2025数据挖掘考试核心题目与答案

2025数据挖掘考试核心题目与答案一、单项选择题（每题1分，共20分）1.在Apriori算法中，若频繁k项集Lk为空，则下一步应A.继续生成Lk+1B.停止生成更大频繁项集C.降低最小支持度阈值D.重新扫描事务数据库答案：B2.下列哪项不是决策树过拟合的典型表现A.训练误差持续下降而测试误差上升B.叶节点数远大于训练样本数C.训练误差与测试误差同步下降D.对训练数据中的噪声节点也生成叶答案：C3.在Kmeans聚类中，若初始中心点重合，则算法迭代后A.必然收敛到全局最优B.簇内平方和一定为0C.有效簇数少于预设KD.簇标签与初始顺序无关答案：C4.给定事务集{牛奶,面包,啤酒}、{牛奶,啤酒}、{面包,尿布}，最小支持度=50%，下列项集是频繁1项集的是A.{尿布}B.{啤酒}C.{面包,啤酒}D.{牛奶,面包}答案：B5.在朴素贝叶斯文本分类中，采用拉普拉斯平滑主要是为了解决A.特征维度灾难B.零概率问题C.先验概率偏移D.后验概率不收敛答案：B6.若某数据集信息增益率总是偏向取值较多的属性，则优先采用A.ID3B.C4.5C.CART回归树D.随机森林答案：B7.DBSCAN中若MinPts=4，ε=0.5，某点p的ε邻域含3个点（含p），则p是A.核心点B.边界点C.噪声点D.无法确定答案：B8.在协同过滤中，用户物品评分矩阵稀疏性高会导致A.冷启动问题仅出现在物品侧B.基于内存的方法计算量下降C.相似度计算置信度降低D.矩阵分解过拟合风险减小答案：C9.若随机森林中每棵树都用全部特征划分，则袋外误差估计将A.降低B.升高C.不变D.与树深度无关答案：B10.在PageRank幂迭代中，阻尼系数d通常取0.85，其作用是A.保证矩阵可逆B.防止SpiderTrapC.加速收敛D.降低内存占用答案：B11.下列关于FPGrowth的描述正确的是A.需多次扫描数据库B.采用分治策略构建条件FP树C.必须生成候选集D.对稀疏数据效率低于Apriori答案：B12.若某连续属性在CART分类树中被允许重复分裂，则A.必然导致过拟合B.可捕捉非线性阈值C.基尼系数不再适用D.树深度一定为1答案：B13.在AdaBoost中，若某基分类器权重αt<0，则表明A.该分类器随机猜测B.该分类器错误率>0.5C.该分类器错误率<0.5D.学习率过大答案：B14.采用肘部法确定Kmeans最佳K值时，肘部点对应A.簇内平方和下降最快处B.簇内平方和由陡变缓的拐点C.轮廓系数最小值D.戴维森堡丁指数最大值答案：B15.在关联规则评价指标中，若lift(A→B)=1，则A.A与B互斥B.A与B独立C.A与B负相关D.规则置信度为0答案：B16.若LSTM中遗忘门偏置初始化为大负数，则初始时刻网络倾向于A.记住全部历史信息B.遗忘全部历史信息C.梯度爆炸D.梯度消失答案：B17.在HadoopMapReduce框架中，Shuffle阶段主要完成A.分片与格式化B.排序与分区C.combiner与reduceD.数据压缩答案：B18.若某数据流采用CountMinSketch计数，哈希函数越多则A.高估误差概率降低B.内存占用线性减少C.低估误差概率升高D.查询时间复杂度升高到O(n)答案：A19.在异常检测中，若采用LOF算法，当MinPts=10时，某点LOF得分≈1，则该点A.一定是异常B.密度与邻域大致相同C.位于簇边缘D.计算出错答案：B20.若使用Word2VecSkipgram模型，窗口大小=5，负采样=15，则训练目标函数等价于A.最大化softmax交叉熵B.最大化负采样近似softmaxC.最小化均方误差D.最小化欧氏距离答案：B二、多项选择题（每题2分，共10分，每题至少两个正确答案，多选少选均不得分）21.下列哪些方法可以缓解协同过滤的冷启动问题A.利用用户注册信息计算内容相似度B.引入流行度排行榜C.采用矩阵分解并正则化D.利用社交网络好友评分答案：A、B、D22.关于集成学习，下列说法正确的是A.Bagging可降低方差B.Boosting可降低偏差C.随机森林是Bagging的特例D.AdaBoost对噪声数据鲁棒性强于Bagging答案：A、B、C23.在数据预处理阶段，可能导致信息泄露的行为有A.用全量数据统计Zscore后再划分训练/测试集B.在训练集上拟合标准化器再用于测试集C.用未来特征填充缺失值D.交叉验证前做特征选择答案：A、C、D24.下列哪些指标适用于评估二分类不平衡数据A.F1scoreB.AUCROCC.准确率D.平均精度均值（AP）答案：A、B、D25.下列属于密度聚类算法的有A.DBSCANB.OPTICSC.DENCLUED.BIRCH答案：A、B、C三、填空题（每空1分，共15分）26.在C4.5中，用于处理连续属性的离散化策略是________分裂。答案：二分27.若某事务数据库含1000条事务，频繁项集{牛奶,面包}的支持度计数为300，则支持度为________%。答案：3028.在PCA中，第k主成分是数据协方差矩阵第________大特征值对应的特征向量。答案：k29.若随机森林中共有T棵树，对样本x的袋外预测采用________投票法。答案：简单多数30.在关联规则中，已知置信度(A→B)=0.8，支持度(A)=0.4，则支持度(A∪B)=________。答案：0.3231.采用MinMax归一化将值x映射到[0,1]，若Min=10，Max=110，则x=60归一化后为________。答案：0.532.在HBase中，数据按________键字典序排序存储。答案：Row33.若LSTM输入门激活函数为sigmoid，则其输出值域为________。答案：(0,1)34.在Spark中，RDD的________操作会触发实际计算。答案：行动（action）35.若某深度网络采用ReLU激活，则反向传播时梯度为0的区域称为________区域。答案：死亡ReLU36.在文本TFIDF中，若词t在文档d中出现频率高且在整个语料中出现频率低，则IDF值________。答案：高37.采用肘部法时，若K>真实簇数，则簇内平方和下降幅度将显著________。答案：减小38.在AdaBoost中，样本权重更新后需进行________以保证权重和为1。答案：归一化39.若使用卷积神经网络做句子分类，池化层采用maxovertime，则输出维度与________无关。答案：句子长度40.在GraphSAGE中，节点嵌入通过________其邻域特征聚合生成。答案：采样并聚合（或aggregate）四、简答题（共25分）41.（封闭型，6分）简述Apriori算法的两个核心性质并给出证明思路。答案：性质1：任何频繁项集的所有非空子集必为频繁项集。证明：若项集S频繁，则其支持度≥min_sup；任何子集T⊆S，T出现的事务数≥S出现的事务数，故support(T)≥support(S)≥min_sup，T必频繁。性质2：任何非频繁项集的所有超集必为非频繁项集（反单调性）。证明：若项集Q非频繁，则support(Q)<min_sup；任何超集P⊇Q，support(P)≤support(Q)<min_sup，故P必非频繁。42.（开放型，7分）给定高维稀疏文本数据，说明为何传统Kmeans效果差，并提出至少两种改进方案并对比优劣。答案：高维稀疏文本cosine距离比欧氏距离更能体现语义相似，而Kmeans默认欧氏距离，导致簇质心远离样本点，平方和失真大；稀疏性使质心更新易被少数大词主导。改进1：采用余弦相似度+球面Kmeans（SphericalKmeans），将样本与质心归一化到单位球，目标函数最大化簇内余弦和，迭代步为向量平均再归一化，优势是符合文本几何，劣势是对初始中心敏感。改进2：先使用TruncatedSVD降维到200维稠密向量，再运行标准Kmeans，优势是降维去噪且保留90%方差，计算快；劣势是SVD需额外内存，且降维后解释性下降。实验表明，在20Newsgroups上，方案1的NMI=0.62，方案2为0.59，但方案2运行时间少40%，适合大数据；若追求精度，方案1更优。43.（封闭型，6分）写出CART分类树基尼系数的定义式，并说明为何选择最小基尼指数做分裂。答案：基尼指数Gini(D)=1−∑k=1Kpk²，其中pk为数据集D中第k类样本比例。对候选分裂点将D划分为D1、D2，加权基尼为Gini_split=(|D1|/|D|)Gini(D1)+(|D2|/|D|)Gini(D2)。选择最小Gini_split是因为其衡量划分后节点纯度提升最大，等价于最小化分类误差的上界，且计算仅需计数，无需对数运算，比信息增益更快。44.（开放型，6分）描述随机森林中OutofBag(OOB)误差估计的算法流程，并证明其无偏性。答案：流程：1.对每棵树t，袋外样本集合为OOBt，即训练时未被抽到的约36.8%样本。2.对样本xi，收集所有包含xi为OOB的树子集T_i，用这些树对xi投票得预测类别。3.计算整体OOB误差=被错分的样本数/总样本数。无偏性：每棵树训练集为bootstrap采样，与OOB样本独立；对任意xi，预测仅使用与xi独立训练的树，故OOB误差为泛化误差的无偏估计，无需额外验证集。理论证明参见Breiman2001，其期望误差等于真实泛化误差。五、应用计算题（共30分）45.（关联规则计算，10分）给定事务数据库：T1:{A,B,C}T2:{A,B,D}T3:{A,C,D}T4:{B,C,D}T5:{A,C}最小支持度=60%，最小置信度=80%。(1)列出所有频繁1项集与频繁2项集；(2)写出所有强关联规则（满足最小置信度）并计算其lift。答案：(1)总事务数=5，min_sup=3。频繁1项集：{A}:4,{B}:3,{C}:4,{D}:3。频繁2项集：{A,B}:2（不满足），{A,C}:4,{A,D}:2（不满足），{B,C}:2（不满足），{B,D}:2（不满足），{C,D}:2（不满足）。仅{A,C}频繁。(2)规则：A→C:conf=4/4=100%,lift=100%/(80%)=1.25C→A:conf=4/4=100%,lift=1.25均为强规则。46.（聚类分析，10分）二维数据集：P1(1,1),P2(1,2),P3(5,5),P4(6,6)。设K=2，初始中心μ1=(1,1),μ2=(6,6)，采用欧氏距离，运行一次Kmeans迭代，给出：(1)簇分配结果；(2)新中心坐标；(3)簇内平方和J。答案：(1)距离矩阵：P1到μ1=0,到μ2=√50≈7.07→簇1P2到μ1=1,到μ2=√41≈6.4→簇1P3到μ1=√32≈5.66,到μ2=√1≈1→簇2P4到μ1=√50≈7.07,到μ2=0→簇2簇1:{P1,P2},簇2:{P3,P4}(2)新中心：μ1'=((1+1)/2,(1+2)/2)=(1,1.5)μ2'=((5+6)/2,(5+6)/2)=(5.5,5.5)(3)J=簇1平方和+簇2平方和簇1:(1−1)²+(1−1.5)²+(1−1)²+(2−1.5)²=0.25+0.25=0.5簇2:(5−5.5)²+(5−5.5)²+(6−5.5)²+(6−5.5)²=0.25×4=1J=1.547.（分类器评估，10分）某二分类问题测试集含100正例、900负例。模型预测结果：TP=80,FP=100,TN=800,FN=20。(1)计算Precision、Recall、F1、AUC近似值（假设ROC曲线线性插值）；(2)若将分类阈值提高使FP降为50，但FN升为50，重新计算F1；(3)分析业务场景：信用卡欺诈检测，应选择哪个阈值并说明理由。答案：(1)Precision=TP/(TP+FP)=80/180=0.444Recall=TP/(TP+FN)=80/100=0.8F1=2×0.444×0.8/(0.444+0.8)=0.571TPR=Recall=0.8,FPR=FP/(FP+TN)=100/900=0.111AUC≈0.5×(TPR₁+FPR₁)线性梯形=0.5×(0.8+0.8×0.111)+(0.2×0.889)≈0.85(2)新阈值：TP=50,FP=50,FN=50,TN=850Precision=50/100=0.5Recall=50/100=0.5F1=0.5(3)欺诈检测侧重Recall，因漏检（FN）成本远高于误杀（FP）。原阈值F1虽略低，但Recall=0.8可拦截80%欺诈，仅增加100笔人工复核；提高阈值后Recall降至0.5，漏掉50%欺诈，损失更大。故应选原阈值，并通过后续规则模型降低FP。六、综合设计题（共20分）48.（20分）某电商公司欲构建实时商品推荐系统，数据规模：日活用户1亿，商品池500万，日均行为日志200亿条（点击、加购、下单）。请设计一套端到端数据挖掘解决方案，需涵盖：(1)数据收集与存储；(2)特征工程；(3)模型选择与训练；(4)在线服务与冷启动；(5)效果评估与A/B测试。要求：给出技术选型理由、关键参数、潜在问题及缓解措施，字数不少于600字。答案：(1)数据收集与存储：客户端埋点采用JSON格式，通过Kafka集群按用户ID分片，峰值QPS=300万，Kafka分区数=1000，副本因子=3，保留72小时。存储：原始日志落HDFS按小时分区，压缩格式ORC，节省60%空间；同时行为流写入Flink进行实时ETL。用户画像与商品画像存储在RedisCluster，TTL=7天，内存容量估算：用户侧平均特征向量1KB×1亿=100GB，商品侧平均5KB×500万=2.5TB，采用256分片，每节点64GB，共40节点。(2)特征工程：实时特征：近1小时点击数、近24小时下单数，使用Flink窗口函数滑动计算，输出到Redis，更新延迟<1秒。离线特征：用户长期兴趣，采用SparkSQL统计近30天行为，按商品类目聚合，输出到HDFS，每日凌晨调度。序列特征：用户最近50次行为商品ID，采用Word2Vecitemembedding训练，向量维度=128，负采样=10，窗口=5，训练数据采样1%日志即可收敛。特征拼接：实时与离线特征通过用户ID关联，形成宽表，采用Parquet存储，Snappy压缩。(3)模型选择与训练：初选双塔深度召回模型：用户塔输入{用户画像、序列embedding、上下文（时间、设备）}，商品塔输入{商品画像、文本embedding}，输出128维向量，内积得分做召回。损失函数：SampledSoftmax，温度系数=0.05，负采样=1000，学习率=0.001，Adam优化器，batch_size=8192，在GPU集群训练3小时完成1epoch。精排模型：DeepFM，输入含连续特征与128维用户/商品向量，FM部分阶=2，D