2025年数据科学与智能分析师职业资格考试试题及答案

2025年数据科学与智能分析师职业资格考试试题及答案一、单项选择题（每题2分，共20题，40分）1.在分析某电商平台用户消费金额分布时，发现数据呈现右偏态分布（正偏态），则以下描述正确的是：A.均值＜中位数＜众数B.众数＜中位数＜均值C.中位数＜众数＜均值D.均值＜众数＜中位数2.某数据集包含缺失值，其中“用户年龄”字段缺失率为30%，且缺失模式与“购买频次”高度相关（购买频次越低，年龄缺失概率越高）。最合理的处理方法是：A.直接删除缺失行B.用全体用户年龄的均值填充C.按购买频次分箱，用各箱内年龄的中位数填充D.用随机森林模型基于其他字段预测缺失的年龄3.以下哪种机器学习算法属于生成式模型？A.逻辑回归B.支持向量机（SVM）C.朴素贝叶斯D.梯度提升树（GBDT）4.评估分类模型时，若关注“在实际为正类的样本中，模型正确识别出的比例”，应选择的指标是：A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.F1分数5.对时间序列数据进行分析时，若数据存在明显的季节性波动（周期为12个月），且长期趋势为线性增长，最适合的分解模型是：A.加法模型（Y=T+S+R）B.乘法模型（Y=T×S×R）C.对数加法模型（lnY=lnT+lnS+lnR）D.混合模型（Y=T×S+R）6.在特征工程中，将“用户注册时间”转换为“注册至今天数”属于：A.特征分箱B.特征构造C.特征标准化D.特征选择7.训练一个预测房价的线性回归模型时，若发现训练集R²=0.95，测试集R²=0.55，最可能的原因是：A.模型欠拟合B.模型过拟合C.数据存在多重共线性D.数据标签存在噪声8.以下哪项不是正则化（Regularization）的主要作用？A.防止过拟合B.降低模型复杂度C.提高模型泛化能力D.加速模型训练速度9.对某二分类问题使用逻辑回归模型，若将分类阈值从0.5调整为0.6，可能导致：A.精确率上升，召回率下降B.精确率下降，召回率上升C.精确率和召回率同时上升D.精确率和召回率同时下降10.在A/B测试中，若实验组与对照组的样本量均为1000，显著性水平α=0.05，检验效能（Power）=0.8，此时若实际效应量（EffectSize）小于预期，则最可能出现：A.第一类错误（弃真错误）B.第二类错误（取伪错误）C.正确拒绝原假设D.正确接受原假设11.以下哪种数据采样方法适用于处理类别不平衡问题（正类样本极少）？A.对负类样本进行欠采样（Under-sampling）B.对正类样本进行过采样（Over-sampling）C.生成新的正类样本（如SMOTE算法）D.以上均可12.决策树算法中，若选择信息增益（InformationGain）作为划分准则，可能导致对以下哪种特征的偏好？A.取值较少的离散特征B.取值较多的离散特征C.连续特征D.缺失值较多的特征13.评估推荐系统时，“用户实际点击的商品中，被推荐系统包含的比例”对应以下哪个指标？A.覆盖率（Coverage）B.准确率（Precision）C.召回率（Recall）D.多样性（Diversity）14.在K-means聚类中，若K值选择过大，可能导致：A.类内相似度降低，类间相似度升高B.类内相似度升高，类间相似度降低C.类内和类间相似度均降低D.类内和类间相似度均升高15.以下哪项是时序差分学习（TemporalDifferenceLearning）的核心特点？A.直接估计状态值函数，无需环境模型B.依赖完整的马尔可夫决策过程（MDP）模型C.仅适用于离散动作空间D.必须通过蒙特卡洛方法采样完整轨迹16.对某高维稀疏数据（如文本TF-IDF特征）进行降维时，最适合的算法是：A.主成分分析（PCA）B.线性判别分析（LDA）C.局部线性嵌入（LLE）D.奇异值分解（SVD）17.某模型需要处理“用户点击流数据”（序列型行为数据），最适合的模型架构是：A.卷积神经网络（CNN）B.循环神经网络（RNN）C.多层感知机（MLP）D.自组织映射（SOM）18.在隐私计算场景中，若需要在不共享原始数据的前提下联合训练模型，应选择：A.联邦学习（FederatedLearning）B.差分隐私（DifferentialPrivacy）C.同态加密（HomomorphicEncryption）D.安全多方计算（MPC）19.以下哪项不是数据清洗的关键步骤？A.处理缺失值B.去除异常值C.特征标准化D.纠正数据格式错误20.某公司计划用机器学习模型预测用户复购行为，若模型的误判成本为：将不会复购的用户误判为会复购（假阳性）的成本是100元，将实际会复购的用户误判为不会复购（假阴性）的成本是500元。此时应优先优化的指标是：A.降低假阳性率B.降低假阴性率C.提高准确率D.提高精确率二、多项选择题（每题3分，共10题，30分。至少有2个正确选项，多选、少选、错选均不得分）1.以下属于监督学习任务的有：A.图像分类（标注了类别标签）B.用户分群（无标签）C.房价预测（标注了实际价格）D.情感分析（标注了积极/消极）2.数据可视化中，适用于展示两个连续变量相关性的图表有：A.散点图（ScatterPlot）B.折线图（LineChart）C.热力图（Heatmap）D.箱线图（BoxPlot）3.以下哪些方法可以缓解线性回归模型中的多重共线性问题？A.去除高度相关的特征B.增加正则化项（如L2正则）C.进行主成分分析（PCA）降维D.对特征进行标准化处理4.在机器学习模型训练中，以下属于超参数（Hyperparameter）的有：A.逻辑回归的正则化系数λB.决策树的最大深度C.神经网络的权重参数D.梯度下降的学习率η5.时间序列预测中，常用的评估指标包括：A.均方误差（MSE）B.平均绝对误差（MAE）C.R²分数D.对称平均绝对百分比误差（sMAPE）6.以下关于特征重要性（FeatureImportance）的说法正确的有：A.树模型（如随机森林）可通过特征分裂时的信息增益计算重要性B.SHAP值（SHapleyAdditiveexPlanations）能提供局部和全局的特征重要性解释C.线性回归的系数绝对值大小直接反映特征重要性（需标准化后）D.特征重要性高的特征一定对模型预测有正向影响7.处理类别不平衡数据时，以下方法有效的有：A.调整模型的类别权重（ClassWeight）B.使用Fβ分数（β＞1时更关注召回率）作为评估指标C.对正类样本进行SMOTE过采样D.仅保留负类样本中的部分数据（欠采样）8.以下属于无监督学习算法的有：A.K-means聚类B.关联规则挖掘（Apriori）C.主成分分析（PCA）D.支持向量机（SVM）9.在模型部署（ModelDeployment）阶段，需要考虑的关键问题包括：A.模型推理速度（延迟）B.模型的可解释性C.数据输入的实时性要求D.模型的版本管理10.以下关于A/B测试的说法正确的有：A.实验组与对照组需满足随机分配原则B.测试前需明确核心指标（如转化率）和辅助指标C.样本量越大越好，无需考虑测试时长D.若p值＜0.05，可直接得出“实验组显著优于对照组”的结论三、判断题（每题1分，共10题，10分。正确填“√”，错误填“×”）1.皮尔逊相关系数（PearsonCorrelation）只能衡量线性相关关系，无法捕捉非线性关系。（）2.交叉验证（CrossValidation）的主要目的是评估模型在新数据上的泛化能力，防止过拟合。（）3.标准化（Z-score）会改变数据的分布形态，而归一化（Min-Max）不会。（）4.随机森林（RandomForest）通过Bagging方法集成多棵决策树，每棵树使用相同的特征子集训练。（）5.梯度下降（GradientDescent）中，学习率设置过大会导致模型无法收敛，过小会导致收敛速度慢。（）6.混淆矩阵中的对角线元素表示正确分类的样本数，非对角线表示错误分类的样本数。（）7.时间序列的平稳性要求均值、方差和自协方差不随时间变化，可通过ADF检验（单位根检验）判断。（）8.神经网络中的激活函数（如ReLU）的作用是引入非线性，使模型能拟合复杂模式。（）9.特征选择（FeatureSelection）和特征提取（FeatureExtraction）的本质相同，都是减少特征维度。（）10.在推荐系统中，协同过滤（CollaborativeFiltering）仅依赖用户-物品交互数据，无需用户或物品的属性信息。（）四、计算题（每题8分，共5题，40分。需写出计算步骤，仅写答案不得分）1.某二分类模型的预测结果如下（真实标签/预测标签）：正类样本：TP=80，FN=20负类样本：TN=150，FP=50计算该模型的准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（保留3位小数）。2.已知一组数据的线性回归模型为y=2.5x+1.2，且x的均值为10，y的均值为26.2。若新增一个样本点（x=15，y=40），计算新模型的残差（Residual）。3.某电商平台想验证“首页改版”是否能提升用户点击转化率。实验组（改版后）的转化率为12%（样本量n1=2000），对照组（改版前）的转化率为10%（样本量n2=2000）。假设显著性水平α=0.05，Z检验临界值为1.96，计算Z统计量并判断是否拒绝原假设（原假设：两组转化率无差异）。4.某数据集的特征A有3个取值：A1、A2、A3，对应的类别标签（正类/负类）分布如下：A1：正类20，负类30A2：正类40，负类10A3：正类10，负类20计算特征A的信息增益（InformationGain），假设原始数据集的熵（Entropy）为0.971。5.某时间序列的最近3期实际值为：t-2期=100，t-1期=120，t期=130。使用二次指数平滑法（Holt模型）预测t+1期的值，已知α=0.5（平滑系数），β=0.3（趋势平滑系数），初始水平值S₀=90，初始趋势值T₀=10。五、综合分析题（每题20分，共2题，40分）1.某在线教育平台计划构建“用户流失预测模型”，目标是提前30天识别出可能流失的用户（流失定义为连续30天无登录行为）。请结合业务场景，回答以下问题：（1）需要收集哪些关键数据字段？请列举5个以上并说明其业务意义。（2）数据预处理阶段需要注意哪些问题？（至少3点）（3）若模型训练后发现测试集的F1分数仅为0.65（行业平均0.75），可能的原因有哪些？（至少4点）（4）模型部署后，如何监控其长期效果？（至少3点）2.某银行拟开发“信用卡欺诈检测模型”，欺诈交易占比仅0.1%（极端不平衡）。请设计解决方案，要求包含以下内容：（1）数据层面的处理方法（至少3种）。（2）模型选择与优化策略（至少2种模型，说明选择理由）。（3）评估指标的选择（至少2个，说明原因）。（4）业务落地时的风险控制建议（至少3点）。答案及解析一、单项选择题1.B（右偏态时，均值受长尾影响最大，众数最小，顺序为众数＜中位数＜均值）2.D（缺失与“购买频次”相关，属于有偏缺失，需用预测模型填充以保留信息）3.C（朴素贝叶斯通过学习联合概率分布p(x,y)生成样本，属于生成式模型）4.C（召回率=TP/(TP+FN)，即正类中被正确识别的比例）5.B（存在季节性和线性趋势时，乘法模型更适合描述趋势与季节的交互作用）6.B（将时间戳转换为时间差属于构造新特征，提升模型对时间模式的捕捉能力）7.B（训练集表现好、测试集差，典型过拟合特征）8.D（正则化通过增加惩罚项限制模型复杂度，与训练速度无直接关联）9.A（提高阈值会减少假阳性，精确率可能上升，但会遗漏更多正类样本，召回率下降）10.B（效应量小于预期时，检验效能不足，易犯第二类错误）11.D（欠采样、过采样、SMOTE均是处理类别不平衡的常用方法）12.B（信息增益倾向于选择取值多的特征，如“用户ID”可能被误选）13.C（召回率反映推荐系统覆盖真实相关物品的能力）14.A（K过大时，类内样本更少，相似度降低；类间差异被细分，相似度升高）15.A（时序差分学习通过估计值函数的差值更新，无需完整轨迹）16.D（SVD适用于高维稀疏数据降维，如文本处理中的LSA）17.B（RNN及其变体（如LSTM）擅长处理序列型数据）18.A（联邦学习支持多参与方在不共享数据的前提下联合训练模型）19.C（特征标准化属于特征工程，非数据清洗的核心步骤）20.B（假阴性成本更高，需优先降低漏判率）二、多项选择题1.ACD（监督学习需要标签，用户分群是无监督）2.AC（散点图直接展示两个变量的关系，热力图可展示相关系数矩阵）3.ABC（标准化处理不改变共线性，仅影响系数大小）4.ABD（权重参数是模型训练中学习的参数，非超参数）5.ABD（R²分数适用于回归任务，但时间序列预测更关注绝对误差）6.ABC（特征重要性仅反映影响程度，不区分方向）7.ABCD（四种方法均能缓解不平衡问题）8.ABC（SVM是监督学习算法）9.ABCD（模型部署需考虑性能、解释性、实时性和版本管理）10.AB（样本量需根据效应量计算，p值＜0.05仅说明统计显著，需结合业务意义）三、判断题1.√（皮尔逊系数衡量线性相关，非线性关系需用斯皮尔曼等方法）2.√（交叉验证通过划分训练集和验证集评估泛化能力）3.×（标准化和归一化均不改变数据分布形态，仅调整尺度）4.×（随机森林每棵树使用随机特征子集，而非相同子集）5.√（学习率过大易震荡，过小收敛慢）6.√（混淆矩阵对角线为正确分类，非对角线为错误分类）7.√（ADF检验用于判断时间序列是否存在单位根（非平稳））8.√（激活函数引入非线性，否则多层网络等价于单层）9.×（特征选择是保留原特征，特征提取是生成新特征（如PCA））10.√（协同过滤依赖用户-物品交互矩阵，无需属性信息）四、计算题1.-准确率=(TP+TN)/(TP+TN+FP+FN)=(80+150)/(80+150+50+20)=230/300≈0.767-精确率=TP/(TP+FP)=80/(80+50)=80/130≈0.615-召回率=TP/(TP+FN)=80/(80+20)=80/100=0.800-F1=2×(精确率×召回率)/(精确率+召回率)=2×(0.615×0.8)/(0.615+0.8)≈0.6902.原模型预测值：当x=15时，y_pred=2.5×15+1.2=38.7残差=实际值-预测值=40-38.7=1.33.-合并转化率p=(n1p1+n2p2)/(n1+n2)=(2000×0.12+2000×0.10)/4000=0.11-Z=(p1-p2)/√[p(1-p)(1/n1+1/n2)]=(0.12-0.10)/√[0.11×0.89×(1/2000+1/2000)]≈0.02/√(0.0000979)≈0.02/0.00989≈2.02-Z=2.02＞1.96，拒绝原假设，认为改版后转化率显著提升。4.-各取值的样本数：A1=50，A2=50，A3=30，总样本数=130-A1的熵：-(20/50)log₂(20/50)-(30/50)log₂(30/50)≈0.971-A2的熵：-(40/50)log₂(40/50)-(10/50)log₂(10/50)≈0.722-A3的熵：-(10/30)log₂(10/30)-(20/30)log₂(20/30)≈0.918-条件熵=(50/130)×0.971+(50/130)×0.722+(30/130)×0.918≈0.853-信息增益=原始熵-条件熵=0.971-0.853=0.1185.-t期水平值S_t=α×y_t+(1-α)(S_{t-1}+T_{t-1})=0.5×130+0.5×(S_{t-1}+T_{t-1})需先计算t-1期：S_{t-1}=0.5×120+0.5×(S_{t-2}+T_{t-2})=0.5×120+0.5×(90+10)=60+50=110T_{t-1}=β×(S_{t-1}-S_{t-2})+(1-β)T_{t-2}=0.3×(110-90)+0.7×10=6+7=13同理，t期：S_t=0.5×130+0.5×(110+13)=65+61.5=126.5T_t=0.3×(126.5-110)+0.7×13=4.95+9.1=14.05t+1期预测值=S_t+T_t=126.5+14.05=140.55五、综合分析题1.（1）关键数据字段：-最近30天登录次数（反映用户活跃程度）-课程完成率（学习深度，低完成率可能流失）-付费金额（付费用户流失成本高）-客服咨询次数（高频咨询可能因体验差流失）-注册时长（新用户流失风险高于老用户）-推荐课程点击量（兴趣下降可能流失）（2）数据预处理注意事项：-处理时间窗口：确保特征与标签的时间对齐（如标签为“未来30天流失”，特征需基于前N天数据）；-缺失值处理：用户行为数据可能存在缺失（如未点击任何课程），需区分“未行为”与“缺失”，用0填充而非删除；-异常值识别：如“最近30天登录次数”为100次（远超正常范围），需结合业务判断是否为机器人账号；-时序特征构造：如“登录间隔天数的方差”（稳定性下降可能流失）。（3）F1分数低的可能原因：-特征质量不足：关键流失驱动因素未被捕捉（如“教师更换”“课程更新频率”未纳入特征）；-类别不平衡：流失用户占比低（如仅5%），模型倾向于预测“不流失”；-模型复杂度不足：使用逻辑回归等简单模型，无法捕捉非线性关系（如“登录次数”与“流失”的阈值效应）；-数据泄露：特征中包含标签时间后的信息（如“流失后登录”被错误计入特征）；-样本偏差：训练集与测试集的用户分布差异（如测试集包含更多新用户）。（4）模型长期监控方法：-性能监控：定期计算线上数据的F1、召回率等指标，对比离