2026年数据挖掘与机器学习试题

2026年数据挖掘与机器学习试题考试时长：120分钟满分：100分一、单选题（总共10题，每题2分，总分20分）1.在数据预处理阶段，对于缺失值处理方法中，以下哪项不属于常见的填充策略？A.均值填充B.中位数填充C.热卡填充D.回归填充2.决策树算法中，用于衡量节点分裂质量的指标是？A.方差分析B.信息增益C.相关系数D.均值绝对偏差3.下列哪种算法属于监督学习中的分类算法？A.K-means聚类B.PCA降维C.支持向量机D.主成分回归4.在特征工程中，以下哪项操作属于特征交叉的范畴？A.标准化B.对数变换C.交互特征生成D.数据分箱5.以下哪种模型在处理高维稀疏数据时表现较好？A.线性回归B.决策树C.逻辑回归D.LASSO回归6.在交叉验证中，k折交叉验证的k值通常选择为？A.2B.5C.10D.207.以下哪种方法不属于模型评估中的过拟合现象缓解策略？A.正则化B.数据增强C.早停法D.增加模型复杂度8.在神经网络中，用于计算输入层到输出层权重更新的算法是？A.梯度下降B.神经进化C.贝叶斯优化D.遗传算法9.以下哪种指标适用于评估分类模型的召回率？A.准确率B.F1分数C.AUCD.MAE10.在集成学习中，随机森林算法的核心思想是？A.单一决策树集成B.随机特征选择C.多重模型并行D.梯度提升二、填空题（总共10题，每题2分，总分20分）1.机器学习模型中，用于衡量预测值与真实值差异的指标是__________。2.决策树中，节点分裂时选择分裂属性的依据是__________。3.特征工程中，将连续变量离散化的方法称为__________。4.支持向量机中，用于控制模型复杂度的参数是__________。5.交叉验证中，留一法（LOOCV）的折数等于训练样本数量__________。6.神经网络中，用于传递输入信号的函数是__________。7.模型评估中，用于衡量模型泛化能力的指标是__________。8.集成学习中，随机森林通过__________减少模型方差。9.逻辑回归中，输出值通常映射到__________区间。10.数据挖掘中，用于发现数据中隐藏模式的任务称为__________。三、判断题（总共10题，每题2分，总分20分）1.决策树算法是典型的无监督学习方法。（×）2.均值和中位数都可以用于处理缺失值。（√）3.PCA降维会改变原始数据的分布特征。（√）4.支持向量机适用于处理线性不可分问题。（×）5.交叉验证可以有效避免过拟合问题。（√）6.神经网络中，激活函数的作用是增强模型非线性。（√）7.随机森林算法对数据噪声敏感。（×）8.逻辑回归属于无监督学习算法。（×）9.特征工程可以提高模型的预测精度。（√）10.数据挖掘的目标是提取数据中的统计规律。（×）四、简答题（总共4题，每题4分，总分16分）1.简述数据预处理在机器学习中的重要性。2.解释信息增益与信息增益比的区别。3.描述过拟合现象及其常见解决方法。4.说明集成学习的基本原理及其优势。五、应用题（总共4题，每题6分，总分24分）1.假设有一组样本数据，包含年龄（连续）、性别（分类）、收入（连续）三个特征，以及是否购买产品（分类标签）。请设计一个特征工程方案，并说明每一步的合理性。2.某电商公司希望利用机器学习预测用户购买行为，现有数据集包含用户年龄、性别、浏览时长、购买历史等特征。请设计一个分类模型评估方案，包括至少三种评估指标，并解释选择原因。3.假设你正在使用决策树算法进行分类任务，但发现模型在训练集上表现良好，但在测试集上表现较差。请分析可能的原因，并提出至少两种改进措施。4.某医疗公司希望利用机器学习预测患者病情严重程度，现有数据集包含年龄、血压、血糖、病史等特征。请设计一个回归模型训练方案，包括特征选择、模型选择和参数调优的步骤。【标准答案及解析】一、单选题1.C（热卡填充不属于常见填充策略）2.B（信息增益是决策树分裂标准）3.C（支持向量机是分类算法）4.C（交互特征生成属于特征交叉）5.D（LASSO回归适用于高维稀疏数据）6.B（k折交叉验证常用5折）7.D（增加模型复杂度会加剧过拟合）8.A（梯度下降用于权重更新）9.B（F1分数衡量召回率与精确率的平衡）10.B（随机森林通过随机特征选择减少方差）二、填空题1.均方误差（MSE）2.信息增益3.数据分箱4.正则化参数C5.等于6.激活函数7.泛化能力8.随机特征选择9.[0,1]10.数据挖掘三、判断题1.×（决策树是监督学习）2.√（均值和中位数可填充缺失值）3.√（PCA会改变数据分布）4.×（SVM可处理非线性问题）5.√（交叉验证通过重复训练避免过拟合）6.√（激活函数增强非线性）7.×（随机森林对噪声鲁棒）8.×（逻辑回归是监督学习）9.√（特征工程可提升精度）10.×（数据挖掘还包括模式发现等）四、简答题1.数据预处理重要性：-清洗数据（处理缺失值、异常值）-特征工程（降维、特征选择）-标准化数据（消除量纲影响）-提高模型精度、避免偏差、增强泛化能力2.信息增益与信息增益比区别：-信息增益：基于熵计算，直接反映分裂前后的信息不确定性减少量-信息增益比：考虑特征自身不纯度（基尼系数），防止偏向高维特征3.过拟合现象及解决方法：-现象：模型在训练集上表现好，测试集表现差-原因：模型复杂度过高，学习噪声-解决方法：正则化（L1/L2）、早停法、简化模型结构4.集成学习原理及优势：-原理：组合多个弱学习器形成强学习器（如Bagging、Boosting）-优势：提高泛化能力、降低方差、增强鲁棒性五、应用题1.特征工程方案：-年龄：归一化（消除量纲影响）-性别：独热编码（分类变量量化）-收入：对数变换（缓解右偏分布）-新特征：年龄×收入（交互特征）-合理性：标准化处理数值特征，分类特征量化，变换分布增强模型效果2.分类模型评估方案：-指标：准确率、F1分数、AUC-原因：准确率衡量整体性能，F1平衡精确率/召回率，AUC评估模型区分能力3.决策树过拟合改进：-原因：分裂标