📘 模块二：机器学习基础（20题）

监督/无监督学习（1–7）

Q1. 下列哪个模型本质上是最大间隔分类器？

• A. Logistic Regression
• B. KNN
• C. SVM
• D. 决策树

✅ 答案：C

Q2. KMeans 算法的目标函数是：

• A. 最大化类间距离
• B. 最小化类内平方和 (SSE)
• C. 最大化似然
• D. 最小化正则化项

✅ 答案：B

Q3. 决策树容易过拟合的主要原因是：

• A. 偏差大
• B. 偏差小、方差大
• C. 方差小、偏差大
• D. 偏差和方差都小

✅ 答案：B

Q4. KNN 算法中，k 值越小，分类器的方差：

• A. 增大
• B. 减小
• C. 不变
• D. 无法确定

✅ 答案：A

Q5. 以下哪种算法可以用于降维？

• A. PCA
• B. KMeans
• C. Logistic 回归
• D. SVM

✅ 答案：A

Q6. 线性回归中，最小二乘法的基本假设不包括：

• A. 误差均值为 0
• B. 误差独立同分布
• C. 误差方差齐次
• D. 自变量必须独立

✅ 答案：D

Q7. EM 算法主要用于：

• A. 有监督学习
• B. 无监督学习（隐变量模型）
• C. 强化学习
• D. 半监督学习

✅ 答案：B

---

损失函数与正则化（8–12）

Q8. Logistic 回归使用的损失函数通常是：

• A. MSE
• B. 交叉熵
• C. Hinge Loss
• D. KL 散度

✅ 答案：B

Q9. L1 正则化的作用是：

• A. 特征稀疏化
• B. 降低过拟合但不稀疏
• C. 增加模型复杂度
• D. 提高方差

✅ 答案：A

Q10. L2 正则化在参数过大时会：

• A. 将参数压缩为 0
• B. 将参数趋向于较小值但不为 0
• C. 完全忽略特征
• D. 增加过拟合

✅ 答案：B

Q11. SVM 使用的损失函数是：

• A. MSE
• B. Hinge Loss
• C. 交叉熵
• D. 对数似然

✅ 答案：B

Q12. 偏差-方差权衡中，偏差大往往意味着：

• A. 模型过拟合
• B. 模型欠拟合
• C. 模型复杂
• D. 方差大

✅ 答案：B

---

集成学习（13–16）

Q13. Bagging 的代表性算法是：

• A. AdaBoost
• B. Random Forest
• C. XGBoost
• D. Logistic 回归

✅ 答案：B

Q14. Boosting 的基本思想是：

• A. 多个弱分类器并行训练取平均
• B. 多个弱分类器串行训练、不断调整权重
• C. 随机采样特征进行训练
• D. 直接用深度网络替代弱分类器

✅ 答案：B

Q15. AdaBoost 主要通过调整什么来提高性能？

• A. 特征数量
• B. 学习率
• C. 训练样本权重
• D. 正则化系数

✅ 答案：C

Q16. XGBoost 相比传统 GBM 的优势不包括：

• A. 正则化更完善
• B. 支持并行化
• C. 损失函数更少
• D. 使用二阶导数信息

✅ 答案：C

---

核方法 & 其他（17–20）

Q17. 在核方法中，核函数的本质是：

• A. 非线性映射后的内积
• B. 欧几里得距离
• C. L1 范数
• D. 卷积操作

✅ 答案：A

Q18. 以下哪种核函数不是常用的？

• A. 多项式核
• B. RBF 核
• C. Sigmoid 核
• D. 卷积核

✅ 答案：D

Q19. 在分类问题中，AUC 衡量的是：

• A. 精确率
• B. 召回率
• C. ROC 曲线下的面积
• D. F1 分数

✅ 答案：C

Q20. 在不平衡数据集中，常用的评估指标是：

• A. 准确率 (Accuracy)
• B. 精确率/召回率 (Precision/Recall)
• C. MSE
• D. R²

✅ 答案：B