2025年高职第二学年（人工智能技术）机器学习基础测试题及答案.doc

2025年高职第二学年（人工智能技术）机器学习基础测试题及答案

（考试时间：90分钟 满分100分）
班级______ 姓名______

第I卷（选择题 共30分）
答题要求：本卷共6题，每题5分。在每题给出的四个选项中，只有一项是符合题目要求的。

1. 以下关于机器学习中监督学习的说法，正确的是（ ）
A. 监督学习不需要标签数据
B. 监督学习的目标是让模型学习数据中的特征
C. 监督学习的模型训练需要同时提供输入和输出数据
D. 监督学习只能处理分类问题

2. 在决策树算法中，用于选择划分属性的指标通常是（ ）
A. 信息增益
B. 基尼系数
C. 均方误差
D. 以上都是

3. 下列哪种算法不属于无监督学习算法（ ）
A. K-Means算法
B. 朴素贝叶斯算法
C. 主成分分析算法
D. 层次聚类算法

4. 神经网络中的激活函数作用是（ ）
A. 增加模型的复杂度
B. 对输入数据进行非线性变换
C. 提高模型的收敛速度
D. 减少模型的过拟合现象

5. 支持向量机（SVM）主要用于解决（ ）
A. 回归问题
B. 分类问题
C. 聚类问题
D. 降维问题

6. 在机器学习中，模型评估指标准确率（accuracy）的计算公式是（ ）
A. 预测正确的样本数/总样本数
B. 预测错误的样本数/总样本数
C. （预测正确的正例数+预测正确的负例数）/总样本数
D. （预测错误的正例数+预测错误的负例数）/总样本数

第II卷（非选择题 共70分）
答题要求：本卷共4题，其中7题10分，8题15分，9题20分，10题25分。请根据题目要求，在相应位置作答。

7. （10分）简述机器学习中模型评估的常用指标，并说明它们分别适用于什么场景。

8. （15分）请详细阐述K-Means算法的原理及步骤。

9. （20分）材料：在一个电商平台上，有大量用户的购买记录数据，包括用户ID、购买商品类别、购买时间、购买金额等信息。现在需要构建一个模型来预测用户未来可能购买的商品类别。
问题：请你选择一种合适的机器学习算法，并说明理由。同时，描述该算法在这个场景下的大致流程。

10. （25分）材料：某公司收集了员工的工作时长、工作效率评分、技能水平评估、绩效考核结果等数据，希望通过这些数据构建一个模型来预测员工的离职倾向。
问题：
（1）你认为可以使用哪些机器学习算法来解决这个问题？请列举至少两种算法，并说明理由。
（2）对于其中一种算法，详细描述其在该场景下的模型构建步骤。

答案：
1. C
2. A
3. B
4. B
5. B
6. A

7. 常用指标及适用场景：准确率，适用于各类分类问题，衡量预测正确的样本比例；精确率，在有正例和负例的分类中，关注正例预测正确的比例，常用于信息检索等；召回率，关注实际正例被正确预测的比例，如疾病检测等；F1值，综合精确率和召回率；均方误差，用于回归问题，衡量预测值与真实值的误差平方均值。

8. K-Means算法原理及步骤：原理是将数据集划分为K个簇，使得簇内数据点相似度高，簇间相似度低。步骤：首先随机选择K个聚类中心；然后计算每个数据点到聚类中心的距离，将数据点分配到最近的簇；接着重新计算每个簇的中心；不断重复上述步骤，直到聚类中心稳定或满足停止条件。

9. 选择决策树算法。理由：决策树算法可以处理离散型数据，适合对用户购买商品类别进行分类预测。流程：首先对数据进行预处理，包括数据清洗、特征选择等；然后使用决策树算法构建模型，通过选择合适的属性进行划分，生成决策树；最后对决策树进行剪枝等优化操作，得到最终模型用于预测用户未来购买商品类别。

10. （1）可以使用逻辑回归算法。逻辑回归是一种广义线性模型，适用于二分类问题，可用于预测员工是否离职。还可以使用支持向量机算法，它能处理高维数据，对于复杂的员工数据关系有较好的处理能力。（2）以逻辑回归为例，模型构建步骤：先对数据进行预处理，如标准化等；然后将工作时长、工作效率评分等作为特征，员工离职倾向（是或否）作为标签；接着使用逻辑回归算法进行模型训练，通过最大似然估计等方法确定模型参数；最后对模型进行评估，如计算准确率、召回率等指标，根据评估结果调整模型参数或进行改进。