数据挖掘工程师岗位招聘考试试卷及答案

数据挖掘工程师岗位招聘考试试卷及答案填空题（每题1分，共10分）1.数据预处理的核心步骤包括数据清洗、____、数据转换和数据规约。2.K-means聚类算法的核心是计算样本与____的距离。3.决策树ID3算法使用____作为分裂准则。4.分类模型精确率（Precision）=TP/____。5.关联规则A→B的置信度=P(B|A)=____/P(A)。6.支持向量机（SVM）的核心是寻找____。7.特征选择的常用方法有过滤法、____和包裹法。8.异常检测常用算法有孤立森林、____等。9.神经网络BP算法的核心是____误差。10.时间序列挖掘常用方法有ARIMA、____等。单项选择题（每题2分，共20分）1.属于无监督学习的是？A.K-meansB.逻辑回归C.决策树D.随机森林2.不平衡数据集分类评估最适合的指标是？A.准确率B.F1分数C.召回率D.精确率3.关联规则最小支持度过大会导致？A.规则过多B.精度低C.规则少D.无影响4.大数据挖掘常用工具是？A.ExcelB.SPSSC.SASD.SparkMLlib5.CART决策树的分裂准则是？A.信息增益B.基尼不纯度C.信息增益率D.均方误差6.属于特征转换的方法是？A.标准化B.缺失值填充C.去重D.特征选择7.孤立森林的核心思想是？A.局部密度B.全局异常点C.随机隔离异常点D.距离计算8.回归问题的评估指标是？A.精确率B.召回率C.F1D.MAE9.“维度灾难”指？A.特征过多导致模型性能下降B.数据量过大C.分布不均D.缺失值多10.属于集成学习的是？A.KNNB.随机森林C.朴素贝叶斯D.SVM多项选择题（每题2分，共20分）1.缺失值处理常用方法有？A.均值填充B.删除所有数据C.中位数填充D.模型预测填充2.属于分类算法的有？A.逻辑回归B.决策树C.K-meansD.随机森林3.关联规则核心指标有？A.支持度B.置信度C.提升度D.准确率4.聚类评估指标有？A.F1分数B.轮廓系数C.Davies-Bouldin指数D.精确率5.特征选择常用方法有？A.卡方检验B.互信息C.标准化D.递归特征消除6.属于监督学习的有？A.SVMB.PCAC.朴素贝叶斯D.线性回归7.分布式计算框架有？A.HadoopB.SparkC.ExcelD.SPSS8.属于神经网络的有？A.CNNB.KNNC.RNND.LSTM9.数据挖掘应用场景包括？A.客户细分B.fraud检测C.推荐系统D.销量预测10.关于SVM正确的说法有？A.处理高维数据B.仅线性可分C.核函数映射高维D.适合小样本判断题（每题2分，共20分）1.决策树不需要特征缩放。（√）2.K-means结果与初始中心无关。（×）3.逻辑回归是回归算法非分类算法。（×）4.关联规则提升度>1有意义。（√）5.PCA是特征选择方法。（×）6.随机森林减少过拟合。（√）7.异常检测仅属于无监督学习。（×）8.SVMRBF核处理非线性问题。（√）9.去重属于数据清洗。（√）10.ARIMA适用于平稳时间序列。（√）简答题（每题5分，共20分）1.简述数据预处理的必要性及核心步骤。答案：必要性：原始数据存在噪声、缺失、不一致，直接使用影响模型性能。核心步骤：①数据清洗（处理缺失、噪声、重复）；②数据集成（合并多源数据）；③数据转换（标准化、归一化）；④数据规约（降维、特征选择）。解析：原始数据质量差导致模型泛化弱，清洗解决缺陷，集成整合信息，转换适配算法，规约降低维度灾难，保证挖掘有效。2.比较K-means与DBSCAN的差异。答案：K-means是划分聚类，需指定k，基于距离；DBSCAN是密度聚类，无需指定k，基于密度可达。K-means对噪声敏感，适合凸形簇；DBSCAN可发现任意形状簇，处理噪声。解析：K-means依赖初始中心，结果不稳定；DBSCAN通过eps/minPts识别簇，鲁棒性强，适合复杂形状，但对密度不均数据效果差。3.简述3个分类评估指标及适用场景。答案：①准确率：整体正确比例，适用于平衡数据集；②精确率：预测正例中真实正例比例，适用于正例少的场景（如fraud）；③召回率：真实正例中被预测正例比例，适用于漏检影响大的场景（如疾病检测）。解析：准确率易受不平衡影响，精确率关注“预测对的正例”，召回率关注“找全正例”，需结合业务选择。4.什么是过拟合？如何避免？答案：过拟合是模型训练集表现好、测试集差，过度学习噪声。避免方法：①增加训练数据；②正则化（L1/L2）；③减少模型复杂度（决策树剪枝）；④集成学习（随机森林）；⑤早停法。解析：过拟合源于模型复杂度高于数据规律，增加数据减少噪声，正则化约束参数，集成学习降低方差，早停法提升泛化能力。讨论题（每题5分，共10分）1.结合业务场景，说明如何选择分类算法（逻辑回归、决策树、SVM、随机森林）。答案：①逻辑回归：线性可分、可解释性高（如信用评分）；②决策树：非线性、可解释性强（如客户细分）；③SVM：高维、非线性（如文本分类）；④随机森林：非线性、高维、抗过拟合（如fraud检测）。解析：业务需可解释性选逻辑回归/决策树，高维选SVM/随机森林，不平衡数据选随机森林，线性关系选逻辑回归，复杂关系选决策树/SVM，需结合数据量、维度、业务需求判断。2.大数据挖掘中，Spark与传统单机框架的差异及优势？答案：差异：Spark基于内存分布式计算，单机依赖单节点硬件。优势：①处理PB级数据；②速度快（内存计算减少IO）；③容错性好（RDD弹性分布式）；④扩展性强（横向扩展节点）。解析：单机受硬件限制，Spark通过并行计算、内存存储提升效率，RDD支持容错，适合电商用户行为分析等大数据场景，解决单机无法处理的问题。答案汇总填空题答案1.数据集成2.聚类中心3.信息增益4.TP+FP5.P(A∩B)6.最优超平面7.嵌入法8.LOF9.