高职第一学年（人工智能基础）机器学习入门2026年阶段测试题.doc

高职第一学年（人工智能基础）机器学习入门2026年阶段测试题

（考试时间：90分钟 满分100分） 班级______ 姓名______

一、选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填入括号内）
1. 以下哪个不是机器学习的主要任务类型？（ ）
A. 监督学习 B. 无监督学习 C. 强化学习 D. 深度学习
2. 在监督学习中，用于训练模型的数据集包含（ ）。
A. 特征和标签 B. 仅特征 C. 仅标签 D. 无特征和标签
3. 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. A和B
4. 以下哪种算法属于无监督学习？（ ）
A. K近邻算法 B. 朴素贝叶斯算法 C. 聚类算法 D. 线性回归算法
5. 当训练数据存在噪声时，哪种算法相对更鲁棒？（ ）
A. 决策树 B. 神经网络 C. 支持向量机 D. K近邻算法
6. 支持向量机的目标是找到（ ）。
A. 最大间隔超平面 B. 最小间隔超平面 C. 平均间隔超平面 D. 随机间隔超平面
7. 对于一个二分类问题，逻辑回归模型输出的结果是（ ）。
A. 0或1 B. 任意实数 C. 大于0的实数 D. 小于0的实数
8. 在K近邻算法中，K值的选择对结果有重要影响，K值较小时（ ）。
A. 模型复杂度高，容易过拟合 B. 模型复杂度低，容易欠拟合
C. 模型复杂度适中，性能稳定 D. 与模型复杂度无关
9. 以下关于梯度下降算法的说法，错误的是（ ）。
A. 是一种优化算法 B. 用于求解目标函数的最小值
C. 步长越大收敛越快 D. 可能会陷入局部最优解
10. 神经网络中的激活函数作用是（ ）。
A. 增加模型的非线性 B. 减少模型的计算量
C. 提高模型的收敛速度 D. 降低模型的复杂度

二、多项选择题（总共5题，每题4分，每题有两个或两个以上正确答案，请将正确答案填入括号内，少选、多选、错选均不得分）
1. 以下属于机器学习应用领域的有（ ）。
A. 图像识别 B. 自然语言处理 C. 推荐系统 D. 数据挖掘
2. 监督学习的常见评估指标有（ ）。
A. 准确率 B. 召回率 C. F1值 D. 均方误差
3. 决策树的优点包括（ ）。
A. 模型简单，易于理解 B. 不需要大量的训练数据
C. 能够处理数值型和类别型数据 D. 对数据的缺失值不敏感
4. 以下哪些算法可以用于降维？（ ）
A. 主成分分析（PCA） B. 线性判别分析（LDA）
C. 聚类算法 D. 决策树算法
5. 关于深度学习，以下说法正确的是（ ）。
A. 是机器学习的一个分支 B. 包含多个隐藏层的神经网络
C. 能够自动提取数据的特征 D. 计算复杂度高，训练时间长

三、判断题（总共10题，每题2分，请判断对错，在括号内打“√”或“×”）
1. 机器学习就是让计算机自动从数据中学习模式和规律。（ ）
2. 无监督学习中，数据集中没有标签信息。（ ）
3. 决策树的深度越大，模型的泛化能力越强。（ ）
4. 支持向量机只能处理线性可分的数据。（ ）
5. 逻辑回归是一种线性模型。（ ）
6. K近邻算法中，K值越大，模型越容易受到噪声数据的影响。（ ）
7. 梯度下降算法一定能找到目标函数的全局最优解。（ ）
8. 神经网络中的神经元是对生物神经元的简单模拟。（ ）
9. 深度学习在图像识别领域取得了巨大成功。（ ）
10. 模型的准确率越高，说明模型的性能越好。（ ）

四、简答题（总共3题，每题10分，请简要回答问题）
1. 简述监督学习和无监督学习的区别。
2. 说明决策树算法中信息增益的计算方法及作用。
3. 解释什么是梯度下降算法，并说明其在机器学习中的应用。

五、综合题（总共2题，每题15分，请结合所学知识进行综合分析和解答）
1. 给定一个数据集，包含特征X和标签Y，使用决策树算法进行分类。请描述决策树的构建过程，并说明如何选择最佳划分属性。
2. 假设你要构建一个简单的图像分类模型，使用深度学习方法。请说明你会选择哪种神经网络结构，并阐述理由。同时，描述模型的训练过程。

答案：
一、选择题
1. D
2. A
3. D
4. C
5. A
6. A
7. A
8. A
9. C
10. A

二、多项选择题
1. ABCD
2. ABC
3. ACD
4. AB
5. ABCD

三、判断题
1. √
2. √
3. ×
4. ×
5. √
6. ×
7. ×
8. √
9. √
10. ×

四、简答题
1. 监督学习有标签，用于预测，如分类和回归；无监督学习无标签，用于发现数据结构和规律，如聚类和降维。
2. 信息增益 = 父节点信息熵 - 子节点信息熵加权和。作用是衡量划分属性对数据集纯度提升程度，选择信息增益大的属性划分，使决策树更准确。
3. 梯度下降算法通过不断调整参数，使目标函数值下降。应用于求解模型参数，如线性回归、逻辑回归等，让模型拟合数据，最小化损失函数。

五、综合题
1. 决策树构建：先选根节点，计算各属性信息增益选最佳划分属性，生成子节点。递归此过程，直到满足停止条件。选最佳划分属性：计算各属性信息增益，选最大的。如计算年龄、收入等属性信息增益，选信息增益最大的划分数据集。
2. 选卷积神经网络（CNN）。理由：适合处理图像数据，自动提取特征。训练过程：准备图像数据和标签，搭建CNN模型，选损失函数和优化器，输入数据训练，计算损失调整参数，直到收敛。