2026年关联规则测试题及答案

2026年关联规则测试题及答案

一、单项选择题（总共10题，每题2分）1.关联规则挖掘中，支持度（Support）的计算公式是：A.包含项集的事务数/总事务数B.包含项集的事务数/包含前项的事务数C.包含项集的事务数/包含后项的事务数D.包含前项的事务数/包含后项的事务数2.在Apriori算法中，频繁项集的性质是：A.所有子集都是频繁的B.所有超集都是频繁的C.只有部分子集是频繁的D.频繁项集的大小不影响其子集3.关联规则挖掘中，置信度（Confidence）的计算公式是：A.包含项集的事务数/总事务数B.包含项集的事务数/包含前项的事务数C.包含项集的事务数/包含后项的事务数D.包含前项的事务数/包含后项的事务数4.FP-Growth算法相比Apriori算法的优势在于：A.需要多次扫描数据库B.不生成候选项集C.计算复杂度更高D.仅适用于小规模数据集5.提升度（Lift）用于衡量关联规则的：A.支持度B.置信度C.独立性D.相关性6.在关联规则挖掘中，如果提升度等于1，说明：A.前项和后项完全相关B.前项和后项完全独立C.前项和后项负相关D.前项和后项高度依赖7.关联规则挖掘通常用于以下哪种数据分析？A.分类B.聚类C.购物篮分析D.回归8.以下哪项不是关联规则挖掘的典型应用？A.推荐系统B.异常检测C.市场分析D.时间序列预测9.Apriori算法中的“先验性质”指的是：A.频繁项集的所有子集也是频繁的B.频繁项集的所有超集也是频繁的C.非频繁项集的所有子集也是非频繁的D.非频繁项集的所有超集也是非频繁的10.关联规则挖掘中，如果支持度和置信度都很高，但提升度很低，说明：A.规则具有强相关性B.规则具有弱相关性C.规则无意义D.规则是偶然出现的二、填空题（总共10题，每题2分）1.关联规则挖掘的两个关键指标是________和________。2.Apriori算法通过________和________两个步骤挖掘频繁项集。3.FP-Growth算法使用________结构来压缩数据，减少扫描次数。4.提升度（Lift）的计算公式是________。5.如果一个规则的置信度为100%，说明________。6.关联规则挖掘中，________用于衡量规则的统计显著性。7.在Apriori算法中，如果某个项集的支持度低于最小支持度阈值，则其所有________也不会被考虑。8.频繁项集是指满足________条件的项集。9.关联规则挖掘通常应用于________和________领域。10.FP-Growth算法的核心思想是基于________模式增长。三、判断题（总共10题，每题2分）1.关联规则挖掘只能用于结构化数据。（）2.Apriori算法比FP-Growth算法更适合处理大规模数据集。（）3.支持度和置信度越高，关联规则越有意义。（）4.提升度大于1表示前项和后项正相关。（）5.关联规则挖掘可以用于预测未来事件。（）6.FP-Growth算法需要多次扫描数据库。（）7.频繁项集的所有子集也一定是频繁的。（）8.关联规则挖掘通常用于无监督学习。（）9.置信度可以完全衡量规则的可靠性。（）10.提升度为0表示前项和后项完全独立。（）四、简答题（总共4题，每题5分）1.简述Apriori算法的基本流程。2.解释支持度、置信度和提升度的含义及其作用。3.比较Apriori算法和FP-Growth算法的优缺点。4.关联规则挖掘在实际应用中有哪些局限性？五、讨论题（总共4题，每题5分）1.如何选择合适的支持度和置信度阈值？2.关联规则挖掘在电商推荐系统中的应用及优化方法。3.为什么提升度比置信度更能衡量规则的有效性？4.讨论FP-Growth算法如何提高关联规则挖掘的效率。---答案及解析一、单项选择题1.A2.A3.B4.B5.D6.B7.C8.D9.A10.B二、填空题1.支持度，置信度2.连接，剪枝3.FP-Tree4.置信度/(后项支持度)5.前项出现时后项一定出现6.提升度7.超集8.最小支持度9.零售，市场营销10.频繁三、判断题1.×2.×3.×4.√5.×6.×7.√8.√9.×10.×四、简答题1.Apriori算法的基本流程包括：-扫描数据库，计算所有1-项集的支持度，筛选出频繁1-项集。-通过连接操作生成候选k-项集，并利用剪枝策略去除不符合最小支持度的项集。-重复上述步骤，直到无法生成更大的频繁项集为止。-最后，基于频繁项集生成关联规则，并计算置信度筛选有效规则。2.支持度衡量规则在数据中的普遍性，置信度衡量规则的可靠性，提升度衡量规则的相关性。支持度用于筛选频繁项集，置信度用于评估规则强度，提升度用于判断规则是否具有实际意义。3.Apriori算法简单易实现，但需要多次扫描数据库，计算量大；FP-Growth算法通过FP-Tree压缩数据，减少扫描次数，效率更高，但内存消耗较大。4.关联规则挖掘的局限性包括：-可能产生大量冗余规则。-对阈值选择敏感，不同阈值可能导致结果差异大。-难以处理高维稀疏数据。-无法直接用于预测任务。五、讨论题1.选择合适的支持度和置信度阈值需要结合具体业务需求。支持度过高可能遗漏重要规则，过低则产生噪声；置信度过高可能限制规则数量，过低则规则不可靠。可通过实验调整或结合领域知识确定。2.在电商推荐系统中，关联规则挖掘可用于发现用户购买行为模式，如“购买A商品的用户也购买B商品”。优化方法包括：动态调整阈值、结合用户画像、引