数据挖掘技术考试题目及答案

数据挖掘技术考试题目及答案一、单项选择题（每题1分，共20分。每题只有一个正确答案，请将正确选项的字母填在括号内）1.在Apriori算法中，若频繁k项集为∅，则下一步应（）。A.继续生成k+1项集B.停止生成所有更长候选项集C.降低最小支持度阈值D.重新扫描事务数据库答案：B2.下列关于信息增益率的描述，正确的是（）。A.信息增益率总是大于信息增益B.信息增益率对可取值数目多的属性有惩罚作用C.信息增益率无法处理连续属性D.信息增益率等于信息增益除以属性的熵答案：B3.在Kmeans聚类中，若初始质心选择不当，最可能导致的后果是（）。A.聚类数目自动增加B.收敛速度加快C.陷入局部最优D.目标函数单调递减到全局最优答案：C4.下列算法中，属于“基于密度”的聚类算法是（）。A.BIRCHB.DBSCANC.KmedoidsD.CURE答案：B5.在朴素贝叶斯分类器中，“朴素”一词主要指（）。A.假设先验概率服从均匀分布B.假设各属性在给定类别下条件独立C.假设后验概率等于似然度D.假设属性服从高斯分布答案：B6.若某事务数据库共含1000个事务，项集{A,B}出现300次，则支持度为（）。A.0.3%B.3%C.30%D.无法确定答案：C7.在ID3算法中，选择划分属性时使用的度量是（）。A.基尼指数B.信息增益C.信息增益率D.卡方统计量答案：B8.下列关于随机森林的说法，错误的是（）。A.可处理高维数据B.可评估特征重要性C.每棵树均使用全部训练样本D.对缺失值不敏感答案：C9.在协同过滤推荐中，“冷启动问题”通常不包括（）。A.新用户B.新项目C.新算法D.新系统答案：C10.若某分类模型在测试集上的混淆矩阵如下，则其召回率为（）。  预测  正 负实 正 80 20际 负 10 90A.0.8B.0.89C.0.9D.0.88答案：A11.在PageRank公式R=αMR+(1α)v中，向量v的作用是（）。A.保证稀疏性B.引入随机跳转，防止悬挂节点C.加速迭代收敛D.存储网页内容答案：B12.下列关于PCA的描述，正确的是（）。A.主成分方向是协方差矩阵特征值最小对应的特征向量B.必须对原始变量做标准化后方可使用C.可完全消除信息冗余D.新坐标系下变量线性无关答案：D13.若使用MinMax归一化将值x映射到[0,1]，则公式为（）。A.(xmin)/(maxmin)B.(xmean)/stdC.x/log(max)D.(xmin)/std答案：A14.在AdaBoost中，被错分样本的权重更新规则是（）。A.乘以exp(αt)，其中αt>0B.乘以exp(αt)，其中αt>0C.不变D.直接置零答案：A15.下列关于FPgrowth的说法，正确的是（）。A.需多次扫描数据库B.采用分治策略构建条件FP树C.不支持长模式挖掘D.必须先生成候选项集答案：B16.在社交网络分析中，介数中心性衡量的是（）。A.节点度数B.节点与所有其他节点的平均距离C.节点作为“桥梁”的频率D.节点所在强连通分量大小答案：C17.若某决策树节点纯度已无法进一步提升，则应（）。A.继续划分直到叶子节点样本数为1B.停止划分并将该节点标记为叶子C.降低信息增益阈值D.采用随机森林替代答案：B18.在k折交叉验证中，k值越大，则（）。A.偏差减小，方差增大B.偏差增大，方差减小C.偏差与方差均增大D.偏差与方差均不变答案：A19.下列关于L1正则化的描述，正确的是（）。A.可产生稀疏解B.等价于岭回归C.不可用于逻辑回归D.对异常值不敏感答案：A20.在HadoopMapReduce框架中，Shuffle阶段的核心任务是（）。A.将Map输出按key分区并排序后传给ReduceB.压缩中间结果C.启动备份任务D.合并小文件答案：A二、多项选择题（每题2分，共20分。每题有两个或两个以上正确答案，多选、少选、错选均不得分）21.下列属于无监督学习任务的有（）。A.聚类B.关联规则挖掘C.异常检测D.回归预测答案：ABC22.关于KNN分类器，下列说法正确的有（）。A.属于懒惰学习B.对特征尺度敏感C.必须设置距离权重D.可支持多分类答案：ABD23.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.增加树深度D.使用集成方法答案：ABD24.下列属于频繁模式评估指标的有（）。A.支持度B.置信度C.提升度D.基尼指数答案：ABC25.在文本挖掘中，TFIDF的主要作用包括（）。A.抑制常见词权重B.突出文档关键词C.保证向量单位长度D.降低高维稀疏性影响答案：ABD26.下列关于梯度提升树(GBDT)的描述，正确的有（）。A.采用加法模型B.每棵树拟合前一轮残差C.可处理非线性关系D.无法与随机森林结合答案：ABC27.以下属于图数据挖掘典型任务的有（）。A.社区发现B.链接预测C.图分类D.频繁子图挖掘答案：ABCD28.在数据预处理阶段，处理缺失值可采用的方法有（）。A.均值填充B.回归填充C.热卡填充D.直接删除含缺失记录答案：ABCD29.下列关于SparkMLlib的说法，正确的有（）。A.提供分布式机器学习算法B.底层基于RDD抽象C.只支持批处理D.可与SparkSQL无缝集成答案：ABD30.以下属于时间序列异常检测方法的有（）。A.统计控制图B.孤立森林C.LSTM自编码器D.DBSCAN答案：ABC三、填空题（每空1分，共20分）31.在关联规则{A}→{B}中，置信度计算公式为________。答案：support(A∪B)/support(A)32.若某样本经zscore标准化后的值为2.5，则该值位于均值上方________倍标准差处。答案：2.533.在Kmeans中，常用的距离度量是________距离。答案：欧氏34.若某决策树使用基尼指数作为划分标准，则其目标是最小化________。答案：节点不纯度35.在SVM中，引入松弛变量ξ的主要目的是允许________。答案：软间隔/误分类36.在PageRank迭代公式中，阻尼系数α通常取值为________左右。答案：0.8537.若某聚类算法的Silhouette系数平均值为0.8，表明聚类效果________。答案：良好38.在AdaBoost中，最终分类器是基分类器的________加权表决。答案：线性39.在文本特征提取中，ngram中的n=3称为________。答案：三元组/Trigram40.在FPgrowth算法中，第一次扫描数据库后需构建________表。答案：频繁1项集头41.若某属性取值范围[0,127]，用7位二进制编码，则该编码方式称为________编码。答案：二进制/位42.在ROC曲线中，横轴为________率。答案：假正43.在协同过滤中，用户项目评分矩阵通常具有高维________性。答案：稀疏44.在社交网络中，若节点v的出度为0，则称该节点为________节点。答案：悬挂45.在EM算法中，E步计算的是隐变量的________分布。答案：后验/期望46.在Hadoop中，负责资源管理的组件是________。答案：YARN47.在Spark中，DataFrame的底层执行计划称为________计划。答案：逻辑48.在异常检测中，若样本服从高斯分布，则常用________准则判定异常。答案：3σ49.在图像挖掘中，卷积核大小为3×3，步长为2，则特征图尺寸计算公式为________。答案：(N−F)/S+150.在模型评估中，F1score是精确率与召回率的________平均。答案：调和四、简答题（共6题，每题8分，共48分）51.（封闭型）简述Apriori算法的两个核心性质，并说明其在剪枝中的作用。答案：（1）向下闭合性：若项集频繁，则其所有子集必频繁；反之，若某一项集非频繁，则其所有超集必非频繁。（2）反单调性：支持度随项集大小增加而单调不增。作用：利用反单调性，在生成k项集前，先检查其所有k1子集是否频繁，若任一子集非频繁，则立即剪去该k项集，避免无谓扫描数据库，从而大幅减少候选项集规模与计算量。52.（开放型）请给出三种处理高维稀疏文本特征的方法，并比较其优缺点。答案：方法1：TFIDF加权。优点：简单高效，可突出关键词；缺点：未考虑语义，维度仍高。方法2：潜在语义分析(LSA)。优点：降维并挖掘潜在语义；缺点：计算量大，解释性差。方法3：Word2Vec/BERT嵌入后取平均。优点：维度固定，含语义信息；缺点：需预训练模型，对长文档可能丢失全局信息。53.（封闭型）写出DBSCAN算法的两个核心参数及其含义，并说明如何设置。答案：参数1：ε邻域半径，表示判断核心对象时扫描的局部区域大小；参数2：MinPts，表示ε邻域内最少样本数，用于区分核心对象与边界对象。设置方法：对数据集绘制k距离曲线（k=MinPts），取曲线拐点对应的距离作为ε；MinPts通常≥数据维度+1，常用4或5。54.（开放型）说明梯度消失与梯度爆炸在深度神经网络中的表现，并给出两种缓解策略。答案：表现：梯度消失导致底层权重几乎不更新，训练误差下降缓慢；梯度爆炸导致权重更新幅度过大，损失发散。策略1：采用ReLU、LeakyReLU等激活函数，缓解饱和区导数过小问题；策略2：实施梯度裁剪，将梯度范数限制在阈值内；或使用批归一化(BN)稳定分布，减小梯度波动。55.（封闭型）给出精确率、召回率、F1score的定义公式，并说明三者关系。答案：精确率P=TP/(TP+FP)；召回率R=TP/(TP+FN)；F1=2PR/(P+R)。关系：精确率与召回率常呈负相关，F1score综合两者，取调和平均，使单一指标兼顾Precision与Recall。56.（开放型）描述MapReduce实现WordCount的完整流程，包括Map、Shuffle、Reduce三阶段的数据形式。答案：Map阶段：输入<行偏移量,行文本>，输出<单词,1>列表；Shuffle阶段：框架自动将相同key的value归并，输出<单词,[1,1,…]>；Reduce阶段：输入<单词,迭代器[1,1,…]>，累加后输出<单词,总频次>。五、应用计算题（共4题，共62分）57.（关联规则计算，15分）给定事务数据库：T1:{A,B,C}T2:{A,B}T3:{B,C,D}T4:{A,C,D}T5:{A,B,C,D}最小支持度阈值=40%，最小置信度阈值=70%。（1）列出所有频繁1项集及其支持度；（4分）（2）列出所有频繁2项集；（4分）（3）找出所有强关联规则并给出置信度。（7分）答案：（1）{A}:3/5=60%{B}:4/5=80%{C}:4/5=80%{D}:3/5=60%均≥40%，故频繁1项集：{A},{B},{C},{D}（2）{A,B}:3/5=60%{A,C}:3/5=60%{A,D}:2/5=40%{B,C}:3/5=60%{B,D}:2/5=40%{C,D}:3/5=60%均≥40%，故频繁2项集：{A,B},{A,C},{A,D},{B,C},{B,D},{C,D}（3）规则及置信度：A→B:3/3=100%≥70%强B→A:3/4=75%≥70%强A→C:3/3=100%强C→A:3/4=75%强B→C:3/4=75%强C→B:3/4=75%强C→D:3/4=75%强D→C:3/3=100%强其余规则如A→D=2/3<70%，不输出。58.（聚类分析，15分）对一维数据{2,4,10,12,15}，使用Kmeans，K=2，初始质心选2与10，采用欧氏距离，请给出：（1）第一次迭代后的簇划分；（5分）（2）第二次迭代后的质心位置；（5分）（3）算法是否收敛？说明理由。（5分）答案：（1）距离计算：2→2:0,2→10:84→2:2,4→10:610→2:8,10→10:012→2:10,12→10:215→2:13,15→10:5簇C1={2,4},C2={10,12,15}（2）新质心：C1:(2+4)/2=3C2:(10+12+15)/3=37/3≈12.33重新划分：2→3:1,2→12.33:10.33→C14→3:1,4→12.33:8.33→C110→3:7,10→12.33:2.33→C212→3:9,12→12.33:0.33→C215→3:12,15→12.33:2.67→C2簇不变，质心仍为3与12.33（3）收敛，因为簇成员不再变化，质心稳定。59.（朴素贝叶斯计算，16分）训练集如下：样本 天气 温度 游玩1 晴 热 否2 晴 热 否3 多云 热 是4 雨 温和 是5 雨 冷 是使用拉普拉斯平滑，预测新样本（天气=晴，温度=冷）的游玩类别，给出详细概率计算。答案：先验：P(是)=3/5，P(否)=2/5条件概率（平滑）：天气=晴：P(晴|否)=(2+1)/(2+2)=3/4P(晴|是)=(0+1)/(3+2)=1/5温度=冷：P(冷|否)=(0+1)/(2+2)=1/4P(冷|是)=(1+1)/(3+2)=2/5联合似然：P(晴,冷|否)=3/4×1/4=3/16P(晴,冷|是)=1/5×2/5=2/25后验：P(否|特