数据挖掘测试题及答案2025年

数据挖掘测试题及答案2025年单选题（每题1分，共20分。每题只有一个正确答案，请将正确选项字母填入括号内）1.在Apriori算法中，若频繁k项集Lk的非空子集一定满足（）。A.支持度大于等于最小支持度阈值B.置信度大于等于最小置信度阈值C.提升度大于1D.互信息大于0答案：A2.给定事务数据库，项集{牛奶,面包}的支持度计数为120，总事务数为1000，则其支持度为（）。A.0.12%B.1.2%C.12%D.120%答案：C3.在ID3算法中，选择划分属性使用的指标是（）。A.Gini指数B.信息增益C.增益率D.卡方统计量答案：B4.若某连续属性在C4.5中被离散化为3个区间，则该节点分裂后产生的子节点数为（）。A.1B.2C.3D.4答案：C5.在Kmeans聚类中，若初始簇中心选择不当导致空簇，则通常采用的补救策略是（）。A.随机重启B.选择距离最远的点作为新中心C.选择距离最近的两簇合并D.删除该簇并减少K值答案：B6.下列距离度量对异常值最敏感的是（）。A.曼哈顿距离B.欧氏距离C.切比雪夫距离D.余弦相似度答案：B7.在FPGrowth中，FP树的头表（HeaderTable）主要作用是（）。A.存储事务标识B.快速定位相同项的节点链表C.记录支持度计数D.压缩事务数据库答案：B8.若某分类器在测试集上的混淆矩阵如下，则其宏平均F1为（）。预测真实ABA8020B1090A.0.85B.0.86C.0.87D.0.88答案：B9.在AdaBoost中，若第t轮基分类器错误率为0.3，则该分类器权重αt为（）。A.0.5ln(0.3/0.7)B.0.5ln(0.7/0.3)C.ln(0.7/0.3)D.ln(0.3/0.7)答案：B10.当使用朴素贝叶斯处理连续属性时，若假设其服从高斯分布，则每维属性需估计的参数个数为（）。A.1B.2C.3D.4答案：B11.在DBSCAN中，若MinPts=5，Eps取值过大，最可能出现的后果是（）。A.簇数量增多B.噪声点增多C.所有点合并为一个簇D.运行时间指数增长答案：C12.若某数据集有1000条样本，采用10折交叉验证，则每次训练集与验证集大小分别为（）。A.900,100B.100,900C.1000,100D.100,1000答案：A13.在PageRank公式R=αS+(1α)E中，向量E的作用是（）。A.保证稀疏性B.处理悬挂节点C.引入随机跳转D.加速收敛答案：C14.若某规则前件包含3个项，后件包含2个项，则该关联规则称为（）。A.3项集B.2项集C.3→2规则D.5项集答案：C15.在SMOTE算法中，合成新样本时使用的插值公式为（）。A.x_new=x+rand(0,1)·(xx_neighbor)B.x_new=x+rand(0,1)·(x_neighborx)C.x_new=xrand(0,1)·(x_neighborx)D.x_new=x_neighbor+rand(0,1)·(xx_neighbor)答案：B16.若某决策树节点纯度用Gini指数衡量，则其取值范围为（）。A.[0,0.5]B.[0,1]C.[0,∞)D.[1,1]答案：B17.在随机森林中，为了降低树间相关性，通常对每棵树（）。A.使用全部样本和全部特征B.使用全部样本和随机子集特征C.使用Bootstrap样本和全部特征D.使用Bootstrap样本和随机子集特征答案：D18.若某时间序列采用ARIMA(1,1,1)模型，则其差分次数为（）。A.0B.1C.2D.3答案：B19.在梯度提升树GBDT中，每棵拟合的残差实质上是损失函数对预测值的（）。A.一阶负梯度B.二阶负梯度C.一阶正梯度D.二阶正梯度答案：A20.若某神经网络采用ReLU激活，则其输出小于0的神经元状态为（）。A.线性B.饱和C.死亡D.爆炸答案：C多选题（每题2分，共20分。每题有两个或以上正确答案，多选少选均不得分）21.下列属于无监督学习方法的有（）。A.KmeansB.DBSCANC.AprioriD.FPGrowth答案：A,B,C,D22.关于PCA的描述正确的有（）。A.最大化投影方差B.最小化重构误差C.主成分正交D.必须标准化数据答案：A,B,C23.以下措施可以缓解决策树过拟合的有（）。A.预剪枝B.后剪枝C.限制最大深度D.增加最小样本分裂数答案：A,B,C,D24.在朴素贝叶斯中，若出现零概率问题，可采用（）。A.拉普拉斯平滑B.Lidstone平滑C.删除该项D.降低维度答案：A,B25.下列属于集成学习Bagging思想的有（）。A.随机森林B.ExtraTreesC.AdaBoostD.随机子空间答案：A,B,D26.关于支持向量机SVM的正确说法有（）。A.可最大化间隔B.hinge损失函数C.核技巧处理非线性D.对异常值不敏感答案：A,B,C27.在关联规则挖掘中，提高最小置信度会导致（）。A.规则数量减少B.规则前件减少C.规则后件减少D.强规则比例上升答案：A,D28.下列属于时间序列分解分量的有（）。A.趋势B.季节C.循环D.随机答案：A,B,C,D29.在文本挖掘中，TFIDF公式考虑的因素有（）。A.词频B.逆文档频率C.词序D.文档长度归一化答案：A,B,D30.关于卷积神经网络CNN的正确描述有（）。A.权值共享B.池化降维C.全连接层一定存在D.卷积核可学习答案：A,B,D填空题（每空2分，共20分）31.若事务数据库中项a的支持度计数为200，总事务数为5000，则支持度为____%。答案：432.在Kmeans中，常用的簇内误差平方和SSE公式为∑i=1k∑x∈Ci______。答案：||xμi||²33.若某规则置信度为0.8，提升度为1.6，则该规则后件的支持度为______。答案：0.534.在ROC曲线中，AUC取值范围是______。答案：[0,1]35.若某神经网络采用Softmax回归处理三分类问题，则输出层神经元个数为______。答案：336.在Apriori性质中，若项集频繁，则其所有______一定频繁。答案：子集37.若某时间序列采用指数平滑，平滑系数α=0.2，则最新观测值权重为______。答案：0.238.在Word2Vec中，Skipgram模型目标是根据中心词预测______。答案：上下文词39.若某决策树节点熵为0.8，分裂后两个子节点熵分别为0.5和0.3，权重各0.5，则信息增益为______。答案：0.440.在DBSCAN中，若一个对象其Eps邻域内点数≥MinPts，则该对象称为______。答案：核心对象简答题（共6题，每题8分，共48分）41.（封闭型）简述Apriori算法的主要步骤，并指出其性能瓶颈。答案：步骤：1.扫描数据库生成候选1项集C1，计算支持度得频繁1项集L1；2.由Lk1自连接生成候选k项集Ck，剪枝去掉含非频繁(k1)子集的项；3.扫描数据库计算Ck支持度，得Lk；4.重复直至Lk为空。瓶颈：多次全库扫描与候选集爆炸。42.（开放型）试比较Kmeans与GMM（高斯混合模型）在假设、输出、适用场景三方面的差异。答案：假设：Kmeans假设簇为球形、等权重、硬分配；GMM假设数据由多个高斯分布生成，允许椭球形、不同权重、软分配。输出：Kmeans输出硬标签与质心；GMM输出后验概率、均值、协方差、混合系数。场景：Kmeans适合大规模、球形、清晰分离数据；GMM适合中小规模、椭球、重叠、需概率解释数据。43.（封闭型）写出朴素贝叶斯分类器的决策函数，并解释“朴素”含义。答案：决策函数：y=argmaxyP(y)∏i=1dP(xi|y)。朴素：条件独立假设，即给定类别，各特征相互独立。44.（开放型）随机森林为何能降低方差？请从偏差方差分解角度说明。答案：单棵决策树为高方差低偏差模型；通过Bootstrap采样与随机特征子空间引入扰动，使基树间低相关；平均投票降低方差，而偏差近似不变，故整体误差下降。45.（封闭型）简述梯度提升树GBDT的负梯度拟合步骤。答案：1.初始化f0(x)=argminγ∑iL(yi,γ)；2.对m=1到M：计算负梯度rim=[∂L(yi,F(xi))/∂F(xi)]|F=fm1；3.用回归树拟合{rim}，得叶区域Rjm；4.对每个叶区域求最优步长γjm=argminγ∑xi∈RjmL(yi,fm1(xi)+γ)；5.更新fm(x)=fm1(x)+∑jγjmI(x∈Rjm)。46.（开放型）试述SMOTE过采样可能引入的噪声问题，并提出至少两种改进思路。答案：SMOTE在稀疏区域合成样本可能跨越决策边界，引入噪声。改进：1.BorderlineSMOTE，仅对边界少数类样本合成；2.集成SMOTE与数据清理，如SMOTE+TomekLinks；3.基于密度自适应合成，如ADASYN。应用计算题（共4题，共62分）47.（关联规则计算，15分）给定事务表：T1{A,B,C}；T2{B,C,D}；T3{A,C,D}；T4{A,B,D}；T5{B,C}。最小支持度阈值=40%，最小置信度=60%。(1)列出所有频繁1项集与2项集及其支持度计数；（6分）(2)由频繁2项集生成所有满足最小置信度的强关联规则，并给出置信度。（9分）答案：(1)频繁1项集：A:3,B:4,C:4,D:3；频繁2项集：AB:2,AC:2,AD:2,BC:3,BD:2,CD:2。(2)强规则：B→C，置信度=3/4=75%；C→B，置信度=3/4=75%。其余规则置信度<60%。48.（聚类分析，15分）二维数据集：P1(1,1),P2(1,2),P3(6,1),P4(6,2)。使用Kmeans，K=2，初始中心选P1、P4，欧氏距离。(1)写出第一次迭代后的簇划分与新的中心；（6分）(2)第二次迭代后簇是否变化？给出最终SSE。（9分）答案：(1)第一次：簇1{P1,P2}，中心(1,1.5)；簇2{P3,P4}，中心(6,1.5)。(2)第二次：分配不变，收敛。SSE=0.5²+0.5²+0.5²+0.5²=1。49.（分类器评估，16分）某二分类问题，测试集1000条，混淆矩阵：TP=180,FN=20,FP=80,TN=720。(1)计算精确率、召回率、F1、准确率；（8分）(2)若将分类阈值提高，使得FP减至40，FN增至40，重新计算F1，并分析阈值变化对指标的影响。（8分）答案：(1)精确率=180/(180+80)=0.692；召回率=180/(180+20)=0.9；F1=2×0.692×0.9/(0.692+0.9)=0.782；准确率=(180+720)/1000=0.9。(2)新TP=160,FN=40,FP=40,TN=760；精确率=160/200=0.8；召回率=160/200=0.8；F1=0.8。阈值提高，精确率上升，召回率下降，F1先升后降，需权衡。50.（综合设计，16分）某电商欲预测用户次日是否购买，特征含：用户近30天浏览次数、收藏次数、加购次数、消费金额、性别、年龄、城市等级。数据量5000万，正负样本比例1:50。(1)给出数据预处理与采样方案；（4分）(2)选择两种适合处理高维稀疏特征的模型并说明理由；（4分）(3)给出评估指标与验证策略；（4分）(4)若模型上线后AUC下降0.05，列出至少三条可能原因与对应排查方法。（4分）答案：(1)预处理：缺失值用0填充，性别、城市独热编码，金额对数变换；采样：负样本随机下采样至1:5