜合性能，即模型在不同閾值下的性能綜合。

15.L1或L2

解析：正則化通過添加L1或L2項來懲罰復(fù)雜模型，以防止過擬合。

16.隨機旋轉(zhuǎn)、隨機裁剪

解析：數(shù)據(jù)增強的常見方法包括隨機旋轉(zhuǎn)、隨機裁剪等，通過增加訓(xùn)練數(shù)據(jù)的多樣性來提高模型的泛化能力。

17.隨機初始化

解析：神經(jīng)網(wǎng)絡(luò)中，權(quán)重初始化的常見方法是隨機初始化，以避免梯度消失或梯度爆炸。

18.狀態(tài)、動作、獎勵

解析：強化學習的核心要素包括狀態(tài)、動作、獎勵，狀態(tài)是智能體所處的環(huán)境狀態(tài)，動作是智能體可以執(zhí)行的操作，獎勵是智能體執(zhí)行動作后得到的反饋。

19.遞歸減少特征數(shù)量

解析：在特征選擇中，遞歸特征消除（RFE）通過遞歸減少特征數(shù)量來選擇特征，每次迭代中根據(jù)特征的重要性排序并刪除最不重要的特征。

20.串行構(gòu)建多個弱學習器

解析：集成學習中，提升算法（Boosting）通過串行構(gòu)建多個弱學習器來提高模型性能，每個弱學習器都試圖糾正前一個學習器的錯誤。

三、多選題

1.A.分類、B.回歸、C.聚類

解析：機器學習的常見任務(wù)包括分類、回歸、聚類等。

2.A.信息增益、B.熵

解析：決策樹算法在選擇分裂屬性時，通常依據(jù)信息增益或熵來衡量分裂前后信息的不確定性減少程度。

3.A.K近鄰算法、B.決策樹、C.邏輯回歸

解析：K近鄰算法、決策樹、邏輯回歸都屬于監(jiān)督學習算法。

4.A.刪除含有缺失值的樣本、B.均值填充、C.回歸填充

解析：處理缺失值的方法包括刪除含有缺失值的樣本、均值填充、回歸填充等。

5.A.聚類算法、B.關(guān)聯(lián)規(guī)則學習、C.主成分分析

解析：聚類算法、關(guān)聯(lián)規(guī)則學習、主成分分析都屬于無監(jiān)督學習算法。

6.B.增加特征維度、C.映射到高維空間

解析：支持向量機中，核函數(shù)的作用是增加特征維度，將數(shù)據(jù)映射到高維空間，以找到一個能夠更好劃分數(shù)據(jù)的超平面。

7.A.主成分分析、B.線性判別分析、C.因子分析

解析：降維的方法包括主成分分析、線性判別分析、因子分析等。

8.A.決策樹集成、B.隨機森林、C.提升算法

解析：集成學習中，常見的集成方法包括決策樹集成、隨機森林、提升算法等。

9.B.召回率、C.F1分數(shù)、D.AUC

解析：評估指標適用于不平衡數(shù)據(jù)集包括召回率、F1分數(shù)、AUC等。

10.A.真正例（TP）、B.假正例（FP）、C.真反例（TN）、D.假反例（FN）

解析：混淆矩陣的元素包括真正例（TP）、假正例（FP）、真反例（TN）、假反例（FN）。

11.A.正則化、B.數(shù)據(jù)增強、C.早停、D.降低模型復(fù)雜度

解析：處理過擬合的方法包括正則化、數(shù)據(jù)增強、早停、降低模型復(fù)雜度等。

12.A.Sigmoid、B.ReLU、C.Tanh

解析：神經(jīng)網(wǎng)絡(luò)中，常見的激活函數(shù)包括Sigmoid、ReLU、Tanh等。

13.A.狀態(tài)、B.動作、C.獎勵

解析：強化學習的核心要素包括狀態(tài)、動作、獎勵。

14.A.特征縮放、B.特征編碼、C.特征組合

解析：特征工程中，常見的特征處理方法包括特征縮放、特征編碼、特征組合等。

15.A.提高模型魯棒性、B.提高模型泛化能力

解析：集成學習的優(yōu)點包括提高模型魯棒性和泛化能力。

16.A.k折交叉驗證、B.留一交叉驗證、C.自助法交叉驗證

解析：交叉驗證中，常見的交叉驗證方法包括k折交叉驗證、留一交叉驗證、自助法交叉驗證等。

17.A.線性回歸、B.決策樹、C.邏輯回歸、D.支持向量機

解析：監(jiān)督學習算法包括線性回歸、決策樹、邏輯回歸、支持向量機等。

18.A.過采樣、B.欠采樣、C.代價敏感學習

解析：處理不平衡數(shù)據(jù)集的方法包括過采樣、欠采樣、代價敏感學習等。

19.A.梯度下降、B.Adam、C.RMSprop

解析：神經(jīng)網(wǎng)絡(luò)中，常見的優(yōu)化算法包括梯度下降、Adam、RMSprop等。

20.A.提高模型性能、B.減少數(shù)據(jù)量、D.增強模型泛化能力

解析：特征工程的主要目的包括提高模型性能、增強模型泛化能力等。

四、判斷題

1.正確

解析：決策樹算法是一種非參數(shù)的監(jiān)督學習方法，通過遞歸分割數(shù)據(jù)來構(gòu)建決策樹。

2.正確

解析：支持向量機通過尋找一個最優(yōu)的超平面來劃分數(shù)據(jù)，該超平面能夠最大化數(shù)據(jù)之間的邊界間隔。

3.錯誤

解析：缺失值填充后可能會引入偏差，并影響模型的泛化能力。

4.錯誤

解析：特征工程的主要目的是提高模型性能，通過特征選擇、特征構(gòu)造等方法來優(yōu)化模型的輸入特征，而不是增加數(shù)據(jù)的維度。

5.正確

解析：交叉驗證的主要目的是評估模型的泛化能力，通過在不同的數(shù)據(jù)子集上訓(xùn)練和驗證模型，來估計模型的性能。

6.正確

解析：集成學習中，隨機森林通過并行構(gòu)建多個決策樹來增加模型魯棒性，每次分裂時只考慮一部分特征，從而減少模型對特定特征的依賴。

7.正確

解析：混淆矩陣中，假反例（FN）表示實際為正例，但被預(yù)測為反例的樣本數(shù)。

8.正確

解析：在神經(jīng)網(wǎng)絡(luò)中，反向傳播算法用于計算損