2026年数据挖掘导论测试题及答案

2026年数据挖掘导论测试题及答案

一、单项选择题（每题2分，共20分）1.在CRISP-DM方法论中，首先被执行的阶段是A.数据准备B.业务理解C.建模D.评估2.下列哪项最能描述K-means算法的核心思想A.密度可达B.层次合并C.质心迭代D.核映射3.支持度计算时，分母通常为A.事务总数B.项集数量C.规则后件D.置信度4.决策树划分属性选择使用信息增益时，需先计算A.基尼指数B.熵C.支持度D.lift5.在朴素贝叶斯中，“朴素”一词主要指A.特征独立假设B.类先验相等C.高斯分布D.零概率问题6.当提升模型的方差时，以下哪种集成策略最有效A.BaggingB.BoostingC.StackingD.Voting7.Apriori算法剪枝所依赖的关键原理是A.支持度单调性B.置信度传递性C.提升度有界D.频繁性对称8.DBSCAN中若MinPts=4，某点核心距离为3，则其ε邻域内最少应含A.3B.4C.5D.69.在文本挖掘中，TF-IDF的“IDF”主要用来A.增强高频词权重B.抑制高频词权重C.归一化向量D.计算余弦相似度10.若关联规则{牛奶}→{面包}的置信度为0.8，支持度为0.2，则同时购买牛奶与面包的概率为A.0.16B.0.2C.0.8D.无法确定二、填空题（每题2分，共20分）11.数据离散化过程中，若采用等频法，每个区间包含的样本数________。12.在PCA中，第k主成分是数据协方差矩阵第________大特征值对应的特征向量。13.若某分类模型在测试集上的F1值为0.8，精确率为0.9，则召回率为________。14.当k-近邻采用均匀投票且k=5时，若某测试样本5个邻居类别为{A,A,B,A,C}，则预测类别为________。15.使用肘部法则确定K-means最佳k值时，纵坐标通常绘制________随k变化的曲线。16.若事务数据库含1000条事务，项集{X,Y}出现200次，则支持度百分比为________。17.在PageRank公式中，阻尼系数d常取默认值________。18.若某连续属性服从N(μ,σ²)，使用3σ原则进行异常检测时，边界为μ±________σ。19.当使用梯度提升树时，新增树拟合的是前一轮残差的________。20.在序列模式挖掘中，元素之间具有严格的________关系。三、判断题（每题2分，共20分，正确写“T”，错误写“F”）21.过采样少数类一定能提高模型整体准确率。22.信息增益率可以避免对多值属性的偏置。23.随机森林中树的数量越多，训练误差必单调下降。24.若两个变量互信息为0，则它们统计独立。25.EM算法保证收敛到全局最优。26.在关联规则中，提升度大于1表示前后件正相关。27.SVM使用RBF核时，模型复杂度与特征维度无关。28.层次聚类一旦合并就不能撤销。29.在线性回归中，多重共线性会导致系数符号反转。30.使用交叉验证选择超参数时，测试集参与训练过程。四、简答题（每题5分，共20分）31.简述K-means算法对初始质心敏感的原因及两种改进思路。32.说明朴素贝叶斯在零概率问题上的处理方式并给出示例。33.写出ROC曲线绘制步骤并解释AUC的统计含义。34.概述MapReduce框架下Apriori并行化的核心思想。五、讨论题（每题5分，共20分）35.讨论高维稀疏数据对距离度量的影响，并提出至少两种缓解策略。36.比较Bagging与Boosting在偏差-方差权衡上的差异，并结合实际场景说明选型依据。37.针对类别不平衡的欺诈检测任务，设计一套完整的评估方案并说明理由。38.阐述深度学习特征提取与传统特征工程的优劣，并预测两者未来融合趋势。答案与解析一、单项选择题1.B2.C3.A4.B5.A6.A7.A8.B9.B10.A二、填空题11.相等12.k13.0.72714.A15.SSE(或簇内平方和)16.20%17.0.8518.319.负梯度20.时间先后三、判断题21.F22.T23.F24.T25.F26.T27.F28.T29.T30.F四、简答题（每题约200字）31.K-means目标函数非凸，初始质心不同导致迭代陷入不同局部极小。改进：1)多次随机初始化选取最小SSE解；2)使用k-means++按概率远距选初值，使质心散布最大化。32.若某特征值在训练集中未与某类共现，则条件概率为0，导致后验概率乘积归零。采用拉普拉斯平滑：对离散属性计数加1，分母加类别数；对连续属性可用高斯核平滑或m-估计，示例：文本分类中“股票”未出现在“体育”类，则P(股票|体育)=(0+1)/(体育文档数+词汇总数)。33.步骤：1)对分类器输出排序；2)依次取阈值得TPR、FPR；3)描点连线。AUC等于随机正例排在负例前的概率，值越接近1表示排序能力越强，0.5等价随机猜测。34.将事务数据库水平分片到各节点，Map阶段局部统计候选项集频数，Reduce阶段汇总全局支持度并剪枝；下一轮迭代前广播新的频繁项集，减少I/O与通信开销，实现数据并行。五、讨论题（每题约200字）35.高维稀疏使欧氏距离被“维度诅咒”主导，相似度趋同。策略：1)采用余弦相似度忽略幅值；2)使用Jaccard系数或MinHash降维；3)特征选择如χ²统计、L1正则剔除噪声维度；4)哈希技巧压缩至低维稠密向量。36.Bagging并行训练随机扰动数据，降低方差，适合高方差低偏差模型如深度树；Boosting顺序拟合残差，降低偏差，易过拟合噪声。选型：数据量小、噪声低选Boosting；数据量大、特征冗余高选Bagging。37.方案：1)分层采样保持测试集类别比例；2)采用AUC、F1、PR-AUC替代准确率；3)代价敏感学习赋予欺诈更高误分代价；4)使用重采样+集成如SMOTE+Bagging；5)监控业务指标如资金损失率。理由：兼顾模型排序能力与业务成本。38.深度学习