机器学习期末

选择题

• 以下哪项不是机器学习的类型？
  A. 监督学习
  B.无监督学习
  C.半监督学习
  D.全监督学习
  

D

• 哪一个是机器学习的公道定义?
  A、机器学习是计算机编程的科学
  B、机器学习从标志的数据中学习
  C、机器学习是允许机器人智能举措的领域
  D、机器学习能使计算机能够在没有明确编程的环境放学习
  

D

• 以下哪项是计算机视觉中用于自动图片标注的核心技术？
  A. 决策树
  B. 卷积神经网络（CNN）
  C. 支持向量机（SVM）
  D. 随机森林
  

B。
CNN能自动提取图像特征，是计算机视觉中的核心技术；
支持向量机在很多分类任务中很有效；

• 下列不属于机器学习的重要流派的是
  

A.符号主义
B.联想主义（联结主义）
C.进化主义
D.举动类推主义
B。联结主义（或称毗连主义）是指神经网络等方法，它强调通过神经元的毗连模仿学习过程。这个术语通常用于神经网络或深度学习，并不是机器学习的一个独立流派，而是属于此中的一部门。

• 以下哪种损失函数通常用于回归任务？
  A) 交叉熵损失
  B) 合页损失（Hinge Loss）
  C) 均方偏差（MSE）
  D) KL散度
  

C。A) 交叉熵损失：交叉熵损失函数通常用于分类任务，尤其是用于权衡分类任务中预测的概率分布与真实标签之间的差异，因此不实用于回归任务。
B) 合页损失（Hinge loss）：合页损失函数通常用于支持向量机（SVM）中的分类任务，而不是回归任务。它通过计算预测效果与正确标签之间的“合页”距离来进行优化。
C) 均方偏差损失（MSE）：均方偏差（MSE）是回归任务中最常用的损失函数，它通过计算预测值与真实值之间的平方差来度量模型的表现。在回归问题中，目标是最小化这个损失函数。
D) KL散度损失：Kullback-Leibler散度（KL散度）用于权衡两个概率分布之间的差异，固然它在一些天生模型（如变分自编码器）中会使用，但它通常不用于回归任务。

• 关于机器学习中偏差（Bias）与方差（Variance）的权衡，以下哪种说法​​错误​​？
  A. 增加模型复杂度通常会降低偏差，但可能增加方差
  B. 集成方法（如Bagging）通过降低方差来提升泛化性能
  C. 正则化（如L2正则化）通过增加偏差来减少方差
  D. 高偏差问题表明模型对训练数据的拟合不敷，应减少正则化强度
  

D
A. 增加模型复杂度通常会降低偏差，但可能增加方差：这个选项是正确的。通常，随着模型复杂度的增加（例如增加参数或采用更复杂的模型），模型可以更好地拟合训练数据，从而降低偏差。然而，模型复杂度增加也可能导致过拟合，使模型在训练数据上表现很好，但在测试数据上表现较差，导致方差增大。
B. 集成方法（如Bagging）通过降低方差来提升泛化性能：这个选项是正确的。集成方法（如Bagging）通过组合多个弱模型来降低方差，尤其是在数据噪声较大的环境下。Bagging通过训练多个独立的模型，并将它们的预测效果连合起来，从而减少模型的方差，提升泛化能力。
C. 正则化（如L2正则化）通过增加偏差来减少方差：这个选项是正确的。正则化（例如L2正则化）通过对模型的复杂度进行约束，限定模型的自由度，防止过拟合。固然正则化可能会增加偏差，但它通常能明显减少方差，从而改善模型的泛化能力。
D. 高偏差问题表明模型对训练数据的拟合不敷，应减少正则化强度：这个选项是错误的。高偏差通常意味着模型过于简单，无法有效捕捉数据中的复杂模式（即欠拟合）。在这种环境下，应该 增加模型复杂度 或 减少正则化强度，以便模型能够更好地拟合训练数据。然而，如果模型已经很复杂，过分减少正则化可能会导致方差增加，并引发过拟合问题。因此，问题的描述中，“应减少正则化强度”在特定环境下可能不实用，尤其当模型复杂度已经足够时，反而需要适度增加正则化。

• 混淆矩阵的精度表示公式为：
  A. TP/(TP+FN)
  B. TP/(TP+FP)
  C. TN/(TN+FN)
  D. TN/(TN+TP)
  

B.
精度表示的是模型预测为正的实例中，现实上为正的比例，计算公式为 TP/(TP+FP)
A. TP / (TP + FN)：这个公式表示的是召回率（Recall），也叫敏感度，即模型正确识别的正类实例占所有真实正类实例的比例。
C. TN / (TN + FN)：这个公式表示的是特异度（Specificity），也叫真负率，即模型正确识别的负类实例占所有真实负类实例的比例。

• 以下哪种数据类型允许进行算术运算，但不具有绝对零点？
  A) 名义变量
  B) 序数变量
  C) 隔断变量
  D) 比率变量
  

C

• 以下哪项是机器学习模型的过拟合征象？
  A.模型在训练数据上表现精良，但在测试数据表现不佳
  B.模型在训练数据上表现不佳，但在测试数据表现精良
  C.模型在训练数据和测试数据表现精良
  D.模型在训练数据和测试数据表现不佳
  

A

• 在机器学习中，以下哪种算法属于监督学习？
  A.K-Means 聚类
  B.主身分分析（PCA）
  C.支持向量机（SVM）
  D.自编码器
  

C
监督学习需要使用带有标签的数据进行训练，ACD都是无监督学习
常见的监督学习种类：

• 支持向量机（SVM）：SVM 是一种用于二分类和多分类任务的强盛算法。它通过找到一个最优的超平面来将差别种别的数据分隔开。SVM在高维空间中表现精良，而且可以应用于线性和非线性分类问题。
  
• 决策树（Decision Trees）：决策树是一种基于树布局的分类和回归算法。它通过在特征上进行递归的二分决策来进行分类或预测。决策树易于明白息争释，而且对于数据的处理惩罚具有精良的顺应性。
  
• 逻辑回归（Logistic Regression）：逻辑回归是一种广泛应用于二分类问题的线性模型。只管名字中带有"回归"，但它重要用于分类任务。逻辑回归输出预测的概率，并使用逻辑函数将连续输出映射到[0, 1]的范围内。
  
• K近邻算法（K-Nearest Neighbors，KNN）：KNN 是一种基于实例的学习方法。它根据距离度量来对新样本进行分类或回归预测。KNN使用最接近的K个训练样本的标签来决定新样本的种别。
  

• 以下关于机器学习算法应用场景的描述中，错误的是：
  A. 朴素贝叶斯算法常用于文本分类任务中的垃圾邮件过滤
  B. 循环神经网络（RNN）特别恰当处理惩罚时间序列数据，如股票价格预测
  C. 聚类算法（如 K-Means）需要标注好的训练样本才能划分数据种别
  D. 强化学习在自动驾驶领域中通过试错机制优化决策战略
  

C
聚类算法（如K-Means）属于​​无监督学习​​，其核心特点是不依靠标注数据，而是通过数据内在布局（如距离、密度）自动划分种别。
标注数据是监督学习的要求。

• 哪个不是测量中心倾向的方法
  A均值。B中位数。C众数。D方差
  

D
中心倾向指标用于描述数据集的“中心位置”或典范值，方差​​属于​​离散水平指标​​，权衡数据分布的颠簸性或分散水平（如数据偏离均值的水平），而非中心位置。

• 在机器学习中，当出现过拟合（Overfitting）征象时，以下哪种方法不能用来解决这个问题？
  A. 增加训练数据
  B. 增加模型复杂度
  C. 使用数据增强（如翻转、旋转、添加噪声）
  D. 使用更强的正则化方法（如 dropout、drop - connect、L₂）
  

B
增加模型复杂度通常会降低偏差，但可能增加方差

• 支持向量机算法属于 （）
  A. 决策树学习
  B. 统计学习
  C. 集成学习
  D.影象学习
  

B

• 以部属于解决模型欠拟合的方法是？
  A、增加训练数据量
  B、对模型进行裁剪
  C、增加训练过程的迭代次数
  D、正则化
  

C.
对于 B，增加训练数据量​​，常用于解决过拟合（通过数据多样性增强泛化能力），而非改善欠拟合。若模型复杂度不敷，增加数据可能无济于事。

• 在边缘检测中，以下哪种算子对噪声最敏感，且未进行高斯平滑处理惩罚？
  

A. Sobel 算子
B. Prewitt 算子
C. Canny 算子
D. Laplacian 算子
D

• 在卷积神经网络（CNN）中，关于池化层（Pooling Layer）的作用，以下哪项描述是错误的？
  

A. 池化层通过降采样减少特征图的空间尺寸，从而降低计算复杂度。
B. 最大池化（Max Pooling）能够保留局部区域的明显特征，增强模型的平移不变性。
C. 平均池化（Average Pooling）通过计算局部区域的平均值，有助于克制噪声影响。
D. 池化层通过反向流传自动学习最优的池化核参数，类似于卷积层的权重更新。
D
池化层（如最大池化、平均池化）是​​无参数操作​​，其核内计算（如取最大值/平均值）是预定义的，不涉及权重学习。

• 在深度神经网络的训练过程中，若遇到梯度消失问题，下面哪种方案最能有效缓解这一问题？
  A. 继续使用 Sigmoid 激活函数
  B. 提高学习率以加速梯度通报
  C. 将激活函数替换为 ReLU 或其变体（如 Leaky ReLU）
  D. 增加网络层数，以强化模型的特征提取能力
  

C

• 假设有一个垂纶式攻击或恶意软件分类模型，此中垂纶式攻击网站和恶意软件网站属于标志为 1（true）的种别，无害网站属于标志为 0（false）的种别。此模型误将合法网站归类为恶意软件。这叫什么？
  A、假负例
  B、真正例
  C、真负例
  D、假正例
  

D
留意这里将垂纶网站定义为正例。

• 以下哪一项不是单神经元模型的组成部门？
  A. 输入特征x
  B. 激活函数g
  C. 损失函数L
  D. 输入特征x的平方
  

B

• 在机器学习中，特征归一化的目标是什么
  

A. 增加模型的复杂度
B. 加速模型的训练
C. 使差别特征的数值范围同等
D. 减少特征之间的相关性
C

• 以下哪种方法可以缓解过拟合（Overfitting）？
  A. 减少训练数据量 B. 增加模型复杂度 C. 添加L2正则化 D. 删除部门特征
  

C
固然正则化可能带来偏差，但能极大降低方差，缓解过拟合
此外，增加数据也能缓解过拟合

• 在逻辑回归中，假设函数 hθ​(x)=g(θTx) 使用的激活函数 g(z) 是：
  A. Sigmoid 函数
  B. ReLU 函数
  C. 双曲正切函数
  D. 恒等函数
  

A

• 以下关于降维说法不正确的是？
  A.降维是将训练样本从高维空间转换到低维空间
  B.降维有助于数据可视化
  C.通过降维可以更有效地发掘故意义的数据布局
  D.降维不会对数据产生损伤
  

D

• 决策树学习的关键是？
  A.初始结点选择
  B.剪枝
  C.选择最优划分属性
  D.分枝
  

C

• 线性回归和逻辑回归属于无监督学习算法
  

错误
回归是监督学习的一种任务

• Sigmoid函数是一种通用的激活函数，如今大多数环境下都在使用
  

错误

• Sigmoid 的导数在输入值较大或较小时趋近于零，导致反向流传时梯度几乎消失，深层网络难以训练。
  
• Sigmoid 的输出范围是 (0,1)，导致后续层的输入始终为正，可能引发参数更新时的锯齿形路径，降低收敛效率。
  
• Sigmoid 涉及指数运算，计算本钱高于 ​​ReLU​​ 的简单阈值操作（max(0,x)）。
  ​​
  当前主流激活函数​​为 ​​ReLU 及其变体​​
  

• 贝叶斯优化（Bayesian Optimization）在超参数调优过程中不依靠任何先验假设，仅通过随机采样选择下一组评估的超参数。
  

错误

• 当出现过拟适时，验证集损失（Validation loss）会不停下降。
  

错误
验证损失连续下降通常表明模型仍在有效学习，而过拟合的标志是验证损失在到达最低点后明显回升

• 在深度神经网络中，Dropout 技术仅在训练阶段启用以减少过拟合，而在测试阶段禁用 Dropout，从而确保所有神经元都参与前向流传。
  

正确

• 在机器学习中，K近邻（KNN）算法在训练阶段不需要进行模型训练，直接存储所有训练数据即可。
  

正确

• 无监督学习不需要任何标签数据，完全依靠算法自动发现数据中的模式或布局。
  

错误

• 在机器学习任务中，如果目标是预测一个网站来日诰日是否被DDoS攻击（是/否），那么这属于一个回归问题。
  

错误，这是一个分类问题（具体为二分类任务）

• 主身分分析（PCA）是一种数据增维方法
  

错误
PCA 通过正交变换将原始高维数据投影到低维空间（主身分），​​保留最大方差的方向​​，从而减少特征数量、去除冗余信息，属于典范的​​降维技术​​。

• 聚类只能在已有数据集上进行分簇，不具备对新数据的预测能力
  

正确

• 在神经网络中，在反向流传的向后通报过程中，从输入层开始计算偏差信号（δ），然后向前流传到输出层。
  

错误。在神经网络中，反向流传的偏差信号（δ）是从输出层开始计算，然后向后通报（即向输入层方向流传），而非从输入层开始向前流传。​

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。