一、单项选择题（本大题共 15 小题）

1、根据汤姆·米切尔（Tom Mitchell）对机器学习的定义，一个计算机程序被称为可以学习，是指它能够针对某个任务 T 和某个性能指标 P 从经验 E 中学习，其特点是（ 　）。

① 程序在 T 上的被 P 所衡量的性能会随着经验 E 的增加而提高

② 程序不需要任何数据即可自动提升性能

③ 程序必须通过人工编写规则来更新知识

④ 程序的性能与经验 E 无关

2、在机器学习的三要素中，作为模型学习的“经验来源”的是（ 　），实现“规律”的具体体现的是（ 　）。

① 模型；数据 ② 学习过程；算法

③ 数据；模型 ④ 算法；数据

3、以下关于监督学习的描述，正确的是（ 　）。

① 训练数据不包含标签，模型自主发现规律

② 训练数据包含输入特征和对应的期望输出（标签）

③ 监督学习只能用于分类任务，不能用于回归任务

④ 监督学习不需要划分训练集和测试集

4、在回归任务中，因变量的特征是（ 　）；在分类任务中，因变量的特征是（ 　）。

① 连续的数值；离散的类别标签

② 离散的类别标签；连续的数值

③ 文本字符串；数值

④ 无序的集合；有序序列

5、线性回归模型的基本形式为 y = ax + b，其核心用途是（ 　）。

① 预测离散类别

② 预测连续数值（如房价、温度）

③ 将数据划分为多个簇

④ 降低数据维度

6、关于 K 近邻（KNN）算法的描述，错误的是（ 　）。

① KNN 算法通过计算待分类样本与训练样本之间的距离来寻找最近邻

② KNN 算法的预测结果受 K 值选择的影响

③ KNN 算法在预测阶段通常需要计算待预测样本与训练样本之间的距离，计算成本较高

④ KNN 算法的预测结果与距离度量和特征尺度无关

7、在常见分类决策树算法中，选择分类分裂特征时常用的衡量标准不包括（ 　）。

① 信息增益 ② 基尼指数

③ 均方误差 ④ 信息增益比

8、以下关于无监督学习的说法，正确的是（ 　）。

① 无监督学习的训练数据包含标签，需要人工标注

② 聚类和降维是无监督学习的典型任务

③ 无监督学习的目标是预测未知样本的类别标签

④ 无监督学习无法处理未标注数据

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

① 将相似样本归为同一簇

② 减少特征数量，同时尽可能保留数据关键信息，用于可视化和简化计算

③ 预测连续数值

④ 实现二分类

10、K-means 聚类算法中，簇中心更新的方式是（ 　）。

① 随机选择新的中心点

② 计算簇内所有样本的均值作为新中心

③ 选择簇内距离其他点最近的点作为新中心

④ 保持初始中心不变

11、在模型评估中，用于衡量回归模型预测误差的常用指标是（ 　）。

① 准确率（Accuracy） ② 精确率（Precision）

③ 均方误差（MSE） ④ F1 分数

12、在二分类问题的混淆矩阵中，真正例（TP）表示（ 　），假正例（FP）表示（ 　）。

① 正类样本被正确预测为正类；负类样本被错误预测为正类

② 负类样本被正确预测为负类；正类样本被错误预测为负类

③ 正类样本被错误预测为负类；负类样本被正确预测为负类

④ 负类样本被错误预测为正类；正类样本被正确预测为正类

13、以下关于过拟合和欠拟合的说法，正确的是（ 　）。

① 过拟合是指模型在训练集上表现差，在测试集上也差

② 欠拟合是指模型在训练集上表现好，但在测试集上表现差

③ 过拟合通常是由于模型过于复杂，学习了数据中的噪声

④ 增加训练数据一定可以缓解欠拟合

14、当需要分析“用户购买行为特征并将用户自动分群”时，应优先选择（ 　）；当需要预测“明天股票收盘价”时，应优先选择（ 　）。

① 聚类算法；回归算法

② 分类算法；降维算法

③ 回归算法；聚类算法

④ 分类算法；回归算法

15、精确率（Precision）的计算公式是（ 　），召回率（Recall）的计算公式是（ 　）。

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、判断题（本大题共 5 小题）

1、监督学习可以分为回归和分类两大类任务，其中回归任务的输出是连续值，分类任务的输出是离散类别。（ 　）

2、KNN 算法不需要显式的训练过程，属于“懒惰学习”算法。（ 　）

3、K-means 聚类算法需要预先指定聚类数量 K，且对初始簇中心的选择不敏感。（ 　）

4、在回归任务中，决定系数 R² 的取值范围一定是 [0,1]，越接近 1 通常表示模型拟合效果越好。（ 　）

5、为了评估模型的泛化能力，通常将数据集划分为训练集和测试集，且测试集应参与模型训练过程。（ 　）

三、编程填空题（本大题共 5 小题）

1、补全以下代码，使用单变量线性回归预测房价。已知房屋面积（平方米）与价格（万元）的数据，请训练线性回归模型并预测面积为 85 平方米的房价。

2、补全以下代码，使用 KNN 算法对鸢尾花数据集进行分类，并计算准确率。

3、补全以下代码，使用 K-means 算法对生成的二维数据进行聚类，并输出聚类中心。

4、补全以下代码，使用交叉验证评估线性回归模型的性能。

5、补全以下代码，对特征进行标准化后训练线性回归模型，并输出模型的系数。

“点赞有美意，赞赏是鼓励”