数据挖掘考试题库及答案

数据挖掘考试题库及答案一、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，则下列结论正确的是A.算法必须继续扫描k+1层B.所有k+1项集必然不频繁C.最小支持度阈值设置过高D.事务数据库存在异常答案：B2.给定事务数据库，最小支持度=30%，项集{牛奶,面包}的支持度计数为25，事务总数为100，则A.{牛奶,面包}是频繁项集B.{牛奶,面包}不是频繁项集C.无法判断D.需计算置信度答案：B3.决策树C4.5使用下列哪种指标进行划分选择A.Gini指数B.信息增益率C.卡方统计量D.误分类率答案：B4.在Kmeans聚类中，若初始中心点落在同一真实簇内，最可能导致的后果是A.收敛速度加快B.簇内SSE必然最小C.产生空簇D.聚类结果陷入局部最优答案：D5.朴素贝叶斯分类器“朴素”的核心假设是A.先验概率相等B.特征条件独立C.类条件概率服从正态分布D.后验概率最大化答案：B6.若某连续属性在CART回归树中被用作划分，其划分点选择标准是A.最小化加权信息增益B.最小化子节点方差之和C.最大化Gini指数下降D.最大化卡方值答案：B7.DBSCAN中，若对象p的ε邻域包含MinPts=4，则p被称为A.核心对象B.边界对象C.噪声对象D.密度可达对象答案：A8.在关联规则{啤酒}⇒{尿布}中，已知支持度=20%，置信度=60%，则事务数据库中同时出现啤酒和尿布的比例为A.12%B.20%C.60%D.30%答案：A9.采用十折交叉验证时，训练集与测试集的比例约为A.9:1B.1:1C.10:1D.1:9答案：A10.若随机森林中树的数量趋于无穷，则关于OOB误差的描述正确的是A.一定为零B.收敛于泛化误差期望C.与单棵树训练集误差相等D.无法计算答案：B11.在PageRank公式R=(1d)/N+d·M·R中，阻尼系数d通常取A.0.1B.0.5C.0.85D.1.0答案：C12.若某分类模型ROC曲线紧贴左上角，则其AUC值A.接近0B.接近0.5C.接近1D.无法确定答案：C13.在EM算法中，E步计算的是A.参数最大似然估计B.隐变量后验概率C.完全数据对数似然D.梯度下降方向答案：B14.若使用Lift指标评估关联规则，Lift=1表示A.前件与后件负相关B.前件与后件独立C.前件与后件强相关D.规则置信度为1答案：B15.在HadoopMapReduce编程模型中，Shuffle阶段的核心作用是A.分片输入数据B.排序与分区中间结果C.启动JobTrackerD.写入HDFS答案：B16.若某文本分类任务采用TFIDF权重，则IDF分量会A.随词频增加而增加B.随文档频率增加而减小C.与词位置相关D.与文档长度成正比答案：B17.在AdaBoost算法中，被错误分类样本的权重A.减小B.增加C.不变D.置零答案：B18.若使用肘部法则确定Kmeans最佳K值，应观察A.簇内SSE随K变化的拐点B.轮廓系数随K变化的拐点C.运行时间随K变化的拐点D.熵随K变化的拐点答案：A19.在社交网络分析中，介数中心性衡量的是A.节点度数B.节点接近网络中心的程度C.节点作为“桥梁”的频率D.节点聚类系数答案：C20.若某属性存在大量缺失值且与类别标签无关，最佳处理策略是A.均值填补B.回归填补C.直接删除D.热卡填补答案：C二、多项选择题（每题2分，共20分，每题至少两个正确答案，多选少选均不得分）21.下列哪些技术可用于处理高维稀疏文本数据A.哈希技巧B.潜在语义分析LSAC.Word2VecD.主成分分析PCA答案：A,B,C,D22.关于KNN分类器，下列说法正确的是A.属于懒惰学习B.对特征尺度敏感C.决策边界非线性D.训练时间复杂度为O(n²)答案：A,B,C23.下列哪些方法可用于决策树后剪枝A.悲观误差剪枝PEPB.最小描述长度MDLC.基于代价复杂度剪枝CCPD.预剪枝答案：A,B,C24.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.规则支持度必然提高C.可能丢失有用规则D.计算量一定降低答案：A,C25.下列哪些指标可用于聚类性能外部评价A.Jaccard系数B.Rand指数C.轮廓系数D.标准化互信息NMI答案：A,B,D26.下列哪些算法天然支持增量学习A.朴素贝叶斯B.随机梯度下降SVMC.C4.5D.Hoeffding树答案：A,B,D27.在特征选择中，下列哪些属于过滤式方法A.卡方检验B.互信息C.递归特征消除RFED.方差选择法答案：A,B,D28.下列哪些操作能够缓解过拟合A.L2正则化B.DropoutC.增加训练数据D.减少树深度答案：A,B,C,D29.关于FPgrowth算法，下列说法正确的是A.只需两次数据库扫描B.采用分治策略C.必须生成候选集D.使用压缩前缀树结构答案：A,B,D30.下列哪些属于无监督特征学习A.自编码器B.受限玻尔兹曼机RBMC.线性判别分析LDAD.深度信念网络DBN答案：A,B,D三、填空题（每空2分，共20分）31.若事务数据库中项a出现次数为40，总事务数为200，则项a的支持度为____%。答案：2032.在信息论中，属性A对类标签Y的信息增益等于H(Y)−H(Y|A)，其中H(Y)表示Y的____。答案：熵33.若某二分类模型阈值从0.5降至0.3，则召回率通常会____（填“上升”或“下降”）。答案：上升34.在Kmeans++初始化策略中，下一个中心点被选中的概率与当前点到最近中心点的____成正比。答案：距离平方35.若某规则的提升度Lift=0.8，则前件与后件呈____相关（填“正”或“负”）。答案：负36.在SVM中，引入松弛变量ξi后，目标函数增加的惩罚项系数常记为____。答案：C37.若某文本采用Bigram模型，句子“数据挖掘”分词后生成的Bigram特征为____。答案：{BOS_数据,数据_挖掘,挖掘_EOS}38.在协同过滤中，用户物品评分矩阵的稀疏性通常用____百分比表示。答案：缺失率39.若某聚类算法输出簇标签向量[1,1,2,2,3]，则该聚类结果包含____个簇。答案：340.在深度学习反向传播中，梯度消失问题常与____函数在饱和区导数接近零有关。答案：Sigmoid四、简答题（共6题，每题8分，共48分）41.封闭型：简述Apriori算法的两个重要性质，并说明其在剪枝中的作用。答案：（1）向下闭合性：若一个项集是频繁的，则其所有子集也是频繁的。（2）向上扩展性：若一个项集是非频繁的，则其所有超集也必然非频繁。剪枝作用：利用性质2，在生成候选k+1项集时，只需保留那些所有k子集都在Lk中的项集，从而大幅减少候选数量，降低计算与扫描开销。42.开放型：给定高维稀疏文本数据，请设计一套完整的特征工程与分类pipeline，并说明每一步选择的理由。答案：步骤1：原始文本→分词→去停用词→词干提取，理由：降低噪声、统一词形。步骤2：采用哈希技巧将1×10⁶维词袋映射到2¹⁸维哈希空间，理由：避免构建巨大词典，内存恒定，适合在线学习。步骤3：TFIDF加权，理由：突出区分性词汇，抑制常见词。步骤4：使用线性SVMwithhingeloss，理由：高维稀疏下线性模型表现优异，训练快，对大数据可配合SDG。步骤5：五折交叉验证+网格搜索调参C∈{0.01,0.1,1,10}，理由：防止过拟合，获得稳健性能。步骤6：在测试集上评估宏平均F1，理由：多类别且类别不平衡，宏平均对少数类敏感。43.封闭型：写出CART回归树划分连续属性A时，寻找最优划分点s的数学表达式，并说明如何计算。答案：对于属性A的取值排序后得到候选切点集合{si}，对每个si将样本分为左右子集DL、DR。目标函数：min_{si}[Σ_{i∈DL}(yi−cL)²+Σ_{i∈DR}(yi−cR)²]其中cL=mean(yi|xiA≤si)，cR=mean(yi|xiA>si)。计算：遍历所有si，计算上述加权平方误差和，取最小值对应的si为最优划分点。44.开放型：某电商网站每天新增1亿条用户行为日志，请设计一种可扩展的实时异常检测方案，要求支持秒级响应。答案：（1）日志格式：user_id,item_id,action,timestamp,ip。（2）采用Kafka进行日志收集，分区按user_id哈希，保证同一用户顺序。（3）Flink流处理：窗口5s，计算用户维度特征：点击速率、IP切换次数、异地登录距离。（4）特征向量进入在线IsolationForest模型（树高=8，树数=100），模型预训练于历史一周数据，并每日增量更新。（5）异常得分>0.6触发告警，写入Redis，API层读取实现秒级查询。（6）采用Checkpoint+Savepoint保证故障恢复与弹性扩容。（7）横向扩展：Kafka分区与Flink并行度一致，可随流量线性扩容。45.封闭型：解释EM算法在高斯混合模型中M步的均值更新公式，并指出其统计含义。答案：M步均值更新：μk^(new)=Σi=1Nγikxi/Σi=1Nγik其中γik为E步计算的后验概率p(zk=1|xi)。统计含义：μk^(new)是所有样本xi的加权平均，权重为样本属于第k个高斯成分的后验概率，即“软分配”下的样本中心。46.开放型：某银行拥有1000万客户标签数据与1亿无标签客户，请设计一种半监督学习策略提升信用评分模型性能，并评估效果。答案：（1）基模型：GradientBoostingTrees，特征涵盖征信、交易、社交共500维。（2）采用Selftraining：用标签数据训练初始模型→对无标签数据预测概率→选择预测置信度>0.9的样本加入训练集，迭代5轮。（3）为防止误差累积，引入Cotraining：将特征随机拆分为两个视图，分别训练两个GBDT，仅当两个模型预测一致且置信度均>0.9才加入伪标签。（4）每轮迭代后在独立验证集（5万标签样本）计算AUC，若AUC下降>0.002则早停。（5）最终模型AUC从0.812提升至0.837，KS提升8个百分点；通过PSI与CSI监控，验证跨时间稳定性。五、应用题（共4题，共62分）47.计算类（15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,B,C,D}最小支持度=60%，最小置信度=80%。（1）列出所有频繁项集及其支持度计数；（5分）（2）列出所有强关联规则并给出置信度。（10分）答案：（1）频繁项集：{A}:4,{B}:4,{C}:4,{D}:4,{A,B}:3,{A,C}:3,{A,D}:3,{B,C}:3,{B,D}:3,{C,D}:3,{A,B,C}:2,{A,B,D}:2,{A,C,D}:2,{B,C,D}:2,{A,B,C,D}:1支持度计数≥3（60%）的频繁项集：{A}:4,{B}:4,{C}:4,{D}:4,{A,B}:3,{A,C}:3,{A,D}:3,{B,C}:3,{B,D}:3,{C,D}:3（2）强规则（置信度≥80%）：{A,B}⇒{C}:支持度{A,B,C}=2，置信度=2/3≈66.7%→不满足{A}⇒{B}:3/4=75%→不满足{B}⇒{A}:3/4=75%→不满足{A}⇒{C}:3/4=75%→不满足{B}⇒{C}:3/4=75%→不满足{C}⇒{B}:3/4=75%→不满足无规则满足置信度≥80%，故强关联规则集合为空。48.分析类（15分）某航空公司会员数据包含R(最近一次乘机距今天数)、F(年乘机次数)、M(年消费金额，万元)。现采用Kmeans聚类，K分别取2~6，绘制SSEk曲线出现“肘部”于k=4，但轮廓系数在k=3时最高。请分析应如何选择K并给出后续商业解释策略。答案：选择：结合业务可解释性与指标，优先选择k=3。理由：轮廓系数高表明簇内紧密度与分离度综合更好；SSE肘部仅反映簇内平方误差下降速率，易受维度与量纲影响。策略：簇1：R小F高M高→高价值常旅客，提供专属休息室、优先升舱；簇2：R大F低M低→流失风险客户，推送限时优惠券；簇3：R中F中M中→潜力客户，推联名信用卡与积分商城。49.综合类（16分）某城市出租车GPS数据字段：car_id,lat,lon,occupancy,timestamp。设计一个融合聚类与分类的拼车推荐系统，要求：(1)离线挖掘常驻热点上下车区域；（6分）(2)实时判断新订单是否适合拼车并给出置信度；（10分）答案：(1)离线：a.过滤occupancy=0→1为上车，1→0为下车，提取上下车点；b.采用DBSCAN(ε=200m,MinPts=50)聚类，得到热点区域簇心；c.对热点区域构建GeoHash索引，持久化到PostGIS。(2)实时：a.新订单o(lat,lon)计算最近热点中心h，若距离>300m则不适合；b.否则在RedisGeoR