数据挖掘模型逻辑测试题及答案

数据挖掘模型逻辑测试题及答案单选题（每题1分，共20分）1.在决策树算法中，使用信息增益选择划分属性时，若某属性有m个不同取值，其信息增益计算公式中“划分后熵”的计算需将数据集按该属性值分成m个子集，然后对各子集熵求A.算术平均 B.加权平均（权重为子集大小） C.几何平均 D.调和平均答案：B2.下列关于朴素贝叶斯的“条件独立性”假设，描述正确的是A.各特征在给定类别下完全独立 B.各特征在任何情况下都独立 C.各特征与类别独立 D.类别在各特征下独立答案：A3.若Kmeans聚类初始中心点选择不当导致空簇，最合理的补救策略是A.直接删除该簇 B.随机再选一个非中心点作为新中心 C.将距离最远的样本作为新中心 D.将SSE最大的簇分裂答案：B4.Apriori算法中，若频繁3项集L3={{a,b,c},{a,b,d},{a,c,d},{b,c,d}}，则候选4项集C4应为A.{a,b,c,d} B.{a,b,c},{a,b,d} C.空集 D.{a,b,c,d},{a,b,c,e}答案：A5.在AdaBoost第t轮，样本i的权重Dt(i)被放大是因为A.该样本被正确分类 B.该样本被错分 C.该样本是离群点 D.该样本权重已为零答案：B6.若使用线性核的SVM在训练集上准确率100%但测试集仅60%，最可能的问题是A.欠拟合 B.过拟合 C.特征尺度差异 D.核函数不匹配答案：B7.在PCA中，若保留前k个主成分，则重构误差等于A.前k大特征值之和 B.剩余dk个特征值之和 C.最大特征值 D.最小特征值答案：B8.下列评价指标对类别不平衡最不敏感的是A.准确率 B.F1score C.AUCROC D.宏平均召回率答案：C9.若随机森林中某棵树未使用某特征X，说明A.X不重要 B.该树训练样本未抽中X C.该树在节点划分时未随机到X D.X是离散型答案：C10.DBSCAN聚类中，若点p为核心点，则其ε邻域内最少应含A.1个点 B.MinPts个点（含自身） C.MinPts个点（不含自身） D.2个点答案：B11.在梯度提升树GBDT中，第M棵树拟合的目标是A.残差 B.原始标签 C.负梯度 D.伪残差（负梯度）答案：D12.若关联规则置信度conf(A→B)=0.8，则A.P(A∩B)=0.8 B.P(B|A)=0.8 C.P(A|B)=0.8 D.support(A)=0.8答案：B13.使用肘部法确定Kmeans最佳K值时，纵轴通常画A.簇内平均直径 B.SSE（簇内平方和） C.轮廓系数 D.互信息答案：B14.若逻辑回归模型加入L2正则，则A.权重可能稀疏为零 B.权重收缩但极少为零 C.偏差一定减小 D.必须使用梯度下降答案：B15.在文本TFIDF中，若词t在所有文档均出现，则其IDF为A.0 B.1 C.log(N) D.–log(N)答案：A16.若使用高斯混合模型GMM，当协方差矩阵设为对角型且各成分共享时，模型退化为A.Kmeans B.朴素贝叶斯 C.线性判别分析 D.核密度估计答案：A17.在时间序列挖掘中，若滑动窗口宽度w过小，会导致A.模式遗漏 B.计算量降低 C.过拟合子序列 D.平滑过度答案：C18.若SVM使用RBF核，参数γ越大，则A.决策边界越平滑 B.单个高斯分量覆盖越广 C.模型越可能过拟合 D.支持向量越少答案：C19.在交叉验证ttest比较两模型时，若p值<0.05，则A.两模型性能无差异 B.拒绝“性能相同”假设 C.接受零假设 D.需增大K折答案：B20.若使用Word2Vec的Skipgram模型，窗口大小为5，则目标是用中心词预测A.1个上下文词 B.5个上下文词 C.2×5个上下文词 D.整个句子答案：C多选题（每题2分，共20分，少选得1分，错选0分）21.下列属于集成学习“多样性”构建方法的有A.对样本自助采样 B.对特征随机子集 C.对算法类型混合 D.对参数网格搜索 E.对输出值加入随机噪声答案：ABCE22.关于ROC曲线，下列说法正确的有A.曲线越靠近左上角性能越好 B.AUC=0.5等价于随机猜测 C.对类别不平衡敏感 D.可比较不同阈值下模型 E.横轴为召回率答案：ABD23.在KNN中，若K值过大可能导致A.分类边界平滑 B.计算成本上升 C.对噪声鲁棒增强 D.近邻含异类风险下降 E.模型复杂度升高答案：ACD24.下列可用于文本特征降维的有A.卡方检验 B.互信息 C.LDA主题模型 D.哈希技巧 E.PCA答案：ABCE25.若使用梯度下降求解逻辑回归，下列做法能缓解收敛震荡的有A.减小学习率 B.使用动量项 C.特征标准化 D.增加样本 E.使用自适应学习率算法答案：ABCE26.在Apriori中，下列会直接导致候选集被剪枝的有A.某子集非频繁 B.支持度低于阈值 C.置信度低于阈值 D.提升度小于1 E.规则后件为空答案：AB27.关于随机森林的OOB误差，下列正确的有A.无需额外验证集 B.可用来估计泛化误差 C.每棵树使用约63.2%样本 D.OOB可变量重要性 E.OOB一定低于测试误差答案：ABCD28.在深度学习特征提取中，下列属于无监督预训练的有A.自编码器 B.受限玻尔兹曼机 C.对比预测编码 D.有标签的交叉熵 E.Word2Vec的Skipgram答案：ABCE29.下列属于“模型可解释性”全局解释方法的有A.SHAP的summaryplot B.排列重要性 C.LIME局部代理 D.PDP部分依赖图 E.权重线性系数答案：ABDE30.若使用XGBoost，下列参数能控制过拟合的有A.max_depth B.min_child_weight C.subsample D.colsample_bytree E.learning_rate答案：ABCDE填空题（每空2分，共20分）31.若数据集有1000条样本，采用5折交叉验证，每次训练集大小为________条。答案：80032.若某决策树节点纯度用Gini指数度量，则二分类问题中，当节点样本比例分别为0.2与0.8时，Gini=________。答案：0.3233.若关联规则支持度计数为50，数据库总事务数为1000，则支持度为________%。答案：534.在PCA中，若协方差矩阵特征值为[5,2,1,0]，则第3主成分的方差贡献率为________%。答案：12.535.若使用Kmeans++初始化，第一个中心随机选后，下一个中心被选概率与距离平方成________比。答案：正36.若SVM对偶问题中拉格朗日乘子αi=0，则对应样本为________向量。答案：非支持37.若时间序列滞后阶数为p的AR(p)模型，其特征方程根模长均大于1，则过程________平稳。答案：不38.在文本挖掘中，若词袋模型共现矩阵大小为V×V，则V表示________大小。答案：词汇表39.若GBDT学习率为0.1，迭代100次，则总收缩系数为________。答案：0.1×100=10（但有效权重累乘，答10即可）40.若使用肘部法图形出现“肘部”在K=3，则通常选择K=________。答案：3简答题（共30分）41.（封闭型，6分）写出C4.5相对于ID3的两项改进，并给出公式或示例。答案：1.使用信息增益率代替信息增益，克服多值偏向：GainRatio(A)=Gain(A)/SplitInfo(A)，其中SplitInfo(A)=−Σ|Dj|/|D|log(|Dj|/|D|)。2.引入连续值处理：对连续属性A排序后取相邻值中点作划分点T，计算信息增益并选最大增益的T，将A二分为≤T与>T。42.（开放型，6分）某电商发现“尿布→啤酒”规则置信度80%，但营销干预后销量未提升，请给出至少三条可能原因并说明挖掘层面如何改进。答案：1.因果倒置：实际为啤酒→尿布，反向干预无效；需做因果挖掘或控制混杂变量。2.时间错位：规则基于历史共现，干预时季节或促销环境已变；需加入时间衰减或序列规则。3.支持度低：规则虽高置信但覆盖极少交易，提升有限；需设最小支持度阈值。4.竞争促销：同期其他商品折扣更大，挤出效应；需多规则对比提升度。5.顾客分层：规则仅对特定人群成立，全域推送浪费；需关联聚类后分层推荐。43.（封闭型，6分）给定二维数据{(1,1),(2,2),(3,3)}，初始中心μ1=(1,1),μ2=(2,2)，运行一次Kmeans迭代，写出新中心坐标。答案：分配：点1距μ1最近→簇1；点2距μ2最近→簇2；点3距μ2最近→簇2。簇1={(1,1)}，新中心=(1,1)；簇2={(2,2),(3,3)}，新中心=((2+3)/2,(2+3)/2)=(2.5,2.5)。44.（开放型，6分）某高维基因数据n=100，p=20000，欲建分类器，请给出完整降维+建模pipeline并解释每一步目的。答案：1.过滤低方差特征：移除几乎不变探针，减少噪声。2.单变量检验（t检验/F检验）：选Top5000与表型显著相关基因，降低维度并保留信息。3.标准化：均值为0方差1，避免大尺度基因主导。4.PCA或PLS：进一步降至100维，消除共线性，可视化。5.弹性网Logistic回归：L1+L2正则，自动选变量并处理高维小样本。6.嵌套交叉验证：外层评估泛化，内层调参α、λ，避免信息泄漏。7.报告AUC、召回率、稳定性，生物通路富集解释。45.（封闭型，6分）写出SMOTE算法合成新样本的数学步骤，并指出其局限。答案：步骤：1.对少数类样本xi，计算其k（通常k=5）个同类最近邻。2.随机选一邻居xj，生成随机δ∈(0,1)。3.新样本xnew=xi+δ·(xj−xi)。局限：1.易生成噪声，当最近邻含边界或噪声样本时。2.对高维稀疏数据（文本）产生无效合成。3.盲目插值可能破坏局部流形结构。4.未考虑多数类分布，可能增加类重叠。应用计算题（共60分）46.（分析+计算，15分）给定交易数据库：T1:{a,b,d} T2:{a,c,d} T3:{b,c,d,e} T4:{a,b,e} T5:{b,d,e}最小支持度计数=2。(1)用Apriori列出所有频繁项集并给出支持度计数；（8分）(2)列出置信度≥60%的关联规则并计算提升度；（5分）(3)指出哪条规则具有最大提升度。（2分）答案：(1)L1:{a}:3,{b}:4,{c}:2,{d}:4,{e}:3L2:{a,b}:2,{a,d}:2,{b,d}:4,{b,e}:3,{d,e}:2L3:{b,d,e}:2L4:空(2)规则格式X→Y，conf=sup(X∪Y)/sup(X)，lift=conf/sup(Y){b,d}→e:conf=2/4=50%（低于60%，舍）{b,e}→d:conf=2/3≈66.7%，lift=(2/3)/(4/5)=0.833{d,e}→b:conf=2/2=100%，lift=100%/(4/5)=1.25{b}→d:conf=4/4=100%，lift=100%/(4/5)=1.25{a}→b:conf=2/3≈66.7%，lift=(2/3)/(4/5)=0.833…（其余均<60%）(3)最大提升度=1.25，对应规则{b}→d与{d,e}→b。47.（综合，15分）某银行有信用评分数据：违约标签y∈{0,1}，特征x1=年龄(18‐80)，x2=负债比(0‐1)，x3=历史逾期次数(0‐20)。现建立逻辑回归模型，得权重：β0=−4，β1=0.05，β2=3，β3=0.2。(1)写出违约概率P(y=1|x)公式；（3分）(2)对样本A：年龄=30，负债比=0.2，逾期=1，计算其违约概率；（4分）(3)若银行决策阈值0.3，判断A是否违约；（2分）(4)给出x2的边际效应（对概率的偏导）在样本A处的值；（4分）(5)解释x2系数远大于x1是否说明负债比更重要，并给出注意事项。（2分）答案：(1)P=1/(1+exp(−(β0+β1x1+β2x2+β3x3)))(2)z=−4+0.05×30+3×0.2+0.2×1=−4+1.5+0.6+0.2=−1.7P=1/(1+e^1.7)=0.154(3)0.154<0.3，判为不违约。(4)边际效应=∂P/∂x2=P(1−P)β2=0.154×0.846×3≈0.391(5)不能仅看系数大小，因x2与x1量纲不同；需标准化后比较或看边际效应、IV值、单变量AUC。48.（综合，15分）使用随机森林对图像分类，训练集AUC=0.99，验证集AUC=0.75，测试集AUC=0.74。(1)指出现象名称；（2分）(2)给出5条调优策略并说明原理；（10分）(3)若限制模型必须在嵌入式设备运行，给出2条压缩方案。（3分）答案：(1)过拟合。(2)a.减少max_depth或增大min_samples_split：限制树复杂度，降低方差。b.增加min_samples_leaf：减少叶节点对噪声敏感。c.减小n_estimators但早停：避免过度迭代记忆噪声。d.增大特征子集比例max_features：增加树间多样性，降低单树过深。e.外部数据增强或噪声注入：提升泛化，等价正则。(3)a.树剪枝后序列化，用32bit浮点→16bit整数量化权重。b.知识蒸馏：训练浅层小网络模仿随机森林，模型大小从100MB降至5MB。49.（综合，15分）给定时间序列{yt}=3,5,7,9,11,13,15，拟合线性趋势模型yt=α+βt+εt，t=1,…,7。(1)用最小二乘估计α、β；（6分）(2)计算拟合值与残差；（4分）(3)预测t=8的值；（2分）(4)若真实yt呈现二次增长，指出模型风险。（3分）答案：(1)n=7，Σt=28，Σt²=140，Σy=63，Σty=364