📘 模块二：机器学习基础扩展题（30题）

监督 / 无监督学习（1–10）

Q1. 在线性回归中，如果特征之间高度相关，最可能出现的问题是：

• A. 过拟合
• B. 欠拟合
• C. 多重共线性
• D. 方差减小

✅ 答案：C

Q2. 在 Logistic 回归中，输出值可以解释为：

• A. 分类结果
• B. 条件概率
• C. 距离
• D. 似然函数

✅ 答案：B

Q3. LDA (Linear Discriminant Analysis) 的主要目标是：

• A. 降维同时最大化类间距离、最小化类内距离
• B. 仅最小化类内距离
• C. 仅最大化类间距离
• D. 仅降维

✅ 答案：A

Q4. KMeans 收敛到局部最优的原因是：

• A. 样本不均衡
• B. 初始质心选择不同
• C. 特征尺度不同
• D. 算法是非凸优化

✅ 答案：B

Q5. 高斯混合模型 (GMM) 的核心思想是：

• A. 用高斯分布拟合数据密度
• B. 用正态分布聚类
• C. 用指数分布聚类
• D. 用线性边界分类

✅ 答案：A

Q6. DBSCAN 的优势是：

• A. 不需要指定聚类个数
• B. 对噪声敏感
• C. 不适合发现任意形状簇
• D. 只能处理线性边界

✅ 答案：A

Q7. 决策树分裂标准中，信息增益基于：

• A. 均方误差
• B. 熵
• C. 方差
• D. KL 散度

✅ 答案：B

Q8. 回归树分裂标准常用的是：

• A. 熵
• B. 基尼指数
• C. 方差减少
• D. 交叉熵

✅ 答案：C

Q9. 朴素贝叶斯分类器的“朴素”在于：

• A. 假设特征相互独立
• B. 假设特征服从高斯分布
• C. 假设标签均匀分布
• D. 假设特征权重相同

✅ 答案：A

Q10. SVM 使用核技巧的原因是：

• A. 加快训练
• B. 降低维度
• C. 将线性不可分问题转为线性可分
• D. 减少支持向量

✅ 答案：C

---

损失函数与正则化（11–18）

Q11. Huber 损失函数主要用于：

• A. 处理分类问题
• B. 处理回归问题中离群点影响
• C. 增强模型稀疏性
• D. 替代交叉熵

✅ 答案：B

Q12. Ridge 回归对应的是：

• A. L1 正则
• B. L2 正则
• C. Elastic Net
• D. Dropout

✅ 答案：B

Q13. Lasso 回归的特点是：

• A. 系数收缩但不为零
• B. 系数可以被压缩为零
• C. 不适合特征选择
• D. 不会减少方差

✅ 答案：B

Q14. Elastic Net 结合了：

• A. L1 和 L2 正则
• B. Dropout 和 BatchNorm
• C. MSE 和 交叉熵
• D. 集成学习方法

✅ 答案：A

Q15. Softmax 函数的输出具有：

• A. 可能为负
• B. 和为 1
• C. 不唯一
• D. 与输入无关

✅ 答案：B

Q16. Cross-Entropy 与 KL 散度的关系是：

• A. 等价
• B. Cross-Entropy = KL 散度 + 熵
• C. KL 散度 = Cross-Entropy + 熵
• D. 无关

✅ 答案：B

Q17. 在回归任务中，MSE 相比 MAE 的劣势是：

• A. 对大误差敏感
• B. 不可导
• C. 对小误差不敏感
• D. 训练速度慢

✅ 答案：A

Q18. 正则化的主要作用是：

• A. 提高训练精度
• B. 防止过拟合
• C. 增加模型容量
• D. 提高方差

✅ 答案：B

---

集成学习（19–24）

Q19. Bagging 的主要思想是：

• A. 多个弱分类器串行训练
• B. 多个弱分类器并行训练取平均
• C. 使用不同的损失函数
• D. 使用权重调整样本

✅ 答案：B

Q20. Boosting 与 Bagging 的主要区别是：

• A. 是否使用并行训练
• B. 是否需要弱分类器
• C. 是否使用线性模型
• D. 是否可以处理分类问题

✅ 答案：A

Q21. 随机森林中，增加树的数量通常会：

• A. 增加方差
• B. 减小方差
• C. 增加偏差
• D. 不影响性能

✅ 答案：B

Q22. Gradient Boosting 的基本更新方式是：

• A. 在残差方向上拟合新的弱学习器
• B. 在原始特征上训练更多模型
• C. 直接更新梯度
• D. 随机采样特征训练

✅ 答案：A

Q23. 在 XGBoost 中，正则化的主要目的包括：

• A. 防止过拟合
• B. 增加方差
• C. 减少特征维度
• D. 增加样本数

✅ 答案：A

Q24. LightGBM 相比 XGBoost 的主要优化是：

• A. 使用深度学习加速
• B. 使用基于直方图的分裂方法
• C. 使用 Dropout
• D. 使用更多正则化

✅ 答案：B

---

模型评估与选择（25–30）

Q25. ROC 曲线横轴是：

• A. True Positive Rate
• B. False Positive Rate
• C. Recall
• D. Precision

✅ 答案：B

Q26. 在二分类中，如果类别极度不平衡，优先考虑的指标是：

• A. 准确率
• B. 精确率 / 召回率
• C. MSE
• D. RMSE

✅ 答案：B

Q27. 交叉验证的主要作用是：

• A. 增加训练样本
• B. 更稳健的泛化性能评估
• C. 增加模型容量
• D. 减少计算量

✅ 答案：B

Q28. 在 k 折交叉验证中，k 值越大：

• A. 计算成本降低
• B. 训练数据量越少
• C. 评估结果方差越小
• D. 过拟合风险越高

✅ 答案：C

Q29. 偏差-方差分解中，模型过于复杂通常表现为：

• A. 高偏差低方差
• B. 低偏差高方差
• C. 高偏差高方差
• D. 低偏差低方差

✅ 答案：B

Q30. AUC = 0.5 通常说明：

• A. 分类器完全正确
• B. 分类器完全错误
• C. 分类器等价于随机猜测
• D. 分类器效果最佳

✅ 答案：C