2026年1 x数据分析中级测试题答案

2026年1x数据分析中级测试题答案

一、单项选择题，每题2分1.在构建多元线性回归模型时，若发现某自变量的方差膨胀因子VIF=8.5，应优先采取的措施是A.直接删除该变量B.增加样本量C.考虑岭回归或主成分回归D.对该变量做对数变换2.对时间序列做ADF检验，得到的p值为0.035，显著性水平α=0.05，则正确结论是A.序列平稳B.序列存在单位根C.无法判断D.需再做KPSS检验才能下结论3.使用K-Means聚类时，若轮廓系数随k值增大而持续下降，说明A.当前距离度量不适用B.聚类效果逐渐变差C.样本量不足D.需要增加迭代次数4.在A/B测试中，若实验组与对照组的转化率分别为6.2%与5.8%，样本量各10万，下列做法最合理的是A.直接宣布实验组胜出B.计算置信区间并检验差异显著性C.继续观察一周再决定D.提高显著性水平到0.15.使用Python的pandas读取CSV时，发现日期列被解析为object，优先使用的转换方法是A.astype('int64')B.to_numericC.to_datetimeD.apply(str.strip)6.在随机森林中，关于OOB误差的描述正确的是A.需要单独划分验证集计算B.是训练集上的平均误差C.可代替交叉验证做模型评估D.仅适用于回归问题7.对高维稀疏数据做分类，通常效果最好的算法是A.朴素贝叶斯B.CART决策树C.支持向量回归D.线性判别分析8.若某特征的KS值在训练集上为0.45，在测试集上为0.21，最可能的原因是A.特征区分度强B.模型欠拟合C.特征过拟合D.测试集分布偏移9.在SQL中，计算用户次日留存率的正确写法是A.count(distinctcasewhendatediff(day,login_date,reg_date)=1thenuser_idend)/count(distinctuser_id)B.sum(casewhendatediff(day,reg_date,login_date)=1then1else0end)/count()C.count(distinctuser_id)/count()D.sum(login_date=reg_date+1)/count()10.使用主成分分析降维时，保留成分累计方差贡献率一般建议不低于A.50%B.65%C.80%D.95%二、填空题，每题2分11.在假设检验中，若显著性水平α从0.05调整为0.01，则犯第Ⅰ类错误的概率________。12.使用梯度提升树时，若学习率设为0.05，迭代次数为500，则相当于Shrinkage因子为________。13.在SQL里，窗口函数row_number()over(partitionbyuser_idorderbytsdesc)的作用是________。14.对分类变量做One-Hot编码后，若原变量有k个取值，则新增________列。15.在时间序列分解模型Y=T+S+C+I中，C代表________成分。16.若某模型在训练集上的AUC为0.98，在测试集上仅为0.72，则该模型处于________状态。17.使用贝叶斯公式计算后验概率时，分母被称为________。18.在Python中，使用seaborn绘制热力图时，控制颜色深度的参数是________。19.若某电商平台的GMV服从对数正态分布，则对其取对数后服从________分布。20.在聚类评估指标中，Calinski-Harabasz指数越大表示聚类结果越________。三、判断题，每题2分21.皮尔逊相关系数只能度量线性关系，对非线性关系无能为力。22.在LightGBM中，将max_depth设为0表示树深度不受限制。23.使用交叉验证时，k值越大一定越好，因为方差会更低。24.对缺失值采用均值填补不会引入任何偏差。25.若两个变量的协方差为0，则二者必然独立。26.在SQL中，unionall会自动去重。27.对偏态分布数据取对数常常可使其更接近正态分布。28.随机森林的每棵树都使用全部特征进行分裂。29.在生存分析中，若某对象的生存时间被截断，则其事件标志为0。30.使用PCA降维后再做线性回归，回归系数可解释性一定优于原始变量。四、简答题，每题5分31.简述使用XGBoost时如何防止过拟合的三项关键参数及其作用。32.说明在时间序列预测中，为何需要对残差进行白噪声检验，并给出常用检验方法。33.解释混淆矩阵中Precision与Recall的经济含义，并指出二者不可兼得的原因。34.描述在SQL中计算用户生命周期价值LTV的完整思路，包括表结构假设与关键指标。五、讨论题，每题5分35.某电商推荐系统采用协同过滤算法，近期发现新用户冷启动问题严重，请提出至少两种数据层面的改进方案，并比较其优劣。36.在金融风险评分卡开发中，若监管部门要求模型可解释性，讨论应如何在保持预测性能的同时满足合规要求。37.面对高维基因组数据，样本量远小于特征数，探讨采用何种特征选择策略最为稳健，并给出理论依据。38.某城市共享单车的潮汐现象明显，讨论如何利用时空大数据优化车辆调度，并评估不同优化目标对结果的影响。答案与解析一、单项选择题1.C2.A3.B4.B5.C6.C7.A8.C9.B10.C二、填空题11.降低12.0.0513.为每个用户按时间戳降序生成行号14.k-115.循环16.过拟合17.边缘似然或证据因子18.cmap19.正态20.优或好三、判断题21.√22.√23.×24.×25.×26.×27.√28.×29.√30.×四、简答题31.第一，eta（学习率）缩小每棵树的影响，降低过拟合风险；第二，max_depth限制树深度，防止学到过于局部的规律；第三，subsample对样本采样，减少树间相关性，从而提升泛化能力。三者共同控制模型复杂度。32.若残差非白噪声，说明模型尚未充分提取序列中的信息，预测误差存在可建模结构。常用方法有LB检验、Box-Pierce检验及绘制ACF/PACF图，若滞后项显著相关，则需改进模型。33.Precision表示预测为正的样本中有多少真正为正，衡量误报成本；Recall表示真正为正的样本中被正确预测的比例，衡量漏报成本。提高阈值可提升Precision但降低Recall，二者呈反向关系。34.假设订单表orders(user_id,order_date,gmv)，用户表users(user_id,reg_date)。先按user_id聚合得生命周期总GMV，再按注册月份分组，计算各月注册用户在未来N个月内的平均GMV，即为LTV。关键指标为留存率、复购率与客单价。五、讨论题35.方案一：引入用户属性画像，利用人口统计信息寻找相似群体，进行基于内容的推荐；方案二：利用热门商品或编辑精选作为默认推荐，快速收集反馈。前者个性化强但需冷启动数据，后者简单但转化率低。36.采用逻辑回归或评分卡，通过WOE编码与单调分箱保证线性关系，使用L1正则筛选变量，输出系数与分数刻度，满足“原因—权重—得分”透明链；同时可用SHAP对复杂模型做事后解释，兼顾性能与合规。37.采用稳定性选择(StabilitySelection)结合L