2026年人工智能（机器学习）综合测试题及答案.doc

2026年人工智能（机器学习）综合测试题及答案

（考试时间：90分钟 满分100分）
班级______ 姓名______

第I卷（选择题 共30分）
（总共6题，每题5分，每题只有一个正确答案，请将正确答案填在括号内）
w1. 以下关于机器学习中监督学习的说法，正确的是（ ）
A. 监督学习不需要给定训练数据的标签
B. 监督学习的目标是让模型学会从输入特征预测输出标签
C. 监督学习只能处理线性可分的数据
D. 监督学习不需要进行模型评估

w2. 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. 交叉熵

w3. 支持向量机（SVM）主要用于解决（ ）问题
A. 回归
B. 分类
C. 聚类
D. 降维

w4. 下列哪种算法不属于无监督学习算法（ ）
A. K-Means算法
B. 主成分分析（PCA）
C. 朴素贝叶斯算法
D. 层次聚类算法

w5. 深度学习中常用的激活函数ReLU的表达式是（ ）
A. f(x) = max(0, x)
B. f(x) = sigmoid(x)
C. f(x) = tanh(x)
D. f(x) = x

w6. 模型评估中，用于衡量分类模型预测准确性的指标是（ ）
A. 准确率（Accuracy）
B. 召回率（Recall）
C. F1值
D. 以上都是

第II卷（非选择题 共70分）

w7. 简述机器学习中模型评估的常用指标及其含义。（10分）

w8. 请详细描述K-Means聚类算法的原理和步骤。（15分）

w9. 材料：在一个电商平台上，收集了用户的浏览记录、购买记录等数据，希望通过机器学习算法来预测用户是否会购买某一款新产品。
问题：请你选择一种合适的机器学习算法，并说明理由，同时简述该算法在这个场景中的应用步骤。（15分）

w10. 材料：有一个数据集包含了不同种类植物的特征数据，如花瓣长度、花瓣宽度、萼片长度、萼片宽度等，目标是根据这些特征对植物进行分类。
问题：请设计一个基于决策树的分类模型，说明如何选择划分属性以及如何构建决策树。（20分）

w11. 材料：在图像识别任务中，有一批标注好的图像数据，包含猫、狗、兔子等不同动物类别。
问题：请阐述如何使用卷积神经网络（CNN）来对这些图像进行分类，包括网络结构的设计和训练过程。（20分）

答案：
w1. B
w 2. A
w 3. B
w 4. C
w 5. A
w 6. D
w7. 常用指标及含义：准确率（Accuracy）：预测正确的样本数占总样本数的比例；召回率（Recall）：预测为正例且实际为正例的样本数占实际正例样本数的比例；F1值：综合考虑准确率和召回率的指标，是两者的调和平均值；均方误差（MSE）：常用于回归问题，衡量预测值与真实值之间的平均平方误差；交叉熵：衡量两个概率分布之间的差异，常用于分类问题中评估模型预测结果与真实标签的匹配程度。
w8. 原理：K-Means算法是一种基于距离的聚类算法，它将数据集划分为K个簇，使得每个簇内的数据点相似度较高，而不同簇之间的数据点相似度较低。算法通过不断迭代调整簇中心，直到簇中心不再变化或达到最大迭代次数。步骤：1. 随机选择K个初始簇中心；2. 计算每个数据点到各个簇中心 的距离，将数据点分配到距离最近的簇；3. 重新计算每个簇的中心，即簇内所有数据点的均值；4. 重复步骤2和3，直到满足停止条件。
w9. 可以选择逻辑回归算法。理由：逻辑回归是一种简单有效的线性分类模型，适用于二分类问题，能够处理数值型和类别型特征，计算效率高，易于理解和解释。应用步骤：1. 数据预处理，包括清洗、特征工程等；2. 划分训练集 和测试集；3. 构建逻辑回归模型，设置合适的参数；4. 使用训练集训练模型；5. 使用测试集评估模型性能；6. 根据评估结果调整模型参数，如正则化系数等；7. 若性能满足要求，可用于预测用户是否会购买新产品。
w10. 选择划分属性时，可以计算每个属性的信息增益，选择信息增益最大的属性作为划分属性。构建决策树步骤：1. 从根节点开始，选择信息增益最大的属性作为根节点的划分属性；2. 根据划分属性将数据集划分为若干子集；3. 对每个子集递归地重复上述步骤，构建子树；4. 当子集中所有样本属于同一类别或没有可划分的属性时，停止构建子树。
w11. 网络结构设计：通常包括卷积层、池化层、全连接层等。卷积层用于提取图像特征，池化层用于降低特征维度，全连接层用于分类。训练过程：1. 准备标注好的图像数据；2. 构建CNN模型；3. 定义损失函数和优化器；4. 将图像数据输入模型进行前向传播，计算预测结果和损失；5. 根据损失进行反向传播，更新模型参数；6. 重复步骤4和5，直到模型收敛，即损失不再下降或达到最大迭代次数；7. 使用测试数据评估模型性能。