《计算金融与Python实践》习题库 第十章 数据分析sklearn机器学习库

第十章数据分析sklearn机器学习库练习题一、选择题（每题只有一个正确答案）关于Scikit-learn估计器（Estimator）的使用，以下说法正确的是（）。

A.fit()方法用于对数据进行转换

B.transform()方法用于训练模型

C.fit()方法用于训练模型，transform()方法用于应用转换

D.fit_transform()等价于先fit()后transform()，且总是比分开调用效率更高答案：C以下哪个类用于数据的标准化（将数据转换为均值为0、方差为1的分布）？（）

A.MinMaxScaler

B.StandardScaler

C.Normalizer

D.RobustScaler答案：B对于分类问题，以下哪个指标最适合评估模型在样本不平衡情况下的性能？（）

A.准确率（Accuracy）

B.均方误差（MSE）

C.召回率（Recall）

D.R²答案：C以下哪个函数用于将数据集划分为训练集和测试集？（）

A.cross_val_score

B.train_test_split

C.GridSearchCV

D.KFold答案：B以下关于逻辑回归（LogisticRegression）的描述，正确的是（）。

A.逻辑回归是用于回归问题的线性模型

B.逻辑回归的损失函数是均方误差

C.逻辑回归可以用于二分类问题，也可以用于多分类问题

D.逻辑回归默认使用L1正则化答案：C以下哪个类用于创建多项式特征？（）

A.StandardScaler

B.PolynomialFeatures

C.OneHotEncoder

D.PCA答案：B关于随机森林（RandomForest）的描述，正确的是（）。

A.随机森林是Boosting集成方法的代表

B.随机森林中的每棵决策树使用全部样本进行训练

C.随机森林通过对特征和样本进行随机采样来降低过拟合风险

D.随机森林只能用于分类问题，不能用于回归答案：C在交叉验证中，以下哪个方法可以用于搜索最优超参数？（）

A.cross_val_score

B.GridSearchCV

C.train_test_split

D.learning_curve答案：B以下关于PCA（主成分分析）的说法，正确的是（）。

A.PCA是一种有监督的降维方法

B.PCA通过保留方差最大的方向来实现降维

C.PCA要求数据必须标准化

D.PCA可以处理分类变量答案：B以下关于模型评估的说法，正确的是（）。

A.ROC曲线下的面积（AUC）越接近0，模型性能越好

B.混淆矩阵只能用于二分类问题

C.均方误差（MSE）是分类模型的评估指标

D.可决系数（R²）越接近1，回归模型拟合效果越好答案：D二、判断题（正确打“√”，错误打“×”）Scikit-learn中的数据集加载函数（如load_iris()）返回的数据是字典形式，包含data、target等键。（√）StandardScaler和MinMaxScaler都可以对数据进行标准化处理，但StandardScaler对异常值更敏感。（√）在Scikit-learn中，LabelEncoder可以将分类特征转换为整数编码，且转换后的编码具有大小顺序意义。（×）解析：LabelEncoder转换后的整数编码是任意的，不表示大小顺序。岭回归（Ridge）和Lasso回归都使用L2正则化来防止过拟合。（×）解析：岭回归使用L2正则化，Lasso回归使用L1正则化。决策树模型的max_depth参数越大，模型越容易过拟合。（√）支持向量机（SVM）只能用于分类问题，不能用于回归问题。（×）解析：SVM有SVC（分类）和SVR（回归）两种实现。Bagging集成方法通过并行训练多个基学习器并平均结果来降低模型的方差。（√）网格搜索（GridSearchCV）可以自动调整估计器的超参数，但需要手动指定参数的候选值列表。（√）在回归模型评估中，均方误差（MSE）的值越小，说明模型拟合效果越好。（√）使用joblib.dump()可以将训练好的模型保存到文件中，以便后续使用。（√）三、简答题简述Scikit-learn中估计器（Estimator）的主要方法及其作用。参考答案：Scikit-learn中的估计器主要有三个核心方法：（1）fit()：用于训练模型，根据输入数据学习模型参数；（2）predict()：用于预测，使用训练好的模型对新数据进行预测；（3）transform()：用于数据转换，将输入数据转换为新的特征表示（常用于预处理和降维）。对于同时支持训练和转换的估计器，还有fit_transform()方法，等价于先fit()后transform()。数据预处理中，标准化（Standardization）和归一化（Normalization）有什么区别？参考答案：标准化（Standardization）是将数据转换为均值为0、方差为1的分布，使用StandardScaler，公式为(x-μ)/σ，不受数据范围限制，但受异常值影响较大。归一化（Normalization）是将数据缩放到特定范围（通常是[0,1]），使用MinMaxScaler，公式为(x-min)/(max-min)，对数据范围敏感，但能保持原始数据的分布形状。选择哪种方法取决于算法的要求和数据特点。什么是独热编码（One-HotEncoding）？为什么要使用它？参考答案：独热编码是将分类特征转换为二进制向量的方法，每个类别对应一个维度，该维度取值为1，其他维度为0。例如，颜色特征["红","绿","蓝"]编码为[1,0,0]、[0,1,0]、[0,0,1]。使用独热编码的原因是：许多机器学习算法假设特征是数值型的，且类别之间没有顺序关系。整数编码（如1,2,3）会错误地引入大小顺序，而独热编码可以避免这一问题。L1正则化和L2正则化有什么区别？参考答案：L1正则化（Lasso）在损失函数中加入权重的绝对值之和作为惩罚项，倾向于产生稀疏解（部分权重变为0），可用于特征选择。L2正则化（Ridge）在损失函数中加入权重的平方和作为惩罚项，使权重趋近于0但不会为0，可以防止过拟合，提高模型泛化能力。L1正则化适合特征数量多的情况，L2正则化更适合特征之间存在相关性的情况。什么是交叉验证（CrossValidation）？为什么要使用交叉验证？参考答案：交叉验证是一种评估模型泛化能力的统计方法，将数据集划分为k个大小相似的子集，每次用k-1个子集训练模型，用剩下的1个子集验证模型，重复k次，取平均性能作为模型评估结果。常用的有k折交叉验证（k-foldCV）。使用交叉验证可以：（1）更充分地利用有限的数据；（2）减少模型评估的偶然性；（3）防止模型在特定训练集上过拟合；（4）帮助选择最优的模型超参数。简述混淆矩阵（ConfusionMatrix）及其包含的四个基本指标。参考答案：混淆矩阵是评估分类模型性能的表格，行表示真实类别，列表示预测类别。对于二分类问题，包含四个基本指标：TP（真正例）：预测为正，实际为正；TN（真负例）：预测为负，实际为负；FP（假正例）：预测为正，实际为负（第一类错误）；FN（假负例）：预测为负，实际为正（第二类错误）。基于这四个指标可以计算准确率、精确率、召回率等评价指标。ROC曲线和AUC值的含义是什么？参考答案：ROC曲线（受试者工作特征曲线）是以假正率（FPR）为横轴、真正率（TPR）为纵轴绘制的曲线，反映了分类器在不同阈值下的性能。AUC（曲线下面积）是ROC曲线下的面积，取值范围[0.5,1]。AUC值越接近1，说明分类器的性能越好；AUC=0.5表示随机猜测，无分类能力。AUC不受类别不平衡的影响，是评价分类器整体性能的重要指标。简述Bagging和Boosting两种集成学习方法的区别。参考答案：Bagging（如随机森林）是并行集成方法，基学习器之间独立训练，通过自助采样（bootstrap）生成不同的训练子集，最后通过投票（分类）或平均（回归）组合结果，主要降低模型的方差，减少过拟合。Boosting（如AdaBoost、梯度提升）是串行集成方法，基学习器按顺序训练，每个新学习器重点关注前一个学习器分类错误的样本，最后加权组合结果，主要降低模型的偏差，提高预测精度。网格搜索（GridSearchCV）是如何工作的？它的优缺点是什么？参考答案：网格搜索通过遍历指定的超参数组合，对每组参数使用交叉验证评估模型性能，最终选择性能最优的参数组合。优点：简单直观，能找到给定范围内的最优参数组合；缺点：当参数空间大时，计算量呈指数增长，效率较低。对于连续型超参数，通常需要结合领域知识选择合适的候选值。可以使用RandomizedSearchCV进行随机搜索，在大参数空间下效率更高。模型持久化的常用方法有哪些？为什么要进行模型持久化？参考答案：Scikit-le