2026年大学大二（数据挖掘）关联规则挖掘阶段测试题及答案

2025年大学大二（数据挖掘）关联规则挖掘阶段测试题及答案

（考试时间：90分钟满分100分）班级______姓名______一、单项选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填写在括号内）1.以下关于支持度的说法，正确的是（）A.支持度越高，规则越有价值B.支持度是指项集在数据集中出现的频率C.支持度反映了规则的可信度D.支持度与规则的实用性无关2.关联规则挖掘中，频繁项集是指（）A.支持度大于等于最小支持度的项集B.置信度大于等于最小置信度的项集C.支持度和置信度都大于等于阈值的项集D.出现次数最多的项集3.Apriori算法的核心步骤是（）A.生成候选集B.计算支持度C.剪枝D.以上都是4.以下哪种数据结构适合存储频繁项集（）A.链表B.数组C.哈希表D.树5.关联规则X→Y的置信度计算公式为（）A.support(X∪Y)/support(X)B.support(X∪Y)/support(Y)C.support(X∩Y)/support(X)D.support(X∩Y)/support(Y)6.在关联规则挖掘中，提升度的作用是（）A.衡量规则的支持度B.衡量规则的置信度C.衡量规则是否比随机出现更有意义D.衡量规则的实用性7.以下关于闭频繁项集的说法，错误的是（）A.闭频繁项集的超集一定不是频繁项集B.闭频繁项集的子集一定是频繁项集C.闭频繁项集可以减少频繁项集的数量D.闭频繁项集与频繁项集的数量相同8.关联规则挖掘算法中，剪枝策略的目的是（）A.减少候选集的数量B.提高算法的效率C.避免生成无效的频繁项集D.以上都是9.对于频繁项集L={A,B,C}，以下哪个是它的非空真子集（）A.{A,B,C}B.{}C.{A,B}D.{A,B,C,D}10.以下哪种情况会导致关联规则挖掘结果出现偏差（）A.数据噪声B.数据分布不均匀C.最小支持度设置过高或过低D.以上都是二、多项选择题（总共5题，每题5分，每题有两个或两个以上正确答案，请将正确答案填写在括号内）1.关联规则挖掘的应用场景包括（）A.市场购物篮分析B.推荐系统C.网络入侵检测D.生物信息学2.以下属于关联规则挖掘算法的有（）A.Apriori算法B.FP-growth算法C.CBA算法D.K-means算法3.在计算关联规则的支持度时，需要考虑的因素有（）A.项集在数据集中出现的次数B.数据集的大小C.项集的长度D.数据的分布4.提升度大于1表示（）A.规则X→Y比随机出现更有意义B.项集X和Y之间存在正相关关系C.项集X和Y之间存在负相关关系D.规则X→Y的可信度较高5.频繁项集的性质包括（）A.频繁项集的所有子集都是频繁项集B.频繁项集的超集可能是频繁项集，也可能不是C.非频繁项集的超集一定是非频繁项集D.频繁项集的数量随着最小支持度的降低而增加三、判断题（总共10题，每题2分，请判断对错，在括号内打“√”或“×”）1.关联规则挖掘只能处理离散型数据。（）2.支持度和置信度是衡量关联规则价值的唯一指标。（）3.Apriori算法在生成候选集时，会产生大量的冗余计算。（）4.频繁项集的长度越长，其支持度一定越低。（）5.提升度为1时，说明项集X和Y之间没有关联。（）6.闭频繁项集一定是最大频繁项集。（）7.关联规则挖掘算法的性能只取决于数据集的大小。（）8.在关联规则挖掘中，最小支持度和最小置信度的设置对结果没有影响。（）9.频繁项集的数量与数据集的密度有关。（）10.关联规则挖掘可以发现数据中的因果关系。（）四、简答题（总共3题，每题10分，请简要回答问题）1.请简述Apriori算法的基本原理和步骤。2.解释支持度、置信度和提升度的含义，并说明它们在关联规则挖掘中的作用。3.假设在一个超市购物篮数据集中，有以下项集及其支持度：{牛奶}支持度为0.6，{面包}支持度为0.5，{牛奶,面包}支持度为0.4。请计算关联规则“牛奶→面包”的置信度和提升度，并分析该规则的意义。五、综合应用题（总共1题，20分）材料：某电商平台收集了大量用户的购物记录，包括购买的商品种类、购买时间等信息。现在需要对这些数据进行关联规则挖掘，以发现用户购买行为之间的关联关系，从而为平台的推荐系统提供支持。问题：请设计一个基于Apriori算法的关联规则挖掘方案，包括数据预处理、最小支持度和最小置信度的设置、候选集生成、剪枝以及最终关联规则的输出等步骤，并说明如何根据挖掘结果优化推荐系统。答案：一、1.B2.A3.D4.C5.C6.C7.D8.D9.C10.D二、1.ABCD2.ABC3.AB4.AB5.ABCD三、1.×2.×3.√4.×5.√6.×7.×8.×9.√10.×四、1.Apriori算法基本原理是基于频繁项集性质的先验知识进行逐层搜索，生成候选集并剪枝得到频繁项集，进而产生关联规则。步骤：首先扫描数据集计算单项集支持度，找出频繁1项集；然后利用频繁k项集生成候选k+1项集，再次扫描数据集计算支持度，剪枝得到频繁k+1项集，重复此过程直到不能生成新的频繁项集，最后根据频繁项集生成关联规则。2.支持度是指项集在数据集中出现的频率，反映项集的普遍程度。置信度是指在包含X的事务中同时包含Y的比例，衡量规则的可靠性。提升度是衡量规则是否比随机出现更有意义。支持度用于筛选频繁项集，置信度评估规则可信度，提升度判断规则价值。3.置信度=support(X∩Y)/support(X)=(0.4)/(0.6)=2/3。提升度=confidence(X→Y)/support(Y)=(2/3)/(0.5)=4/3。该规则置信度较高说明购买牛奶的顾客有较大概率购买面包，提升度大于1表明该规则比随机购买更有意义，可用于超市商品摆放和推荐策略制定。五、数据预处理：