数据科学自测题及解答

数据科学自测题及解答一、单项选择题（共10题，每题1分，共10分）在数据科学项目中，用于发现数据中的模式、趋势和关联，但通常不用于预测未来具体数值的分析方法被称为？A.描述性分析B.预测性分析C.规范性分析D.诊断性分析答案：A解析：描述性分析的主要目的是总结和呈现历史数据，以揭示模式、趋势和关联，回答“发生了什么”的问题。预测性分析（B）旨在预测未来的结果或趋势。规范性分析（C）侧重于建议应采取的行动。诊断性分析（D）则用于探究“为什么会发生”，是描述性分析的深入。在机器学习中，当模型在训练集上表现良好，但在新的、未见过的测试集上表现不佳时，我们通常称该模型存在什么问题？A.欠拟合B.过拟合C.高偏差D.数据泄露答案：B解析：过拟合是指模型过度学习了训练数据中的噪声和细节，导致其泛化能力差，在训练集上误差小，在测试集上误差大。欠拟合（A）是指模型过于简单，无法捕捉数据中的基本规律，在训练集和测试集上表现都差，通常伴随高偏差（C）。数据泄露（D）是另一个独立问题，指训练数据中包含了预测目标相关的信息，导致评估结果过于乐观。以下哪个指标最不适合用于评估一个高度不平衡的二分类模型（例如，欺诈检测中欺诈案例占比极低）的性能？A.准确率B.精确率C.召回率D.F1分数答案：A解析：在类别极度不平衡的数据集中，如果模型将所有样本都预测为多数类，准确率依然会很高，但这对于识别少数类（如欺诈）毫无意义。因此，准确率不是一个好的评估指标。精确率（B，预测为正例中实际为正的比例）、召回率（C，实际为正例中被预测为正的比例）和结合两者的F1分数（D）更能反映模型对少数类的识别能力。在数据预处理中，将不同量纲的数值特征转换到同一尺度，例如[0,1]区间内，这个过程通常称为？A.数据清洗B.数据归一化C.数据标准化D.独热编码答案：B解析：数据归一化（Min-MaxScaling）是将数据按比例缩放到一个特定的区间，通常是[0,1]。数据标准化（C，Standardization）则是将数据转换为均值为0、标准差为1的分布。数据清洗（A）是一个更广泛的概念，包括处理缺失值、异常值等。独热编码（D）是将分类变量转换为二进制向量的过程。在关联规则挖掘中，规则“{牛奶，面包}=>{黄油}”的“支持度”衡量的是什么？A.规则的可信程度B.“牛奶，面包，黄油”同时出现的交易占总交易的比例C.在购买“牛奶，面包”的交易中，也购买了“黄油”的比例D.规则的实用价值答案：B解析：支持度衡量的是项集（如{牛奶，面包，黄油}）在整个数据集中出现的频率，即同时包含这些商品的交易占总交易数的比例。它反映了规则的普遍性。可信程度（A）对应的是置信度，即选项C的描述。规则的实用价值（D）通常由提升度等指标衡量。主成分分析的主要目标是？A.对数据进行分类B.降低数据维度，同时尽可能保留原始数据的方差信息C.寻找数据中的聚类D.预测一个连续的目标变量答案：B解析：主成分分析是一种无监督的降维技术。它通过线性变换将原始特征转换为一组新的、彼此正交的特征（主成分），并按方差大小排序。目标是使用前几个方差最大的主成分来近似表示原始数据，从而达到降维和去除噪声的目的。它本身不用于分类（A）、聚类（C）或回归预测（D）。在时间序列分析中，用于描述当前观测值与过去观测值之间线性依赖关系的模型是？A.移动平均模型B.自回归模型C.自回归移动平均模型D.季节性分解模型答案：B解析：自回归模型使用过去若干期的观测值来预测当前值，核心是描述当前值与历史值之间的线性关系。移动平均模型（A）则使用过去预测误差的线性组合来建模。自回归移动平均模型（C）是AR和MA的结合。季节性分解模型（D）是将时间序列分解为趋势、季节性和残差等成分，不直接是线性依赖模型。以下关于K-Means聚类算法的描述，哪一项是错误的？A.需要预先指定聚类的数量KB.对异常值比较敏感C.聚类结果受初始中心点选择的影响D.适用于发现任意形状的簇答案：D解析：K-Means算法基于距离（通常是欧氏距离）进行划分，其隐含的假设是每个簇呈球形或凸形，因此它倾向于发现大小相近、密度均匀的球形簇，而不擅长发现任意形状（如环形、月牙形）的簇。其他选项描述均正确：需要指定K值（A）；使用均值作为中心点，易受离群点影响（B）；初始中心点的随机选择可能导致不同的聚类结果（C）。在构建推荐系统时，基于“购买了商品A的用户也经常购买商品B”这一逻辑的推荐方法属于？A.基于内容的推荐B.协同过滤推荐C.混合推荐D.知识图谱推荐答案：B解析：这种基于用户群体行为（用户-物品交互历史）的模式挖掘，是典型的协同过滤思想，具体来说是“物品-物品”协同过滤。基于内容的推荐（A）依赖于物品本身的属性特征。混合推荐（C）结合了多种方法。知识图谱推荐（D）则利用实体间的语义关系进行推荐。在假设检验中，P值的含义是？A.原假设为真的概率B.备择假设为真的概率C.在原假设为真的前提下，观察到当前样本或更极端样本的概率D.犯第一类错误（弃真）的概率答案：C解析：P值是一个条件概率，它衡量的是在原假设成立的前提下，当前观测到的样本统计量（或更不利于原假设的统计量）出现的可能性。P值越小，说明当前样本数据与原假设的冲突越严重。P值不等于原假设为真的概率（A），也不等于备择假设为真的概率（B）。显著性水平α才是事先设定的犯第一类错误的概率上限（D）。二、多项选择题（共10题，每题2分，共20分）以下哪些是数据科学项目生命周期中常见的核心阶段？（至少2个正确选项）A.问题定义与业务理解B.数据收集与获取C.数据清洗与预处理D.模型部署与监控答案：ABCD解析：一个完整的数据科学项目生命周期通常遵循一个迭代的流程。A阶段是确定目标和成功标准，至关重要。B阶段是获取解决问题所需的数据。C阶段是数据准备的核心，耗时最长，包括处理缺失值、异常值、特征工程等。D阶段是将模型投入实际生产环境并持续评估其表现，确保其长期有效。这四个阶段是CRISP-DM等经典方法论都包含的核心环节。关于特征工程，下列哪些说法是正确的？（至少2个正确选项）A.特征缩放可以加速某些优化算法的收敛B.对于树模型（如随机森林），通常不需要进行特征缩放C.创建多项式特征可能有助于线性模型捕捉非线性关系D.独热编码必然会导致特征维度大幅增加，应尽量避免使用答案：ABC解析：特征缩放（如归一化、标准化）对于基于梯度下降的模型（如线性回归、神经网络）至关重要，能加速收敛（A）。树模型基于特征阈值进行分裂，其性能不受特征尺度影响，故通常无需缩放（B）。通过将原始特征进行多项式组合，线性模型可以拟合更复杂的非线性模式（C）。独热编码确实会增加维度（“维度灾难”），但它是处理名义分类变量的标准方法之一，对于类别数量不多的特征非常有效，不能一概而论地避免（D错误）。在评估回归模型时，以下哪些指标是常用的？（至少2个正确选项）A.均方误差B.准确率C.R平方D.平均绝对误差答案：ACD解析：均方误差（A）是回归任务中最常用的损失函数之一，衡量预测值与真实值之差的平方的平均值。R平方（C）反映了模型对目标变量方差的解释比例。平均绝对误差（D）是预测误差绝对值的平均值，对异常值不如MSE敏感。准确率（B）是分类任务中的核心评估指标，不适用于回归问题。以下哪些方法可以有效处理数据集中的缺失值？（至少2个正确选项）A.直接删除含有缺失值的样本或特征B.使用均值、中位数或众数进行填充C.使用回归或K近邻等模型预测并填充缺失值D.将所有缺失值标记为一个新的特殊类别（如“未知”）答案：ABCD解析：这些都是处理缺失值的常用策略。A方法简单，但在数据宝贵或缺失比例高时不适用。B方法是单变量填充，简单快捷。C方法是更复杂的多变量填充，利用其他特征的信息进行预测。D方法适用于分类变量，将缺失本身视为一种可能包含信息的状态。方法的选择需根据缺失机制、数据量和业务场景决定。关于监督学习与无监督学习，以下描述正确的有？（至少2个正确选项）A.分类和回归属于监督学习任务B.聚类和降维属于无监督学习任务C.无监督学习不需要任何标签数据D.半监督学习是监督学习和无监督学习的结合答案：ABCD解析：监督学习的任务是利用带有标签（答案）的数据训练模型，以对新的数据做出预测，主要包括分类（离散标签）和回归（连续标签）（A）。无监督学习则是在没有标签的数据中寻找内在结构，如聚类（分组）和降维（压缩信息）（B、C）。半监督学习（D）利用少量有标签数据和大量无标签数据进行学习，是两者的结合。以下哪些是集成学习常用的方法？（至少2个正确选项）A.BaggingB.BoostingC.StackingD.Dropout答案：ABC解析：集成学习通过构建并结合多个学习器来完成学习任务。Bagging（如随机森林）通过自助采样构建多个基学习器并投票或平均。Boosting（如AdaBoost,GBDT）顺序训练基学习器，后续学习器聚焦于前序学习器分错的样本。Stacking（堆叠）则训练一个元学习器来结合多个基学习器的预测结果。Dropout（D）是神经网络中用于防止过拟合的正则化技术，并非一种独立的集成学习方法。在自然语言处理中，文本数据预处理可能包括以下哪些步骤？（至少2个正确选项）A.分词B.去除停用词C.词干提取或词形还原D.构建词袋模型答案：ABCD解析：分词（A）是将连续文本切分成独立的词或子词单元。去除停用词（B）是过滤掉“的”、“了”等高频但信息量低的词。词干提取和词形还原（C）旨在将词语归并到其词根或原型形式，减少词汇表大小。构建词袋模型（D）是文本向量化的一种基础方法，将文本表示为词汇表中单词出现频率的向量。这些步骤都是常见的预处理流程。关于偏差-方差权衡，下列哪些陈述是正确的？（至少2个正确选项）A.高偏差模型往往过于简单，可能导致欠拟合B.高方差模型往往过于复杂，对训练数据细节过度敏感，可能导致过拟合C.增加模型复杂度通常会降低偏差，但可能增加方差D.理想模型是同时具有低偏差和低方差答案：ABCD解析：偏差-方差分解是理解模型泛化误差的重要框架。偏差度量了模型预测的期望值与真实值的偏离程度，高偏差意味着模型忽略数据规律，导致欠拟合（A）。方差度量了模型对训练集变化的敏感度，高方差意味着模型学习了噪声，导致过拟合（B）。模型复杂度增加，其拟合能力增强，偏差减小，但模型变得更“敏感”，方差增大（C）。我们追求的是在偏差和方差之间取得最佳平衡，即总误差最小的模型（D）。以下哪些数据库或数据处理框架通常被归类为“大数据”技术栈的组成部分？（至少2个正确选项）A.HadoopHDFSB.ApacheSparkC.MySQLD.ApacheKafka答案：ABD解析：HadoopHDFS（A）是一个分布式文件系统，用于存储海量数据，是大数据生态的基石。ApacheSpark（B）是一个用于大规模数据处理的快速通用计算引擎。ApacheKafka（D）是一个分布式流处理平台，用于构建实时数据管道和流应用。它们都是处理海量、高速、多样数据（大数据）的典型技术。MySQL（C）是一个传统的关系型数据库，虽然功能强大，但通常用于处理结构化、规模相对可控的在线事务处理，不属于为应对大数据挑战而生的新一代技术栈。在数据可视化中，以下哪些图表类型适合用于展示两个连续变量之间的关系？（至少2个正确选项）A.散点图B.折线图C.热力图D.箱线图答案：AB解析：散点图（A）是展示两个连续变量关系最直接、最有效的图表，每个点代表一个观测值，可以清晰显示相关性、分布和异常值。当其中一个变量是时间或有序序列时，折线图（B）也能很好地展示另一个变量随其变化的趋势。热力图（C）常用于展示两个分类变量构成的矩阵中某个度量值的大小，或展示地理数据密度。箱线图（D）主要用于展示单个连续变量的分布情况，或比较不同分类下连续变量的分布。三、判断题（共10题，每题1分，共10分）相关系数r的取值范围在-1到1之间，其绝对值越大，表示两个变量之间的线性关系越强。答案：正确解析：皮尔逊相关系数r是衡量两个连续变量线性相关程度的统计量。r=1表示完全正相关，r=-1表示完全负相关，r=0表示没有线性相关。绝对值越接近1，表明数据点越接近一条直线，线性关系越强。但需要注意，相关系数只衡量线性关系，即使r=0，变量间也可能存在强烈的非线性关系。在逻辑回归中，我们使用线性回归的损失函数（如均方误差）来优化模型参数。答案：错误解析：逻辑回归虽然名字中有“回归”，但它是一个用于二分类的线性模型。它使用Sigmoid函数将线性组合的结果映射到[0,1]区间作为概率。其损失函数是交叉熵损失函数（或对数损失函数），而不是用于线性回归的均方误差损失。使用均方误差会导致优化问题非凸，难以找到最优解。随机森林中的每一棵决策树都是在原始训练集的全部特征上构建的。答案：错误解析：随机森林在构建每棵决策树时，引入了双重随机性：第一，对训练样本进行自助采样；第二，在树的每个节点进行分裂时，不是从所有特征中选择最优特征，而是从一个随机子集中选择。这种对特征进行随机采样的机制，正是“随机”森林得名的原因之一，它有助于降低树之间的相关性，提升模型的泛化能力。主成分分析得到的主成分之间是相互关联的。答案：错误解析：主成分分析通过线性变换得到的新变量（主成分）之间是相互正交（垂直）的，这意味着它们之间的协方差（或相关系数）为零，即完全不相关。这是PCA的一个重要数学性质，确保了每个主成分携带的信息是独一无二的、不重叠的。准确率是评估分类模型性能的唯一可靠指标。答案：错误解析：这个说法过于绝对。准确率仅在类别分布平衡时是一个好的指标。在类别不平衡（如疾病筛查、欺诈检测）的场景下，一个将所有样本预测为多数的简单模型就能获得高准确率，但这毫无意义。此时需要结合精确率、召回率、F1分数、AUC-ROC曲线等指标进行综合评估。K近邻算法是一种惰性学习算法，因为它在训练阶段仅仅保存数据，而不进行任何显式的模型构建。答案：正确解析：K近邻算法没有显式的训练过程，或者说其“训练”过程只是将训练数据集存储起来。当需要对一个新样本进行预测时，算法才在存储的数据中查找最近的K个邻居，并根据这些邻居的标签进行投票或平均。这种“推迟计算到预测时”的特性被称为“惰性学习”或“基于实例的学习”。在时间序列预测中，使用移动平均法可以完全消除数据的季节性波动。答案：错误解析：简单移动平均法的主要作用是平滑数据，消除短期随机波动，从而更清晰地显示长期趋势。但它对于具有固定周期（如月度、季度）的季节性波动消除效果有限。要有效处理季节性，通常需要使用更专门的方法，如季节性分解、SARIMA模型或引入季节性虚拟变量等。独热编码适用于所有类型的分类变量，包括有序分类变量和无序分类变量。答案：错误解析：独热编码适用于名义分类变量（无序分类变量），因为它将每个类别转换为一个独立的二进制特征，类别间没有顺序关系。对于有序分类变量（如“小”、“中”、“大”），其类别间存在内在的顺序关系，使用独热编码会丢失这种顺序信息。此时，使用序数编码（如映射为1,2,3）或特定的有序编码方法更为合适。梯度下降算法一定能找到损失函数的全局最小值。答案：错误解析：对于非凸损失函数（如神经网络的损失函数），梯度下降算法找到的通常是局部最小值或鞍点，而非全局最小值。算法的收敛点严重依赖于初始参数值。即使对于凸函数（如线性回归的MSE），在理论上可以收敛到全局最小，但在实际中也可能因学习率设置不当而无法达到。数据科学中的“特征”和统计学中的“变量”通常指的是同一个概念。答案：正确解析：在数据科学和机器学习的语境下，“特征”是指用来描述样本或观测值的属性或变量。在统计学中，“变量”是指研究中可以取不同值的量。虽然术语不同，但在描述数据集中的列或属性时，它们本质上是同义词。例如，在预测房价时，“房屋面积”既可以被称为一个特征，也可以被称为一个自变量或解释变量。四、简答题（共5题，每题6分，共30分）简述过拟合的常见原因及三种主要的应对策略。答案：第一，过拟合的常见原因包括：模型复杂度过高，相对于数据量来说参数太多；训练数据量不足，模型无法学习到普遍的规律；训练数据噪声过大，模型学习了噪声；训练迭代次数过多（对于迭代算法如神经网络）。第二，应对过拟合的主要策略之一是正则化：在损失函数中添加对模型复杂度的惩罚项，如L1正则化（LASSO）或L2正则化（Ridge），迫使模型权重减小，降低模型复杂度。第三，应对过拟合的主要策略之二是获取更多高质量的训练数据：这是最根本有效的方法之一，更多的数据能让模型学习到更本质的数据分布，降低对噪声的敏感度。第四，应对过拟合的主要策略之三是使用集成方法：如Bagging（随机森林），通过构建多个模型并综合其预测，可以平均掉单个模型可能存在的过拟合噪声，提升泛化能力。此外，早停法、Dropout（针对神经网络）也是常用策略。简要说明什么是A/B测试及其在数据科学中的应用价值。答案：第一，A/B测试的定义：A/B测试是一种对比实验方法，将目标群体随机分为两组或多组，分别给予不同的干预（如不同的网页设计、算法策略、营销文案），在控制其他条件一致的情况下，观察并比较各组在关键指标上的表现，从而科学地评估不同干预的因果效应。第二，应用价值在于决策的科学化：它用客观数据取代主观猜测，帮助产品、运营、算法团队做出基于证据的决策。例如，确定哪个新功能更能提升用户留存率，哪种推荐算法能带来更高的点击率。第三，应用价值在于风险的可控化：通过小流量测试，可以先将新方案暴露给一小部分用户，观察效果和潜在问题，避免全量上线可能带来的负面影响，实现平稳迭代和风险控制。列举并简要说明数据清洗中处理缺失值的三种常用方法及其适用场景。答案：第一，直接删除法：将含有缺失值的样本整行删除，或将缺失率过高的特征整列删除。这种方法简单快捷，适用于缺失数据量很少（如占总样本比例低于百分之五），且缺失完全随机的情况。当数据本身非常宝贵或缺失比例高时，此方法会导致信息严重损失，不宜采用。第二，统计量填充法：对于数值型特征，常用均值、中位数进行填充；对于分类特征，常用众数进行填充。这是一种单变量填充方法，计算简单，能保持数据集的规模。适用于缺失率不高，且特征本身分布较为集中、稳定的情况。中位数填充对异常值不敏感，优于均值填充。第三，模型预测填充法：将缺失特征作为目标变量，利用其他完整的特征建立预测模型（如回归、K近邻、随机森林）来估计缺失值。这是一种多变量填充方法，更为精确，因为它利用了特征间的相关性。适用于数据量较大、特征间存在较强相关性，且缺失模式为非随机缺失的情况。但计算成本较高。简述协同过滤推荐系统的基本原理及其两种主要类型。答案：第一，基本原理：协同过滤的核心思想是“物以类聚，人以群分”。它利用群体智慧，通过分析大量用户的历史行为数据（如评分、购买、点击），发现用户之间或物品之间的相似性，然后基于这些相似性进行推荐。它不依赖于物品的内容特征，只依赖于用户-物品交互矩阵。第二，基于用户的协同过滤：首先计算用户之间的相似度（如余弦相似度），找到与目标用户兴趣相似的其他用户（邻居）。然后，将这些邻居喜欢而目标用户未接触过的物品，根据邻居的喜好程度加权推荐给目标用户。其逻辑是“和你相似的人也喜欢这个”。第三，基于物品的协同过滤：首先计算物品之间的相似度，通常基于喜欢它们的用户群体的重叠度。然后，根据目标用户历史喜欢的物品，找出与这些物品相似的其他物品推荐给用户。其逻辑是“喜欢这个物品的人也喜欢那个”。基于物品的CF通常更稳定，因为物品的相似度比用户的相似度变化更慢。解释什么是“维度灾难”及其在机器学习中的主要影响。答案：第一，“维度灾难”的定义：随着特征空间维度的增加，数据在其空间中的分布变得极其稀疏，单位体积内的数据点数量指数级下降。这导致许多在低维空间直观有效的算法和概念在高维空间变得低效甚至失效。第二，对数据需求的影响：为了在高维空间中获得可靠的统计估计，所需的数据样本量呈指数增长。例如，在10维单位超立方体中，要使数据覆盖其体积的百分之十，需要的样本量远大于在一维线段上达到同样覆盖率所需的样本量。数据稀疏性使得模型难以学习有效的模式。第三，对距离度量的影响：在高维空间中，所有点对之间的距离都趋于相似，这使得基于距离的算法（如K近邻、聚类）区分度下降，性能恶化。欧氏距离等度量在高维下可能失去意义。第四，对模型复杂度和过拟合的影响：特征越多，模型可能越复杂，更容易捕捉到噪声而非真实信号，导致过拟合风险急剧增加。因此，降维和特征选择成为应对维度灾难的关键技术。五、论述题（共3题，每题10分，共30分）请论述在数据科学项目中，为什么“问题定义与业务理解”阶段至关重要？并结合一个具体场景（如电商销量预测）说明该阶段应包含哪些具体工作。答案：论点：在数据科学项目中，“问题定义与业务理解”是项目的基石和导航仪，它决定了后续所有工作的方向和价值。若此阶段出现偏差，即使后续技术再精湛，模型再复杂，也可能产出无法解决实际业务问题、甚至误导决策的“玩具模型”。论据与具体工作阐述：首先，明确业务目标与成功标准。在电商销量预测场景中，不能仅仅说“预测销量”。必须深入理解：预测的目的是什么？是为了优化库存管理（那么需要SKU级别的精确预测），还是为了制定营销策略（那么可能更关注品类或区域级别的趋势预测）？成功标准是预测误差最小化，还是高库存商品预测准确率优先？将模糊的业务需求转化为清晰、可衡量的数据科学问题，是这一阶段的核心任务。其次，界定项目范围与约束。需要确定预测的时间粒度（日、周、月）、预测的时间跨度（未来一周、一个月）、覆盖的商品范围（全品类还是重点品类）。同时，考虑实际约束，如数据可获取性（能否拿到实时浏览数据）、计算资源限制（模型需要多久更新一次）、项目时间与预算。在电商场景，可能决定先聚焦于头部一百个SKU的周度销量预测。再次，评估可用资源与可行性。梳理现有数据源：历史销售数据、商品属性数据、促销活动日历、节假日信息、竞争对手数据等。评估数据质量，是否存在大量缺失或异常。与业务、运营、技术团队沟通，确保数据可获取，并初步判断现有数据是否足以支持问题解决。例如，若发现促销活动记录不全，预测模型将难以准确评估促销效应。最后，形成项目计划与初步方案。基于以上分析，制定详细的项目计划书，包括关键里程碑、交付物、所需团队角色。并构思初步的解决方案框架，例如，决定采用时间序列模型结合特征工程的方法，并规划出模型验证的交叉验证策略。这为后续工作提供了清晰的路线图。结论：综上所述，“问题定义与业务理解”阶段通过深度对齐数据科学工作与业务需求，确保了项目的正确起点和方向。在电商销量预测的例子中，它帮助团队从“做一个预测模型”的模糊想法，聚焦到“构建能降低某类商品库存成本的周度预测系统”这一具体、可执行、有价值的目标上，从而引导后续数据收集、特征工程、模型选择和评估的所有工作。请对比论述线性回归与决策树这两种模型的核心原理、优缺点及各自最适用的场景。答案：论点：线性回归和决策树是两类基础且重要的预测模型，它们基于完全不同的原理，因而在模型特性、优缺点和应用场景上存在显著差异。理解这些差异是正确选择模型的前提。论据与对比分析：核心原理对比：线性回归基于统计学，假设目标变量与特征之间存在线性关系，通过最小化预测值与真实值之间的平方误差，拟合出一条（或多维空间中的一个超平面）最佳直线。其模型是全局的、参数化的。决策树则基于“分而治之”的思想，通过一系列基于特征值的“是/否”问题，递归地将数据划分到不同的分支（子集），最终在叶子节点给出预测值（分类时为多数类，回归时为均值）。其模型是局部的、非参数化的。优缺点对比：线性回归的优点在于模型简单、可解释性强（系数大小和方向直接表示特征影响）、计算效率高、理论基础坚实。其缺点也很明显：对非线性关系捕捉能力差，严重依赖线性假设；对特征间的多重共线性敏感；对异常值比较敏感。决策树的优点在于直观易懂（规则可翻译成if-then语句）、无需数据预处理（如对缺失值、量纲不敏感）、能自动处理特征交互、能捕捉非线性关系。其缺点在于容易过拟合，生成复杂的树；稳定性差，数据微小变化可能导致树结构巨变；单一的树预测能力有限（高方差）。适用场景对比：线性回归最适用于特征与目标之间存在明显线性或近似线性关系的场景，且需要模型具有强解释性。例如，在经济学中研究教育年限对收入的影响，在物理学中根据电流和电阻预测电压。当业务决策需要清楚知道“某个因素改变一个单位，结果平均变化多少”时，线性回归是理想选择。决策树适用于特征与目标关系复杂、非线性的场景，或者数据包含大量分类变量、缺失值的场景。它也常用于需要提供明确决策规则的领域，如信贷审批（“如果收入高于X且负债低于Y，则批准”）、医疗诊断初步分诊。然而，在实际中，单一决策树较少使用，更多的是以其为基础构建的随机森林、梯度提升树等集成模型，以克服其易过拟合的缺点，广泛应用于各类机器学习竞赛和工业界。结论：线性回归和决策树代表了两种不同的建模哲学。线性回归以简洁和可解释性见长，适用于关系明确、需要因果解释的场景。决策树以灵活和直观为优势，适用于模式复杂、需要探索性分析或作为强大集成模型基学习器的场景。在实际项目中，模型选择