2026年(完整版)数据挖掘题及答案

2026年(完整版)数据挖掘题及答案一、数据预处理与特征工程（本题共30分）某电商平台2025年用户行为数据集包含以下字段：用户ID（UserID）、年龄（Age）、月收入（Income，单位：元）、日均活跃时长（DailyActive，单位：分钟）、近30天购买次数（Purchase30）、是否为会员（IsMember，0/1）、7天内是否有退货（Return7d，0/1）。数据质量检测发现：（1）Age字段有15%的缺失值，且缺失数据的Income均值显著高于非缺失数据（p<0.01）；（2）DailyActive字段存在3个异常值（分别为360分钟、480分钟、600分钟，数据集99%分位数为240分钟）；（3）Purchase30字段与Income的皮尔逊相关系数为0.82，与DailyActive的斯皮尔曼相关系数为0.65；（4）IsMember与Return7d的卡方检验p值为0.002。1.针对Age字段的缺失值，说明应选择的处理方法及理由（5分）；2.对DailyActive的异常值提出两种处理方案，并比较其适用场景（8分）；3.分析Purchase30字段的特征重要性，若需降维应优先删除哪类特征？说明依据（7分）；4.解释IsMember与Return7d的关联关系，并提出业务验证假设（10分）。答案：1.应选择基于Income的回归填充法。由于Age缺失数据的Income均值显著更高（p<0.01），说明缺失机制为“缺失依赖于观测变量”（MissingatRandom,MAR），可利用Income作为预测变量构建回归模型填充Age。若直接删除缺失值会损失高收入用户信息，均值/中位数填充会低估Age与Income的相关性，因此回归填充更合理。2.方案一：视为极端值保留，但若模型对异常敏感（如线性回归），需进行对数变换（如ln(DailyActive+1)）或分箱（如“>240分钟”作为单独类别）；方案二：删除异常值，适用于异常由数据采集错误导致（如设备故障记录了600分钟），且异常样本占比极低（<1%）。本题中3个异常值占比约0.03%（假设总样本10万），若确认是用户真实行为（如直播达人），应保留并变换；若为记录错误，应删除。3.Purchase30与Income高度相关（皮尔逊0.82），属于多重共线性。降维时应优先删除Income，因为：①皮尔逊相关系数衡量线性关系，Income对Purchase30的解释力可能被覆盖；②斯皮尔曼相关系数（0.65）反映单调关系，DailyActive与Purchase30的非线性关联更独特，保留DailyActive可捕捉非收入用户的购买行为（如学生用户活跃但收入低）。4.卡方检验p=0.002<0.05，拒绝独立假设，说明会员身份与7天内退货存在显著关联。业务假设：①会员可能因更高的退换货权益（如免费退货）而更倾向退货；②会员购买频率更高，退货概率自然上升；③非会员可能因担心退货流程复杂而放弃退货。需验证：统计会员与非会员的退货率（如会员退货率12%vs非会员8%），结合退货原因字段（如“尺寸不符”“质量问题”）分析是否由权益差异或购买行为差异导致。二、分类模型构建与评估（本题共40分）基于上述电商数据集，目标变量为“未来30天是否复购”（Repurchase，1/0）。随机抽取80%样本为训练集（n=8000），20%为测试集（n=2000）。1.训练集Repurchase的正类占比18%，测试集为17.5%，说明数据分布是否需要调整？若需要，提出两种方法并比较（8分）；2.选择逻辑回归（LR）、随机森林（RF）、XGBoost三种模型，分别用5折交叉验证（CV）训练，得到以下结果：模型训练集准确率验证集准确率验证集F1验证集AUC-ROCLR0.820.810.350.72RF0.950.830.410.78XGBoost0.980.840.430.81分析模型表现，判断是否存在过拟合？并说明选择最终模型的依据（10分）；3.对XGBoost模型进行特征重要性分析，得到以下结果（按权重排序）：DailyActive（0.35）、Purchase30（0.30）、Income（0.20）、Age（0.10）、IsMember（0.05）。若需精简特征，应删除哪个？说明理由（6分）；4.测试集上XGBoost的混淆矩阵如下：预测0预测1实际01500100实际1200200计算精确率（Precision）、召回率（Recall）、F1值和特异度（Specificity），并解读业务意义（16分）。答案：1.需要调整。训练集与测试集正类占比接近（18%vs17.5%），但正类占比低（<20%），属于不平衡数据，可能导致模型偏向负类。调整方法：①过采样（如SMOTE）：提供正类样本，保留原始数据分布，适用于小样本；②加权损失函数（如LR的class_weight='balanced'）：对正类错误赋予更高权重，计算效率高，适用于大样本。SMOTE可能引入噪声（如边界样本过提供），加权法更稳定但依赖模型是否支持权重参数。2.RF和XGBoost存在轻微过拟合：训练集准确率（0.95/0.98）显著高于验证集（0.83/0.84），但差距较小（≤0.15），属于可接受范围；LR无过拟合（训练0.82vs验证0.81）。选择XGBoost：其验证集AUC-ROC（0.81）最高，AUC衡量整体分类能力，对不平衡数据更稳健；F1（0.43）也优于其他模型，综合考虑正类预测效果更佳。3.应删除IsMember（权重0.05）。特征重要性权重反映其在分裂中的使用频率，IsMember权重最低，且与目标变量Repurchase的关联可能被其他特征覆盖（如Purchase30已包含购买行为信息）。删除后可降低模型复杂度，减少过拟合风险，同时节省计算资源。4.精确率=TP/(TP+FP)=200/(200+100)=0.6667；召回率=TP/(TP+FN)=200/(200+200)=0.5；F1=2(PrecisionRecall)/(Precision+Recall)=2(0.66670.5)/(0.6667+0.5)=0.5714；F1=2(PrecisionRecall)/(Precision+Recall)=2(0.66670.5)/(0.6667+0.5)=0.5714；特异度=TN/(TN+FP)=1500/(1500+100)=0.9375。业务意义：精确率0.67表示模型预测的“复购用户”中，67%实际会复购，推荐策略的针对性较好；召回率0.5表示仅覆盖了50%的真实复购用户，存在大量漏判，需优化模型对正类的捕捉能力；特异度0.94表示对“非复购用户”的判断准确率高，可减少对非目标用户的资源浪费；F1=0.57综合反映模型在正类上的平衡表现，需通过调整阈值（如降低分类阈值至0.4）提升召回率。三、聚类分析与业务应用（本题共25分）某生鲜平台用户数据集包含：客单价（AverageSP，元）、周购买频率（FreqWeek）、最近一次购买距今天数（Recency，天）、偏好品类（Category，包括蔬菜、水果、肉蛋、水产4类）。使用K-means和DBSCAN对用户分群，部分结果如下：聚类方法簇数轮廓系数噪声点占比簇1特征簇2特征簇3特征K-means30.620%Recency<7，FreqWeek>3Recency15-30，FreqWeek1-2Recency>60，FreqWeek<1DBSCAN20.5812%FreqWeek>2，AverageSP>200FreqWeek≤1，AverageSP≤100-1.比较K-means与DBSCAN的分群结果，说明各自适用场景（8分）；2.分析K-means的3个簇对应的用户类型，提出差异化运营策略（9分）；3.DBSCAN的噪声点占比12%，如何处理这些样本？提出两种方法并说明理由（8分）。答案：1.K-means基于距离划分球状簇，要求簇数已知，对噪声敏感（噪声点占0%），适合本题中用户行为呈明显分层（高频/中频/低频）的场景；DBSCAN基于密度划分任意形状簇，自动识别噪声（12%），适合存在离群用户（如高客单价但低频的“偶尔大额购买者”）的场景。本题中K-means轮廓系数更高（0.62>0.58），说明簇内紧凑性更好，但若数据存在非球状分布或噪声，DBSCAN更合理。2.K-means的3个簇对应：簇1（高活用户）：最近购买（Recency<7）、每周购买≥3次，为核心用户，策略：提升客单价（如满减券）、专属会员权益；簇2（中频用户）：近期有购买（15-30天）、每周1-2次，为潜力用户，策略：唤醒复购（如推送限时折扣）、个性化推荐（基于历史品类偏好）；簇3（沉睡用户）：超过60天未购买、每周<1次，为流失风险用户，策略：挽回活动（如首单立减）、调研流失原因（如问卷收集反馈）。3.处理DBSCAN噪声点的方法：①重新调参（如降低eps或min_samples）：若噪声点实际属于小密度簇（如“高客单价低频用户”），调整参数可将其归入新簇，避免信息丢失；②单独分析噪声点：若噪声点特征独特（如AverageSP>500且FreqWeek=0.5），可定义为“高价值偶发用户”，针对其设计定制化服务（如节日礼包推送），挖掘潜在需求。四、关联规则挖掘（本题共25分）某便利店2025年冬季购物篮数据（n=5000）中，部分商品组合的支持度（Support）和置信度（Confidence）如下：规则SupportConfidenceLift热饮→关东煮0.120.602.4面包→牛奶0.150.501.0泡面→火腿肠0.080.753.0水果→酸奶0.090.451.81.计算“热饮→关东煮”的提升度（Lift），并解释其业务意义（5分）；2.分析四条规则中哪些是“强关联规则”，说明判断标准（8分）；3.针对“泡面→火腿肠”规则，提出陈列优化和营销方案（12分）。答案：1.Lift=Confidence/(Support(关东煮))。已知Support(热饮→关东煮)=0.12=P(热饮∩关东煮)，假设P(关东煮)=Support(关东煮)=0.12/0.60=0.2（因Confidence=P(关东煮|热饮)=P(热饮∩关东煮)/P(热饮)=0.60，若P(热饮)=0.2，则P(关东煮)=0.2）。则Lift=0.60/0.2=3（注：原题中Lift已给出2.4，可能P(关东煮)=0.25，0.60/0.25=2.4）。Lift>1表示热饮与关东煮的关联非随机，购买热饮的用户购买关东煮的概率是整体的2.4倍，存在正向关联。2.强关联规则需满足Support≥最小支持度（假设0.05）、Confidence≥最小置信度（假设0.5）、Lift>1。四条规则中：热饮→关东煮：Support=0.12≥0.05，Confidence=0.6≥0.5，Lift=2.4>1，是强规则；面包→牛奶：Lift=1.0，无额外关联（独立事件），非强规则；泡面→火腿肠：Support=0.08≥0.05，Confidence=0.75≥0.5，Lift=3.0>1，是强规则；水果→酸奶：Support=0.09≥0.05，Confidence=0.45<0.5（若最小置信度0.5），非强规则（若置信度阈值0.4则是）。3.陈列优化：将泡面与火腿肠相邻摆放（如泡面货架末端放置火腿肠），或设计“泡面+火腿肠”组合堆头，减少用户寻找成本；营销方案：①捆绑定价（如泡面10元+火腿肠2元，组合价11元）；②第二件折扣（买泡面，火腿肠半价）；③会员专属（购买泡面+火腿肠送纸巾）；④场景化推荐（冬季晚间时段，在收银台提示“搭配火腿肠更温暖”）。五、时间序列预测（本题共30分）某新能源汽车品牌2020-2025年月销量数据（单位：万辆）如下（部分展示）：时间2020-012020-072021-012021-072022-012022-072023-012023-072024-012024-072025-012025-07销量0.81.21.52.02.83.54.25.06.17.38.59.81.绘制时间序列图，判断是否存在趋势和季节性（需描述特征）（6分）；2.计算2023年的季节指数（假设以Q1、Q2、Q3、Q4划分，7月属于Q3），并解释其意义（8分）；3.使用ARIMA模型预测2026年1月和7月销量，需说明模型定阶过程（p,d,q）（10分）；4.若实际2026年1月销量为10.2万辆，计算预测误差（MAE、RMSE），并分析误差来源（6分）。答案：1.时间序列图呈现显著上升趋势（销量从2020-01的0.8万增长至2025-07的9.8万，年均增长率约60%）；季节性方面，观察半年数据（1月与7月）：2020-01=0.8，2020-07=1.2（+50%）；2021-01=1.5，2021-07=2.0（+33%）；2022-01=2.8，2022-07=3.5（+25%）；2023-01=4.2，2023-07=5.0（+19%）；2024-01=6.1，2024-07=7.3（+19.7%）；2025-01=8.5，2025-07=9.8（+15.3%）。虽半年增幅逐年下降，但7月销量始终高于1月，存在弱季节性（夏季购车需求略高）。2.2023年各季度销量：Q1（1-3月）假设1月4.2万，2-3月线性插值为4.5、4.8万（总和13.5万）；Q3（7-9月）7月5.0万，8-9月插值5.2、5.4万（总和15.6万）。季节指数=（Q3平均销量）/（全年平均季度销量）=（15.6/3）/（(13.5+Q2+Q4)/4）。假设Q2（4-6月）销量为4.9、5.1、5.3万（总和15.3万），Q4（1