加載中. ..
PDF
試卷編號：ML0-0001
人工智慧：機器學習
Python 3 範例試卷
壹、操作題 100%(第一題至第二題每題 30 分、第三題 40 分)
【認證說明與注意事項】
一、本項考試為操作題，所需總時間為 60 分鐘，時間結束前需完成所有考試動作。
成績計算滿分為 100 分，合格分數為 70 分。
二、操作題為三大題十二小題，第一大題至第二大題每題 30 分，第三大題 40 分，
總計 100 分。
三、請按照題目要求撰寫程式，再將求取之答案輸入填答視窗中。
四、填充題，答案請依題目指示填入數值，若小數點位數換算錯誤或是填答不完整
而錯誤者均不予計分。選擇題作答時請填入選項代號 A、B、C、D，勿直接填
入答案數值，否則不予計分。
五、術科試題內未要求修改之設定值，以原始設定為準，不需另設。
六、各題之程式檔必須依題目指示儲存於 C:ANS.CSF各指定資料夾備查，測驗結
束前必須自行存檔，並關閉開發環境，檔案名稱錯誤或未符合存檔規定及未自
行存檔者，均不予計分。
七、注意全型、半型字元、英文字母大小寫、小數點的位數是否與題目的要求相同。
八、試卷內 0為阿拉伯數字，O為英文字母，作答時請先確認。所有滑鼠左右鍵位
之訂定，以右手操作方式為準，操作者請自行對應鍵位。
九、有問題請舉手發問，切勿私下交談。
Python 3 [第 1 頁 / 共 3 頁] ML0-0001
一、紅酒種類預測
（一）、題目說明：
1. 請至 C:ANS.CSFML01 資料夾開啟 MLD01.py，依下列題意進行組合
及改寫，再將求取之答案依序輸入填答視窗中。
2. 檔案請另存新檔為 MLA01.py，作答完成請儲存所有檔案至 C:ANS.CSF
指定資料夾內。
3. 請注意，資料夾或程式碼中所提供的檔案路徑，不可進行變動。
（二）、設計說明：
1. 請使用決策樹分類（Decision Tree Classifier），撰寫程式，讀取 wine.csv，
這個資料集統計紅酒的品質資料，此資料集包含下列欄位：
欄位 0（Target）：紅酒的分類（總共分為 3類，分別為 1~3）
欄位 1-13（Data）：各種紅酒中各項化學成分檢驗結果，包含如：酒精、
蘋果酸、鎂、黃酮、顏色強度、色澤…等等。
2. 請將 75%的 資料做為 訓練資料 集， 25%的資料用於測試資料集，
random_state=5。
3. 請用 Data 來預測 Target 的值。
4. 請使用 round 函數計算至小數點第二位，印出所訓練分類器的準確度
【xx.xx】%，並預測分類。
（三）、請依序回答下列問題：
1.請填入分類器的準確度 Accuracy of the classifier 為多少%（不需填入%，
計算至小數點後第二位）？
2.輸入資料[1.51, 1.73, 1.98, 20.15, 85, 2.2, 1.92, .32, 1.48, 2.94, 1, 3.57, 172]，
請填入預測分類的選項？
(A) 第3類 (B) 無法分類 (C) 第2類 (D) 第1類
3.輸入資料[14.23, 1.71, 2.43, 15.6, 127, 2.8, 3.06, .28, 2.29, 5.64, 1.04, 3.92,
1065]，請填入預測分類的選項？
(A) 第3類 (B) 無法分類 (C) 第1類 (D) 第2類
4.輸入資料[13.71, 5.65, 2.45, 20.5, 95, 1.68, .61, .52, 1.06, 7.7, .64, 1.74, 720]，
請填入預測分類的選項？
(A) 第2類 (B) 第3類 (C) 無法分類 (D) 第1類
Python 3 [第 2 頁 / 共 3 頁] ML0-0001
二、資料分群處理
（一）、題目說明：
1. 請至 C:ANS.CSFML02 資料夾開啟 MLD02.py，依下列題意進行組合
及改寫，再將求取之答案依序輸入填答視窗中。
2. 檔案請另存新檔為 MLA02.py，作答完成請儲存所有檔案至 C:ANS.CSF
指定資料夾內。
3. 請注意，資料夾或程式碼中所提供的檔案路徑，不可進行變動。
（二）、設計說明：
1. 請撰寫一程式，利用 sklearn.datasets.samples_generator 裡的 make_blobs
函式產生出資料。總樣本數 200，樣本中心數 4，資料集的標準差為 0.50，
隨機種子為 0。
2. 請利用 K-means 演算法分群（K-means Clustering）來做分群。
3. 使用集群內誤差平方和（kmeans.inertia_）來判斷分群數量為何值是比較
恰當的，值大於 90 以上的納入計算。其中 K-means 內的參數（分群中
心）初始化為「k-means++」， K-means 演算法的隨機運作次數為「15」，
隨機產生中心的隨機序列（random state=0），最大迭代次數為 200。
（三）、請依序回答下列問題：
5.請使用集群內誤差平方和（kmeans.inertia_）來判斷分群數量，需取值大
於90 以上者納入計算，可分為幾群？
6.承上題，只取集群內誤差平方和分數大於 90 以上的數據，請依據計算
後之數據，填入正確的選項（選項內兩組數據需完全相同）？
(A) [1749.6046, 94.0224] (B) [1794.0460, 304.9484] (C) [1774.5460,
736.9635] (D) [736.9635, 901.0224]
7.請輸入分群後最小中心點 X的位置（四捨五入取至小數點後第四位）？
8.請輸入分群後最大中心點 Y的位置（四捨五入取至小數點後第四位）？
Python 3 [第 3 頁 / 共 3 頁] ML0-0001
三、鳶尾花品種預測
（一）、題目說明：
1. 請至 C:ANS.CSFML03 資料夾開啟 MLD03.py，依下列題意進行組合
及改寫，再將求取之答案依序輸入填答視窗中。
2. 檔案請另存新檔為 MLA03.py，作答完成請儲存所有檔案至 C:ANS.CSF
指定資料夾內。
3. 請注意，資料夾或程式碼中所提供的檔案路徑，不可進行變動。
（二）、設計說明：
1. 請撰寫一程式，讀取 sklearn.datasets 中的鳶尾花（iris）資料集，此一資
料集包含三種不同的鳶尾花品種（setosa、versicolor、virginica），儲存為
150*4 的numpy.ndarray，其欄位如下：
花萼長度（petal length）
花萼寬度（petal width）
花瓣長度（sepal length）
花瓣寬度（sepal width）
2. 請建立一個 KNN 機器學習模型，用鳶尾花資料集中的四種特性來預測
鳶尾花品種，請將測試資料比例設定為 40%（其餘為訓練資料），
random_state=1。
3. 依據給定的 data 預測此鳶尾花品種。
4. 列印測試資料正確率。
（三）、請依序回答下列問題：
9.請填入測試資料正確率（四捨五入取至小數點後第四位）？
10.給定 data 為[5, 2.9, 1, 0.2]，請填入鳶尾花品種代號？
(A) virginica (B) setosa (C) none (D) versicolor
11.給定 data 為[5.7, 2.8, 4.5, 1.2]，請填入鳶尾花品種代號？
(A) none (B) virginica (C) versicolor (D) setosa
12.給定 data 為[7.7, 3.8, 6.7, 2.1]，請填入鳶尾花品種代號？
(A) setosa (B) virginica (C) none (D) versicolor