2026年人工智能（機器學習基礎）試題及答案

（考試時間：90分鐘滿分100分）班級______姓名______第I卷（選擇題共30分）答題要求：本大題共10小題，每小題3分。在每小題給出的四個選項中，只有一項是符合題目要求的。1.以下關于機器學習中監(jiān)督學習的說法，正確的是（）A.監(jiān)督學習不需要給定訓練數(shù)據(jù)的標簽B.監(jiān)督學習的目標是找到一個函數(shù)，使得預測結果與真實標簽盡可能接近C.監(jiān)督學習只能處理分類問題D.監(jiān)督學習不包括回歸問題答案：B2.決策樹算法中，用于選擇劃分屬性的指標通常是（）A.信息增益B.均方誤差C.歐式距離D.余弦相似度答案：A3.下列哪種算法不屬于無監(jiān)督學習算法（）A.K-Means算法B.支持向量機C.主成分分析D.高斯混合模型答案：B4.在神經(jīng)網(wǎng)絡中，激活函數(shù)的作用是（）A.增加模型的復雜度B.對輸入數(shù)據(jù)進行歸一化C.引入非線性因素，使模型能夠處理非線性問題D.加快模型的訓練速度答案：C5.梯度下降法是一種常用的優(yōu)化算法，其目的是（）A.計算梯度B.尋找函數(shù)的最大值C.尋找函數(shù)的最小值D.計算損失函數(shù)答案：C6.以下關于線性回歸模型的說法，錯誤的是（）A.線性回歸模型的目標是找到一條直線，使得預測值與真實值的誤差最小B.線性回歸模型只能處理線性關系的數(shù)據(jù)C.線性回歸模型的參數(shù)可以通過最小二乘法求解D.線性回歸模型在實際應用中不需要進行特征工程答案：D7.支持向量機（SVM）主要用于解決（）問題A.分類B.回歸C.聚類D.降維答案：A8.在K-Means聚類算法中，K的含義是（）A.數(shù)據(jù)的維度B.聚類的類別數(shù)C.迭代的次數(shù)D.樣本的數(shù)量答案：B9.以下哪種方法可以用于評估分類模型的性能（）A.均方誤差B.準確率C.余弦相似度D.主成分分析答案：B10.深度學習中，卷積神經(jīng)網(wǎng)絡（CNN）主要用于處理（）數(shù)據(jù)A.文本B.圖像C.音頻D.時間序列答案：B第II卷（非選擇題共70分）簡答題（共20分）答題要求：本大題共2小題，每小題10分。請簡要回答問題。1.請簡述機器學習中模型評估的常用指標有哪些，并分別說明其適用場景。2.什么是過擬合和欠擬合？如何避免過擬合和欠擬合？計算題（共20分）答題要求：本大題共2小題，每小題10分。請寫出計算過程和答案。1.已知一個簡單的線性回歸模型y=2x+1，現(xiàn)有一組數(shù)據(jù)x=[1,2,3,4,5]，對應的真實值y=[3,5,7,9,11]，請計算該模型的均方誤差（MSE）。2.對于一個二分類問題，使用邏輯回歸模型進行預測。已知模型的參數(shù)w=[0.5,-0.3]，偏置b=0.1，輸入特征x=[1,2]，請計算該模型的預測概率。算法設計題（共15分）答題要求：請設計一個簡單的K-Means聚類算法的實現(xiàn)步驟，包括初始化聚類中心、計算距離、更新聚類中心等過程。材料分析題（共15分）材料：在某電商平臺上，用戶購買商品后會給出評價（好評、中評、差評）。為了提高用戶體驗，平臺希望通過機器學習算法預測用戶可能給出的評價，以便提前采取措施。問題：請你根據(jù)上述材料，設計一個基于監(jiān)督學習的解決方案，包括選擇合適的算法、數(shù)據(jù)預處理步驟以及如何評估模型的性能。綜合應用題（共20分）材料：某醫(yī)院收集了一批患者的病歷數(shù)據(jù)，包括患者的癥狀、檢查結果等信息，同時記錄了患者是否患有某種疾病?，F(xiàn)在需要建立一個模型來預測新患者是否患有該疾病。問題：1.請選擇一種合適的機器學習算法，并說明理由。（5分）2.描述數(shù)據(jù)預處理的步驟。（5分）3.如何評估模型的性能？請列出具體的評估指標和方法。（10分）答案：簡答題：1.常用指標及適用場景：準確率，適用于分類問題，衡量分類正確的樣本占總樣本的比例；召回率，適用于關注正例被預測出來的比例的分類場景；F1值，綜合考慮準確率和召回率；均方誤差，適用于回歸問題，衡量預測值與真實值誤差的平方和的均值。2.過擬合是模型在訓練集上表現(xiàn)很好，但在測試集上表現(xiàn)很差，原因是模型過于復雜，學習了訓練數(shù)據(jù)中的噪聲。欠擬合是模型在訓練集和測試集上表現(xiàn)都不好，原因是模型過于簡單，沒有捕捉到數(shù)據(jù)的特征。避免過擬合可采用正則化、減少特征數(shù)量、早停等；避免欠擬合可增加特征、增加模型復雜度等。計算題：1.首先計算預測值：當x=1時，y_pred=2×1+1=3；當x=2時，y_pred=2×2+1=5；當x=3時，y_pred=2×3+1=7；當x=4時，y_pred=2×4+1=9；當x=5時，y_pred=2×5+1=11。均方誤差MSE=[(3-3)2+(5-5)2+(7-7)2+(9-9)2+(11-11)2]/5=0。2.首先計算z=w1x1+w2x2+b=0.5×1+(-0.3)×2+0.1=0。預測概率p=1/(1+e^(-z))=1/(1+e^0)=0.5。算法設計題：1.隨機選擇K個樣本作為初始聚類中心。2.對于每個樣本，計算其到各個聚類中心的距離，將其劃分到距離最近的聚類中心所在的簇。3.計算每個簇中樣本的均值，作為新的聚類中心。4.重復步驟2和3，直到聚類中心不再變化或達到最大迭代次數(shù)。材料分析題：可選擇樸素貝葉斯算法。數(shù)據(jù)預處理步驟：對評價文本進行清洗，去除停用詞等；將評價標簽進行編碼；劃分訓練集和測試集。評估模型性能可使用準確率、召回率、F1值等指標，通過將預測結果與真實標簽對比計算得到。綜合應用題：1.可選擇決策樹算法，理由是它能處理離散型數(shù)據(jù)，可直