数据仓库与数据挖掘技术考试试题及答案

数据仓库与数据挖掘技术考试试题及答案一、单项选择题（每题2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.在数据仓库的多维模型中，用于描述“销售额”这一度量最适合的类别是（）。A.维度属性 B.事实表度量 C.层次属性 D.退化维度答案：B2.下列关于星型模式与雪花模式差异的描述，正确的是（）。A.星型模式一定比雪花模式占用更多存储空间 B.雪花模式通过规范化减少冗余，查询性能更高 C.星型模式维度表完全非规范化，查询响应更快 D.雪花模式不允许存在共享维度答案：C3.在Apriori算法中，若频繁2项集{L2}包含{牛奶,面包}，则下列哪一项一定成立（）。A.{牛奶}∈L1 B.{面包}∉L1 C.支持度(牛奶∪面包)≥最小置信度 D.提升度(牛奶→面包)>1答案：A4.数据仓库ETL过程中，对缓慢变化维度Type2的处理策略是（）。A.直接覆盖旧值 B.增加新列保存当前值 C.新增一行并标记时间戳 D.忽略变化答案：C5.在决策树C4.5算法中，用于选择划分属性的指标是（）。A.Gini系数 B.信息增益率 C.卡方统计量 D.均方误差答案：B6.若某事务数据库共1000条事务，项集{啤酒,尿布}出现200次，则其支持度为（）。A.0.02 B.0.1 C.0.2 D.20答案：C7.在Kmeans聚类中，若初始簇中心选择不当，最可能导致的后果是（）。A.收敛速度加快 B.聚类簇数自动减少 C.陷入局部最优 D.目标函数单调递减到全局最优答案：C8.数据仓库中“切片”操作是指（）。A.删除某维度列 B.固定某维度的一个取值，降低多维立方体维度 C.增加新度量 D.将事实表水平分片答案：B9.在关联规则评价中，若规则X→Y的置信度等于P(Y)，则说明（）。A.规则具有强提升度 B.X与Y正相关 C.X与Y相互独立 D.规则支持度为0答案：C10.下列关于Bagging与Boosting的描述，错误的是（）。A.Bagging可降低方差 B.Boosting可降低偏差 C.Bagging各基学习器可并行训练 D.AdaBoost对误分类样本降低权重答案：D二、多项选择题（每题3分，共15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）11.以下属于数据仓库基本特征的有（）。A.面向主题 B.集成性 C.实时性 D.非易失性 E.时变性答案：A,B,D,E12.在数据挖掘预处理阶段，处理缺失值可采用的方法包括（）。A.均值填充 B.回归插补 C.热卡插补 D.直接删除样本 E.增加缺失指示变量答案：A,B,C,D,E13.以下算法中，属于监督学习的包括（）。A.NaïveBayes B.DBSCAN C.随机森林 D.Apriori E.SVM答案：A,C,E14.关于OLAP与OLTP的差异，正确的有（）。A.OLAP事务通常短而频繁 B.OLTP主要面向操作职员 C.OLAP查询复杂度高于OLTP D.OLTP数据更新频率高于OLAP E.OLAP通常采用星型或雪花模式答案：B,C,D,E15.在评估分类模型时，以下指标同时考虑精确率与召回率的有（）。A.Accuracy B.F1score C.Gmean D.AUC E.Matthews相关系数答案：B,C,E三、填空题（每空2分，共20分）16.在数据仓库分层架构中，用于保存经过清洗、转换后细节数据的一层称为________层。答案：集成（或ODS，答“明细”亦可）17.若某频繁3项集{牛奶,面包,黄油}的支持度计数为50，事务总数为500，则其支持度为________。答案：0.118.在ID3算法中，节点划分停止的条件之一是________小于某一阈值。答案：信息增益19.数据立方体的物化策略中，仅对常用立方体进行存储的策略称为________物化。答案：部分20.在Kmeans中，常用的簇内误差平方和公式记为________，其中x_i表示样本，μ_k表示簇中心。答案：SSE=∑_{k=1}^K∑_{x_i∈C_k}||x_iμ_k||²21.若某决策树叶节点包含10个样本，其中正类7个，负类3个，则该节点的Gini系数为________。答案：1(0.7²+0.3²)=0.4222.在Apriori算法中，连接步产生的候选项集需通过________步删除非频繁项集。答案：剪枝23.当数据仓库事实表中的度量具有可加性、半可加性和________三种类型时，rollup操作可能受限。答案：非可加性24.在朴素贝叶斯分类中，假设各特征________给定类别条件下相互独立。答案：条件独立25.若提升度(X→Y)=0.8，则说明X的出现对Y的出现具有________作用。答案：抑制（或负相关）四、简答题（共25分）26.（封闭型，6分）简述数据仓库ETL过程中“数据清洗”阶段常见的四项任务，并给出每项任务的一个具体示例。答案：1)缺失值处理：如订单表中客户邮编字段空值，用众数“100000”填充。2)噪声数据去除：如年龄字段出现“5岁”，视为异常并剔除该记录。3)不一致数据纠正：如性别字段含“M”“Male”“1”，统一映射为“M”。4)重复记录合并：如客户表中对同一身份证号出现两行，合并为一条并累加消费总额。27.（开放型，6分）请解释“维度建模”相比“实体关系建模”在数据仓库环境中的三点优势，并结合零售场景举例说明。答案：1)查询性能高：星型模式非规范化减少表连接，零售场景下查询“2023年各门店月度销售额”仅需一次事实表与日期维度表连接，响应时间从ER模型的3秒降至0.3秒。2)业务用户可理解：维度表包含业务术语（如“商品类别”“促销类型”），门店经理可直接拖拽生成报表，无需理解第三范式。3)扩展灵活：新增“会员等级”维度时，仅需增加维度表并在事实表添加外键，不影响历史数据；ER模型需调整多表结构，风险高。28.（封闭型，6分）写出支持度、置信度、提升度的数学定义，并说明三者取值范围及判断规则。答案：支持度：sup(X→Y)=P(X∪Y)∈[0,1]，大于最小支持度阈值则规则有效。置信度：conf(X→Y)=P(Y|X)=sup(X∪Y)/sup(X)∈[0,1]，大于最小置信度阈值则规则可靠。提升度：lift(X→Y)=conf(X→Y)/P(Y)∈[0,+∞)，>1正相关，=1独立，<1负相关。29.（开放型，7分）某电商公司发现推荐系统离线评估AUC=0.95，但上线后CTR下降。请给出四种可能原因并提出对应改进措施。答案：1)数据泄露：训练集包含未来信息，导致过拟合。措施：按时间切分训练/测试集，采用滚动窗口。2)样本偏差：离线样本仅含活跃用户，上线后面对全量用户分布漂移。措施：线上实时收集无偏样本，采用重要性加权。3)特征失效：线上特征延迟或缺失，如实时点击率未更新。措施：增加特征监控，设置降级默认值。4)展示位置变化：上线后推荐位从首屏降至第二屏。措施：AB实验保持展示位一致，引入位置特征建模。五、应用题（共40分）30.（计算类，10分）给定事务数据库：T1:{A,B,C} T2:{A,C,D} T3:{B,C,D} T4:{A,B,D} T5:{A,B,C,D}最小支持度计数为2。(1)采用Apriori算法列出所有频繁1项集、2项集、3项集；(2)由频繁3项集生成强关联规则（最小置信度60%），写出置信度。答案：(1)L1:{A}:4,{B}:4,{C}:4,{D}:4L2:{A,B}:3,{A,C}:3,{A,D}:3,{B,C}:3,{B,D}:3,{C,D}:3L3:{A,B,C}:2,{A,B,D}:2,{A,C,D}:2,{B,C,D}:2(2){A,B}→{C}:conf=2/3≈66.7%{A,C}→{B}:conf=2/3≈66.7%{B,C}→{A}:conf=2/3≈66.7%{A,B}→{D}:conf=2/3≈66.7%其余规则置信度=2/2=100%或2/3≈66.7%，均≥60%，共16条，示例略。31.（分析类，10分）某超市星型模式事实表Sales（DateKey,StoreKey,ProductKey,PromotionKey,Quantity,SalesAmount）记录日级销售。现需回答：“2023年3月，华东地区门店在‘买二赠一’促销下，各商品类别的总销售额与总数量。”请写出满足该需求的SQL语句，并说明若采用MOLAP预聚合，应如何设计聚合表（给出表结构并指出分区字段）。答案：SQL:SELECTp.Category,SUM(s.SalesAmount)ASTotalSales,SUM(s.Quantity)ASTotalQtyFROMSalessJOINDatedONs.DateKey=d.DateKeyJOINStorestONs.StoreKey=st.StoreKeyJOINProductpONs.ProductKey=p.ProductKeyJOINPromotionprONs.PromotionKey=pr.PromotionKeyWHEREd.YearMonth=202303ANDst.Region='华东'ANDpr.PromoDesc='买二赠一'GROUPBYp.Category;聚合表设计：CREATETABLEAggSales_RegionMonthPromo( RegionVARCHAR(20), YearMonthINT, PromoDescVARCHAR(50), CategoryVARCHAR(50), TotalSalesDECIMAL(18,2), TotalQtyINT, PRIMARYKEY(Region,YearMonth,PromoDesc,Category))PARTITIONBYRANGE(YearMonth)( PARTITIONp202303VALUESLESSTHAN(202304), ...);32.（综合类，20分）某银行拥有客户基本信息表Cust、交易流水表Trans、违约标签表Default。需建立预测客户12个月内违约概率的模型。(1)给出特征构造的详细方案，至少包含五类特征并写出SQL或伪代码；(2)说明采样策略，解决正负样本比例1:99的问题；(3)选择两种算法并给出超参数设置理由；(4)给出模型评估方案，包括离线指标、线上监控、风险约束。答案：(1)特征构造：a)近期交易活跃度：SELECTCustID,COUNT()AStrans_cnt_90dFROMTransWHERETransDateBETWEENDATE_SUB(CURDATE(),INTERVAL90DAY)ANDCURDATE()GROUPBYCustID;b)夜间交易比例：SELECTCustID,SUM(CASEWHENHOUR(TransTime)BETWEEN0AND5THEN1ELSE0END)/COUNT()ASnight_ratioFROMTransGROUPBYCustID;c)信用卡额度使用率：SELECTc.CustID,MAX(Balance)/MAX(CreditLimit)ASutil_rateFROMCustcJOINTranstONc.CustID=t.CustIDWHEREt.TransType='信用卡'GROUPBYc.CustID;d)历史违约次数：SELECTCustID,COUNT()ASdefault_histFROMDefaultGROUPBYCustID;e)稳定性指数：计算近6个月每月消费金额的变异系数CV。(2)采样：采用SMOTE+ENN混合采样，先SMOTE生成少数类至1:10，再ENN清洗噪声，保持验证集原始分布。(3)算法：a)XGBoost：max_depth=5,