一、單項選擇題（本大題共 15 小題）

1、根據湯姆·米切爾（Tom Mitchell）對機器學習的定義，一個計算機程序被稱為可以學習，是指它能夠針對某個任務 T 和某個性能指標 P 從經驗 E 中學習，其特點是（ 　）。

① 程序在 T 上的被 P 所衡量的性能會隨著經驗 E 的增加而提高

② 程序不需要任何數據即可自動提升性能

③ 程序必須通過人工編寫規則來更新知識

④ 程序的性能與經驗 E 無關

2、在機器學習的三要素中，作為模型學習的“經驗來源”的是（ 　），實現“規律”的具體體現的是（ 　）。

① 模型；數據 ② 學習過程；算法

③ 數據；模型 ④ 算法；數據

3、以下關于監督學習的描述，正確的是（ 　）。

① 訓練數據不包含標簽，模型自主發現規律

② 訓練數據包含輸入特征和對應的期望輸出（標簽）

③ 監督學習只能用于分類任務，不能用于回歸任務

④ 監督學習不需要劃分訓練集和測試集

4、在回歸任務中，因變量的特征是（ 　）；在分類任務中，因變量的特征是（ 　）。

① 連續的數值；離散的類別標簽

② 離散的類別標簽；連續的數值

③ 文本字符串；數值

④ 無序的集合；有序序列

5、線性回歸模型的基本形式為 y = ax + b，其核心用途是（ 　）。

① 預測離散類別

② 預測連續數值（如房價、溫度）

③ 將數據劃分為多個簇

④ 降低數據維度

6、關于 K 近鄰（KNN）算法的描述，錯誤的是（ 　）。

① KNN 算法通過計算待分類樣本與訓練樣本之間的距離來尋找最近鄰

② KNN 算法的預測結果受 K 值選擇的影響

③ KNN 算法在預測階段通常需要計算待預測樣本與訓練樣本之間的距離，計算成本較高

④ KNN 算法的預測結果與距離度量和特征尺度無關

7、在常見分類決策樹算法中，選擇分類分裂特征時常用的衡量標準不包括（ 　）。

① 信息增益 ② 基尼指數

③ 均方誤差 ④ 信息增益比

8、以下關于無監督學習的說法，正確的是（ 　）。

① 無監督學習的訓練數據包含標簽，需要人工標注

② 聚類和降維是無監督學習的典型任務

③ 無監督學習的目標是預測未知樣本的類別標簽

④ 無監督學習無法處理未標注數據

9、降維（Dimensionality Reduction）的核心用途是（ 　）。

① 將相似樣本歸為同一簇

② 減少特征數量，同時盡可能保留數據關鍵信息，用于可視化和簡化計算

③ 預測連續數值

④ 實現二分類

10、K-means 聚類算法中，簇中心更新的方式是（ 　）。

① 隨機選擇新的中心點

② 計算簇內所有樣本的均值作為新中心

③ 選擇簇內距離其他點最近的點作為新中心

④ 保持初始中心不變

11、在模型評估中，用于衡量回歸模型預測誤差的常用指標是（ 　）。

① 準確率（Accuracy） ② 精確率（Precision）

③ 均方誤差（MSE） ④ F1 分數

12、在二分類問題的混淆矩陣中，真正例（TP）表示（ 　），假正例（FP）表示（ 　）。

① 正類樣本被正確預測為正類；負類樣本被錯誤預測為正類

② 負類樣本被正確預測為負類；正類樣本被錯誤預測為負類

③ 正類樣本被錯誤預測為負類；負類樣本被正確預測為負類

④ 負類樣本被錯誤預測為正類；正類樣本被正確預測為正類

13、以下關于過擬合和欠擬合的說法，正確的是（ 　）。

① 過擬合是指模型在訓練集上表現差，在測試集上也差

② 欠擬合是指模型在訓練集上表現好，但在測試集上表現差

③ 過擬合通常是由于模型過于復雜，學習了數據中的噪聲

④ 增加訓練數據一定可以緩解欠擬合

14、當需要分析“用戶購買行為特征并將用戶自動分群”時，應優先選擇（ 　）；當需要預測“明天股票收盤價”時，應優先選擇（ 　）。

① 聚類算法；回歸算法

② 分類算法；降維算法

③ 回歸算法；聚類算法

④ 分類算法；回歸算法

15、精確率（Precision）的計算公式是（ 　），召回率（Recall）的計算公式是（ 　）。

① TP/(TP+FP)；TP/(TP+FN)

② TP/(TP+FN)；TP/(TP+FP)

③ (TP+TN)/(TP+TN+FP+FN)；TP/(TP+FP)

④ TP/(TP+FP)；(TP+TN)/(TP+TN+FP+FN)

二、判斷題（本大題共 5 小題）

1、監督學習可以分為回歸和分類兩大類任務，其中回歸任務的輸出是連續值，分類任務的輸出是離散類別。（ 　）

2、KNN 算法不需要顯式的訓練過程，屬于“懶惰學習”算法。（ 　）

3、K-means 聚類算法需要預先指定聚類數量 K，且對初始簇中心的選擇不敏感。（ 　）

4、在回歸任務中，決定系數 R2 的取值范圍一定是 [0,1]，越接近 1 通常表示模型擬合效果越好。（ 　）

5、為了評估模型的泛化能力，通常將數據集劃分為訓練集和測試集，且測試集應參與模型訓練過程。（ 　）

三、編程填空題（本大題共 5 小題）

1、補全以下代碼，使用單變量線性回歸預測房價。已知房屋面積（平方米）與價格（萬元）的數據，請訓練線性回歸模型并預測面積為 85 平方米的房價。

2、補全以下代碼，使用 KNN 算法對鳶尾花數據集進行分類，并計算準確率。

3、補全以下代碼，使用 K-means 算法對生成的二維數據進行聚類，并輸出聚類中心。

4、補全以下代碼，使用交叉驗證評估線性回歸模型的性能。

5、補全以下代碼，對特征進行標準化后訓練線性回歸模型，并輸出模型的系數。

“點贊有美意，贊賞是鼓勵”