2025年统计学期末考试：统计数据可视化在数据挖掘中的应用试卷

2025年统计学期末考试：统计数据可视化在数据挖掘中的应用试卷考试时间：______分钟总分：______分姓名：______一、选择题（每题3分，共30分）1.在数据可视化的基本原则中，强调视觉元素应清晰、准确、易于理解，避免误导，这一原则主要是指？A.美观性原则B.准确性原则C.一致性原则D.交互性原则2.对于分类变量的分布，最适合使用的可视化图表是？A.散点图B.折线图C.箱线图D.柱状图或饼图3.在数据挖掘的探索性数据分析（EDA）阶段，用于观察两个连续变量之间关系最常用的可视化方法是什么？A.热力图B.饼图C.散点图D.雷达图4.以下哪个指标通常不用于描述数据分布的集中趋势？A.均值B.中位数C.众数D.标准差5.在数据预处理中，检测数据中的异常值，箱线图是一种非常直观有效的方法，其主要通过哪些部分来识别异常点？A.箱体（四分位数范围）B.箱体和须线（whiskers）C.箱体和均值点D.须线和分布密度曲线6.如果想可视化不同类别样本在多个连续特征上的分布情况，以下哪种图表较为合适？A.散点图B.箱线图C.聚类散点图D.维恩图7.在特征选择或特征重要性评估中，常使用条形图来可视化不同特征的重要性得分，这是利用了条形图的优势，即？A.能清晰展示数据分布形态B.能有效揭示数据点之间的相关性C.能直观比较不同类别或不同变量的数值大小D.能显示数据随时间的变化趋势8.ROC曲线通常用于评估分类模型的性能，曲线下面积（AUC）的含义是？A.模型预测正确的总比例B.模型在所有阈值下正确区分正负样本能力的综合度量C.模型预测为正类的样本中实际为正类的比例D.模型预测为负类的样本中实际为负类的比例9.以下哪种可视化方法不适合展示时间序列数据的变化趋势？A.折线图B.散点图C.面积图D.箱线图10.使用不同颜色或阴影强度来表示数值大小或密度在数据可视化中称为？A.标度映射B.颜色编码C.图例设计D.坐标轴标注二、填空题（每空2分，共20分）1.数据可视化是将数据转化为___、___或___的形式，以便更直观地理解和分析信息的过程。2.统计图表的设计应遵循___、___和___等基本原则。3.在进行数据探索时，计算连续变量的___和___是描述其中心趋势的常用统计量。4.识别数据中的离群点对于数据预处理和模型构建都至关重要，箱线图通过识别落在美国统计协会定义的___之外的数据点来标记潜在的离群值。5.可视化图表中的___负责将数据的数值属性映射到视觉属性（如位置、长度、颜色深浅）上。6.对于分类变量的频率分布，___图可以清晰地展示每个类别的频数或比例。7.在数据挖掘中，可视化技术不仅用于理解数据，也用于评估模型的___（如ROC曲线、混淆矩阵）和结果（如聚类分布）。8.使用诸如Tableau、PowerBI或Python的Matplotlib/Seaborn等工具进行数据可视化，属于___可视化范畴。9.在可视化多变量关系时，___图可以同时展示两个连续变量之间的关系，并通过颜色或符号区分第三个分类变量。10.统计数据可视化在数据挖掘中的核心价值在于能够从复杂的数据中快速发现___、___和___。三、简答题（每题8分，共24分）1.简述在数据挖掘过程中，数据可视化分别在探索性数据分析（EDA）和模型评估这两个阶段扮演的角色和作用。2.解释什么是数据可视化的标度映射（ScaleMapping），并举例说明至少两种常见的标度映射方式及其应用场景。3.当需要比较两个不同数据集（例如，两个不同营销活动带来的用户行为数据）的分布特征时，可以运用哪些可视化方法？请简要说明每种方法的优势。四、分析与应用题（共26分）假设你正在参与一个客户流失预测项目，作为数据分析师，你需要对历史客户数据进行分析。请根据以下描述，回答问题：*你收集了包含客户ID、年龄、性别、入网时长、月消费金额、是否有合约、最近一次互动时间（以天计）、以及最终是否流失（是/否）等字段的数据集。*现在处于项目的数据分析阶段，你需要利用可视化手段来理解数据。请回答以下问题：1.（10分）为了初步了解客户的基本特征以及流失情况，你会选择哪些可视化图表？针对“年龄”、“月消费金额”这两个连续变量，“入网时长”这个有序分类变量（可视为连续处理或离散看待）以及“是否流失”这个二元分类变量，分别说明你会选择哪种（或哪几种）图表，并简要说明理由。2.（8分）假设你已经绘制了“月消费金额”与“是否流失”的散点图，散点图中点的分布看起来大致呈两种不同的聚集区域，且似乎消费金额较高的客户流失比例相对较低。请分析这个可视化结果可能揭示了哪些潜在的信息或模式，并说明这对你后续的分析（如模型构建）可能有何启示。3.（8分）在构建分类模型后，你可能会使用ROC曲线来评估模型的区分能力。请解释ROC曲线是如何构建的（不要求数学公式），并说明曲线下面积（AUC）值的意义。如果某个模型的AUC值为0.85，你会如何解读这个结果？试卷答案一、选择题1.B2.D3.C4.D5.B6.C7.C8.B9.D10.B二、填空题1.图形图像文字2.准确性清晰性一致性3.均值标准差4.1.5倍IQR（四分位距）5.标度映射6.柱状7.性能8.计算机辅助9.散点图10.模式异常相关性三、简答题1.答：在EDA阶段，可视化用于探索数据分布、识别数据质量问题（如缺失值、异常值）、发现变量间的初步关系和模式，帮助形成假设。例如，使用散点图探索变量关系，使用箱线图比较分布差异，使用热力图查看相关性矩阵。在模型评估阶段，可视化用于直观展示模型的预测性能（如ROC曲线、混淆矩阵显示分类效果），评估聚类结果（如散点图展示簇内距离），或解释模型（如决策树可视化展示决策路径），帮助理解模型行为和结果的有效性。2.答：标度映射（ScaleMapping）是指将数据点的数值属性按照一定的规则（即标度或映射函数）转换为其对应的视觉属性（如位置、长度、面积、颜色深浅、方向等）的过程。它是数据可视化实现“数形转换”的核心机制。常见的标度映射方式包括：①位置映射：根据数值大小决定点在二维空间中的横纵坐标，如散点图；②长度映射：用线段或条形的长度表示数值大小，如柱状图、条形图。例如，在柱状图中，数据值越大，对应的柱子长度越长。3.答：可以运用以下可视化方法：①分组箱线图：可以将两个连续变量（如月消费金额、年龄）的箱线图按第三个分类变量（如是/否流失）分组绘制，直观比较不同流失状态下这两个连续变量的分布中心（中位数）和离散程度（四分位距、IQR）。优势在于能同时展示分布形态、中心趋势和离散程度，并清晰比较组间差异。②分组散点图：将散点图按分类变量分组绘制，并用不同颜色或符号区分。优势在于能展示两个连续变量关系的同时，清晰区分不同类别样本的点分布情况，便于观察是否存在不同类别间关系的差异。③平行坐标图：如果需要比较多个连续变量的分布，且这些变量属于同一个数据集的不同样本，可以使用平行坐标图，通过颜色区分不同类别（如流失/未流失）。四、分析与应用题1.答：我会选择以下图表：①对于“年龄”这个连续变量，使用直方图或核密度估计图来展示其分布形态和集中趋势；使用箱线图来快速识别异常值和比较不同流失状态下的年龄分布差异。②对于“月消费金额”这个连续变量，使用直方图或核密度估计图展示其分布；使用箱线图比较不同流失状态下的消费金额分布；还可以绘制“月消费金额”vs“是否流失”的散点图，观察两者关系及流失模式。③对于“入网时长”这个有序分类变量（视为连续处理时），可以使用直方图或核密度估计图；若视为有序分类，可用分组柱状图或点图展示不同时长区间的客户数量或比例，并按流失状态分组比较。④对于“是否流失”这个二元分类变量，使用饼图或分组柱状图（与流失相关的其他变量一起）来展示其频数或比例，特别是可以按其他变量（如性别、月消费金额段）分组，看流失率是否存在差异。选择理由主要是基于变量类型（连续/分类）和要分析的目的（分布、关系、比较）。2.答：该散点图结果可能揭示了：①“月消费金额”与“是否流失”之间存在一种负相关关系，即月消费金额较高的客户群体中，流失的点相对较少，这可能暗示高消费客户价值较高，流失风险较低。②散点图中呈现的两种聚集区域可能代表了客户群体的两个不同子群，例如，一个群体是高消费低流失，另一个群体是低消费高流失。这提示我们客户价值存在分化，可能需要针对不同价值的客户采取差异化的保留策略。③这种可视化模式为后续分析提供了依据，例如，在构建流失预测模型时，可以将“月消费金额”作为一个重要的预测特征，并可能需要考虑是否存在其他因素（如入网时长、年龄段）与消费金额和流失率的交互作用。这种洞察有助于指导后续的模型选择、特征工程和业务策略制定。3.答：ROC曲线是通过改变分类模型中的预测阈值，绘制出真正率（TruePositiveRate,TPR，即灵敏度）随假正率（FalsePositiveRate,FPR，即1-Specificity）变化的曲线图。它以（0,0）为起点，（1,1）为终点。构建过程通常涉及：对数据样本进行预测，得到每个样本的预测概率得分；设定一个初始阈值（如0.5），将得分高于该阈值的预测为正类，低于该阈值的预测为负类；计算该阈值下的TPR和FPR；改变阈值，重复计算下一阈值下的TPR和FPR；将所有阈值下的（FPR,TPR）点连接起来，即得到ROC曲线。AUC（AreaUndertheCurve）是指ROC曲线下方的面积。其意义在于综合评估模型