2026年数据科学专业综合考试复习资料

2026年数据科学专业综合考试复习资料一、单选题（共10题，每题2分）1.数据预处理中，处理缺失值最常用的方法是？A.删除缺失值B.均值/中位数/众数填充C.插值法D.以上都是2.在特征工程中，以下哪项不属于特征选择方法？A.递归特征消除（RFE）B.Lasso回归C.主成分分析（PCA）D.基于树模型的特征重要性3.假设测试中，第一类错误的概率通常表示为？A.α（显著性水平）B.β（犯第二类错误的概率）C.p值D.F统计量4.以下哪种聚类算法不需要指定聚类数量？A.K-MeansB.DBSCANC.层次聚类D.谱聚类5.在自然语言处理中，用于文本表示的向量化方法不包括？A.词袋模型（BOW）B.Word2VecC.主题模型（LDA）D.卷积神经网络（CNN）6.假设一个电商平台的用户购买行为数据中，用户ID是？A.标签特征B.核心特征C.代理特征D.时间戳特征7.在时间序列分析中，ARIMA模型的核心假设是？A.线性关系B.独立同分布C.平稳性D.正态分布8.以下哪种模型适用于处理高维稀疏数据？A.决策树B.线性回归C.逻辑回归D.支持向量机（SVM）9.在机器学习模型评估中，过拟合的主要表现是？A.训练集误差低，测试集误差高B.训练集误差高，测试集误差低C.训练集和测试集误差均低D.训练集和测试集误差均高10.在数据可视化中，用于展示部分与整体关系的图表是？A.散点图B.饼图C.箱线图D.柱状图二、多选题（共5题，每题3分）1.以下哪些属于监督学习模型？A.线性回归B.决策树C.K-Means聚类D.逻辑回归E.支持向量机2.数据清洗中常见的异常值处理方法包括？A.删除异常值B.替换为中位数C.标准化处理D.分位数截断E.基于模型的方法3.在深度学习模型中，以下哪些属于常见优化器？A.梯度下降（GD）B.随机梯度下降（SGD）C.AdamD.RMSpropE.朴素贝叶斯4.假设测试中，以下哪些属于假设检验的步骤？A.提出原假设和备择假设B.计算检验统计量C.确定拒绝域D.计算p值E.做出统计决策5.在推荐系统中，以下哪些属于常见的协同过滤方法？A.基于用户的协同过滤B.基于物品的协同过滤C.矩阵分解D.内容推荐E.深度学习推荐三、简答题（共5题，每题5分）1.简述特征工程在数据科学中的重要性及其主要步骤。（需结合实际应用场景说明）2.解释交叉验证的作用，并列举两种常见的交叉验证方法。3.在处理不平衡数据集时，可以采用哪些策略？4.简述BERT模型在自然语言处理中的核心优势及其应用场景。5.如何评估一个分类模型的性能？请列举三个关键指标并说明其含义。四、计算题（共3题，每题10分）1.假设某城市交通流量数据中，某路段的日流量如下：[1200,1350,1100,1300,1450]。计算该路段流量的均值、中位数和方差。2.给定一个线性回归模型，其参数为：θ₀=5，θ₁=2。输入特征为x=[1,2,3]。计算预测值及其残差（实际值假设为y=[6,8,9]）。3.假设一个分类问题中，某模型的真阳性（TP）=30，假阳性（FP）=10，真阴性（TN）=20，假阴性（FN）=40。计算该模型的精确率、召回率和F1分数。五、论述题（共2题，每题15分）1.结合中国电商行业的特点，论述如何利用数据科学技术提升用户推荐系统的精准度。（需涉及数据采集、特征工程、模型选择等环节）2.在金融风控领域，如何利用机器学习技术构建有效的信用评估模型？请说明模型设计的关键步骤及其面临的挑战。答案与解析一、单选题1.D解析：数据预处理中，处理缺失值的方法多样，包括删除、填充（均值/中位数/众数）、插值法等，具体选择需根据数据特性决定。2.C解析：主成分分析（PCA）属于降维方法，而非特征选择。其余选项均为特征选择技术。3.A解析：α（显著性水平）表示拒绝原假设时犯第一类错误的概率，即假阳性概率。4.B解析：DBSCAN不需要预先指定聚类数量，通过密度连接发现聚类。其他算法需指定参数。5.D解析：CNN属于深度学习模型，主要用于图像处理，而非直接文本向量化。其余选项均为文本表示方法。6.C解析：用户ID是代理特征，用于唯一标识用户，但本身不包含业务信息。7.C解析：ARIMA模型假设时间序列具有平稳性，需通过差分或变换实现。8.D解析：SVM适用于高维稀疏数据，如文本分类。其他模型在稀疏数据中表现较差。9.A解析：过拟合表现为模型在训练集上表现优异，但在测试集上表现差。10.B解析：饼图展示部分与整体占比关系，适合展示分类占比。二、多选题1.A、B、D、E解析：线性回归、决策树、逻辑回归、SVM均为监督学习模型。K-Means属于无监督学习。2.A、B、D、E解析：异常值处理方法包括删除、替换、分位数截断、基于模型的方法。标准化属于数据缩放，非异常值处理。3.A、B、C、D解析：优化器包括GD、SGD、Adam、RMSprop。朴素贝叶斯属于分类算法。4.A、B、C、D、E解析：假设检验步骤包括提出假设、计算统计量、确定拒绝域、计算p值、做决策。5.A、B、C解析：协同过滤包括基于用户、基于物品、矩阵分解。内容推荐、深度学习推荐属于其他方法。三、简答题1.特征工程的重要性及步骤重要性：特征工程能显著提升模型性能，将原始数据转化为有效信息。例如，电商用户行为数据中，通过关联用户购买历史与浏览时长，可构建更精准的推荐特征。步骤：数据清洗、特征提取、特征转换、特征选择。2.交叉验证的作用及方法作用：评估模型泛化能力，避免过拟合。方法：k折交叉验证（将数据分k份，轮流留一份做测试）、留一交叉验证（每次留一份测试）。3.不平衡数据集处理策略过采样（SMOTE）、欠采样、代价敏感学习、集成方法（如Bagging）。例如，金融欺诈检测中，正负样本比例失衡时，可通过过采样提升模型对少数类的识别能力。4.BERT模型的核心优势及应用优势：基于Transformer，能捕捉长距离依赖关系，预训练后泛化能力强。应用：问答系统、情感分析、机器翻译。例如，在中文电商评论中，BERT可准确提取用户情感倾向。5.分类模型性能评估指标精确率（TP/(TP+FP)）：预测为正例中实际为正例的比例；召回率（TP/(TP+FN)）：实际为正例中被正确预测的比例；F1分数：精确率与召回率的调和平均数。四、计算题1.流量数据统计均值：(1200+1350+1100+1300+1450)/5=1300中位数：排序后为[1100,1200,1300,1350,1450]，中位数为1300方差：[(1200-1300)²+(1350-1300)²+(1100-1300)²+(1300-1300)²+(1450-1300)²]/5=156002.线性回归预测预测值：θ₀+θ₁x=5+2x，即[7,9,11]残差：y-ŷ=[6-7,8-9,9-11]=[-1,-1,-2]3.分类模型指标精确率：TP/(TP+FP)=30/(30+10)=0.75召回率：TP/(TP+FN)=30/(30+40)=0.6F1分数：2(0.750.6)/1.35≈0.67五、论述题1.电商推荐系统优化数据采集：收集用户浏览、购买、评论等多维度数据。特征工程：构建用户画像（如消费能力、兴趣标签）和物品特征（如价格、类目）。模型选择：采用协同过滤结合深度学习（如Wide&Deep），利用用户历史行为序列训练。挑