XXXXXXXX 学院
2020  至  2021  学年第  一  学期
《机器学习》期末考试试题（A 卷）
一、选择题。（本题共 25 小题，每小题2分，共50分）
1.贝叶斯公式正确的说法是（ ） A. P(B|A)=P (A| B)*P(A)/P(B)      B. P(B|A)=P (A| B)*P(A)/P(AB) C. P(B|A)=P (A| B)*P(B)/P(AB)      D. P(B|A)=P (A| B)*P(B)/P(A)
2.a=np.arange(2,15)print(a[1:7:3])输出结果：（ ） A. [2  5]    B. [2  5  8]      C. [1 7 3]    D. [3 6]
3.Python 语言语句块的标记是(  ) A. 分号      B. 逗号        C. 缩进      D. /
4.Python 内置函数（ ）函数可以返回列表、元组、字典、集合、字符串以及range 对象中所有元素的个数。 A. len          B. count            C. size          D. shape
5.以下程序的输出结果是（ ）
lcat =[“狮子”,“猎豹”,“虎猫”,“花豹”,“孟加拉虎”,“美洲豹”,“雪豹”] for s in lcat:
if “豹” in s:
print(s,end=" ") continue
A. 雪豹
B. 猎豹 花豹 美洲豹 雪豹
C. 猎豹
D.  猎豹
花豹 美洲豹 雪豹
6.在图灵测试中，如果有超过(  )的测试者不能分清屏幕后的对话者是人还是机器，就可以说这台计算机通过了测试并具备人工智能。 A. 30%        B. 40%        C. 50%        D. 60%
7.关于k-NN 算法，以下哪个选项是正确的？（ ） A. 可用于分类      B. 可用于回归      C. 可用于分类和回归
8.以下两个距离（欧几里得距离和曼哈顿距离）已经给出，我们通常在K-NN 算法中使用这两个距离。
这些距离在点A （x1，y1）和点B （x2，Y2）之间。你的任务是通过查看以下两个图形来标记两个距离。关于下图，以下哪个选项是正确的？（ ）
A. 左为曼哈顿距离，右为欧几里得距离
B. 左为欧几里得距离，右为曼哈顿距离
C. 左或右都不是曼哈顿距离
D. 左或右都不是欧几里得距离
9.一家公司建立了一个KNN 分类器，该分类器在训练数据上获得100％的准确性。当他们在客户端上部署此模型时，发现该模型根本不准确。以下哪项可能出错了？（ ） 注意：模型已成功部署，除了模型性能外，在客户端没有发现任何技术问题。 A. 可能是模型过拟合          B. 可能是模型未拟合  C. 不能判断            D. 这些都不是  10.首次提出“人工智能”是在（ ）年。 A. 1916        B. 1956        C. 1960        D. 1946  11.朴素贝叶斯算法，描述正确的是：（ ） A. 计算先验概率        B. 它假设特征分量之间相互独立
C. 对于给定的待分类项X={a1,a2,...,an}，求解在此项出现的条件下各个类别 yi 出现的概率，哪个P(X|yi)最大，就把此待分类项归属于哪个类别。  12.下面关于ID3算法中说法错误的是（ ）。 A. ID3算
法要求特征必须离散化    B. ID3算法是一个二叉树模型
C. 选取信息增益最大的特征，作为树的根节点
D. 信息增益可以用熵，而不是GINI 系数来计算  13.以下哪些方法不可以直接来对文本分类？（ ） A. 决策树      B. K-Means      C. KNN      D. 朴素贝叶斯  14.一监狱人脸识别准入系统用来识别待进入人员的身份，此系统一共包括识别4种不同的人员：狱警，小偷，送餐员，其他。下面哪种学习方法最适合此种应用需求。（ ）
题  目 一 二 三 总分 核分人
得  分
得分 评卷人
试卷密封线  学院：              班级：              姓名：              学号：                  试卷密封线
A. 二分类问题
B. 多分类问题
C. 回归问题
D. 聚类问题
15.关于L1、L2 正则化下列说法正确的是？（）
A. L2 正则化得到的解更加稀疏
B. L2 正则化技术又称为Lasso Regularization
C. L1 正则化得到的解更加稀疏
D. L2 正则化能防止过拟合，提升模型的泛化能力，但L1 做不到这点
16.下列哪一种偏移，是我们在线性回归模型计算损失函数，例如均方差损失函数时使用的？（）
图中横坐标是输入X，纵坐标是输出Y。
A. 垂直偏移（vertical offsets）
B. 垂向偏移（perpendicular offsets）
C. 两种偏移都可以
D. 以上说法都不对
17.影响基本K-均值算法的主要因素，不包括( ）
A. 样本输入顺序
B. 聚类准则（划分簇的原则）
C. 初始类中心的选取
18.逻辑回归将输出概率限定在[0,1] 之间。下列哪个函数起到这样的作用？（）
A. Leaky ReLU 函数
B. Sigmoid 函数
C. tanh 函数
D. ReLU 函数
19.在逻辑回归中，以下哪个图像显示y = 1（样本真实值为正样本）的代价函数？（）
A.    B.
20.K-Means 算法无法聚以下哪种形状的样本？（）
A. 圆形分布
B. 凸多边形分布
C. 带状分布
D. 螺旋分布
21.图中是选取不同k值时，对应的SSE(sum of the squared errors，误差平方和)，k值为多少最好。（）A. 2    B. 4    C. 6    D. 8
22.KNN算法思想的基本步骤：（）
（1）计算已知类别中数据集的点与当前点的距离。
（2）选取与当前点距离最小的k个点。
（3）按照距离递增次序排序。
（4）返回前k个点出现频率最高的类别作为当前点的预测分类。
（5）确定前k个点所在类别的出现频率。
A. 1    3    2    5    4
B. 1    2    3    4    5
C. 3    1    2    4    5
D. 2    3    1    5    4
23.如果在大型数据集上训练决策树。为了花费更少的时间来训练这个模型，下列哪种做法是正确的？（）
A. 减少树的数量
B. 增加树的深度
C. 增加学习率
D. 减小树的深度
24.目标变量在训练集上的8 个实际值[0,0,0,1,1,1,1,1]，目标变量的熵是多少？（）
A.
B.
C.
D.
25.在回归模型中，下列哪一项对于欠拟合（under-fitting）和过拟合（over-fitting）影响最大？（）
A. 更新权重w时，使用的是矩阵求逆还是梯度下降
B. 多项式阶数
C. 使用常数项
二、计算题。（本题共5 小题，共50 分）,
1. （本小题4分）下面这张图是一个简单的线性回归模型，图中标注了每个样本点预测值与真实值的差。计算SSE（Sum of Squared Error，平方误差之和）。
2. （本小题8分）已知逻辑回归模型得到一组逻辑回归结果，要求：
（1）假设阈值为0.6，写出预测结果。（2分）
（2）计算出损失函数的值（即真实值与预测值之间的损失值）。（6分）
3. （本小题10分）预测20个西瓜中哪些是好瓜，这20个西瓜中实际有15个好瓜，5个坏瓜。某个模型预测的结果是：16个好瓜，4个坏瓜。其中，预测的16个好瓜中有14个确实是好瓜，预测的4个坏瓜中有3个确实是坏瓜。
正则化描述正确的是注：好瓜为正例，坏瓜为反例。
（1）画出混淆矩阵（4分）
（2）什么是精确率（Presion），计算准确率P（2分）
（3）什么是召回率（Recall），计算召回率R（2分）
（4）写出F1值的计算公式，求出本例中F1值。（2分）
4. （本小题12分）线性回归算法实现。
（1）写出正规方程求解回归系数的公式。（2分）（2）已知样本的特征矩阵为X，目标值向量为Y=[y0,y1,y2,...,ym]。
编写函数standRegres实现功能：通过正规方程求解回归系数。（10分）def standRegres(xArr,yArr):
5. （本小题16分）使用朴素贝叶斯分类预测一个未知样本的分类。数据样本用属性"天气","温度","湿度"和"风力"描述。目标分类属性"是否适合打网球"具有两个不同值(即"是","否")。设C1对应于分类"是否适合打网球"="是"，而C2对应于分类"是否适合打网球"="否"。我们的预测样本为X = ("天气"="雨","温度"="凉","湿度"="高","风力"="弱")
根据朴素贝叶斯算法计算出X的属于不同分类目标值的概率，判断最终的预测结果。
天气气温湿度风力适合打网球吗？
晴热高弱否
晴热高强否
阴热高弱是
雨适宜高弱是
雨凉正常弱是
雨凉正常强否
阴凉正常强是
晴适宜高弱否
晴凉正常弱是
雨适宜正常弱是
晴适宜正常强是
阴适宜高强是
阴热正常弱是
雨适宜高强否
得分评卷人
逻辑回归结果逻辑回归预测结果真实结果
0.40    1
0.65 0
0.20 0
0.80    1
0.70    1

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。