BUAA-ML 2025-2026春季试题回忆版

题目回忆

T1 混淆矩阵

（1）根据题目描述写出混淆矩阵，TP,FP,TN,FN,并求出查全率，查准率，F1-score
（2）简述k折交叉验证的原理

T2 贝叶斯决策

给出$P(ω_1),P(ω_1),P(ω_1|x),P(ω_2|x)$和决策损失表，进行最小错误决策与最小风险决策

T3 感知机准则求判别函数

类似下例题，只有数据不同，正负实例各有两个。

T4 支持向量机

（1）简述支持向量机的思想
（2）列举支持向量机的局限性，针对其中两条给出优化策略

T5 决策树与ID3

（1）简述 ID3 决策树的思想。
（2）根据三种属性 (价格：低 / 中 / 高，摄影质量：低 / 高，续航能力：弱 / 强) 对 14 个样本构建 ID3 决策树。
（3）分析 ID3 的局限性，并给出优化策略。

本题计算量较大且题目表格比较混乱。

T6 K-means聚类算法

（1）简述K-means聚类算法的思想，写出需要最小化的准则函数。
（2）分析K-means聚类算法的局限性， 并给出优化策略。

T7 集成学习

（1）简述bagging学习的思想与流程，并分析其在分类问题与回归问题中的应用。
（2）简述随机森林算法的思想。

T8 反向传播 BP

往届原题。

包含一层隐藏层的前馈神经网络如图所示，其中给定训练集 $D={(x_1,t_1),(x_2,t_2),⋯,(x_N,t_N)},x_i ∈ R^D,t_i ∈ R^K$。隐藏层激活函数为 $h(x)$, 输出层激活函数为$σ(x)$。$y_n$表示第 $n$ 个样本 $x_n$ 对应的神经网络输出向量，$y_n = [y_{n_1},⋯,y_{n_k},⋯,y_{n_K}]^T$, 准则函数为 $E_n(w)= ∑^K_{k=1}\{y_{n_k} −t_{n_k}\}^2$ 。网络包含$D$ 个输入神经元，$K$ 个输出神经元，以及$M$ 个隐层神经元。试推导反向传播算法中对每一层权值参数（$w_{md}^{(1)}$与 $w_{km}^{(2)}$）的更新。

T9 开放性试题

简述大语言模型的技术支撑，面临的风险和挑战。

总结

题目与往届题目几乎完全一致，仅有数据不同。本届出现的往届没考知识点为k折交叉验证和书写K-means聚类算法的准则函数，但凉宫秋月总体完全能覆盖95%考点。