(2025年)数据挖掘基础知识试题及答案

(2025年)数据挖掘基础知识试题及答案一、单项选择题（每题2分，共20分）1.以下哪项不属于数据挖掘的主要任务？A.关联规则挖掘B.数据清洗C.聚类分析D.分类预测答案：B2.在数据预处理中，将年龄字段的“20-30岁”“31-40岁”转换为数值区间标签的过程属于？A.数据归一化B.离散化C.标准化D.特征提取答案：B3.若某分类模型在测试集上的准确率为85%，但召回率仅为30%，最可能的原因是？A.模型对正类样本的识别能力弱B.测试集样本分布不均衡C.模型过拟合D.特征维度过高答案：A4.Apriori算法的核心思想是？A.通过频繁项集的先验性质减少计算量B.利用决策树递归划分数据C.基于距离度量进行聚类D.通过提升方法组合弱分类器答案：A5.以下哪种方法常用于处理高维数据的特征选择？A.主成分分析（PCA）B.归一化C.独热编码D.缺失值插补答案：A6.在K-means聚类中，若初始质心选择不当，最可能导致的问题是？A.计算复杂度显著增加B.聚类结果陷入局部最优C.无法收敛D.类内方差过大答案：B7.信息增益的计算基于以下哪个概念？A.信息熵B.基尼系数C.均方误差D.余弦相似度答案：A8.对于二分类问题，若真实标签为[1,0,1,1,0]，预测标签为[1,1,1,0,0]，则精确率（Precision）为？A.2/3B.3/4C.1/2D.2/5答案：A（计算：TP=2，FP=1，Precision=TP/(TP+FP)=2/3）9.以下哪项不是数据清洗的常见操作？A.处理重复记录B.填补缺失值C.特征重要性排序D.纠正错误数据答案：C10.支持向量机（SVM）的核心目标是？A.最小化训练误差B.最大化分类间隔C.降低模型复杂度D.提升计算效率答案：B二、填空题（每题2分，共20分）1.数据挖掘的核心流程通常包括数据理解、数据准备、建模、评估和__________。答案：部署2.衡量聚类效果的内部指标通常包括__________（反映类内紧凑性）和轮廓系数（反映类间分离性）。答案：类内方差（或类内距离）3.关联规则中，支持度（Support）的计算公式为__________。答案：支持度=包含X和Y的事务数/总事务数4.决策树中，基尼系数（GiniIndex）的取值范围是__________。答案：[0,1]（或0到1）5.在KNN算法中，当k值过小时，模型容易出现__________问题。答案：过拟合6.数据预处理中，将“性别”字段的“男/女”转换为0/1的过程称为__________。答案：二值化（或离散化）7.评估回归模型常用的指标包括均方误差（MSE）和__________（衡量预测值与真实值的线性相关程度）。答案：决定系数（R²）8.层次聚类分为凝聚式和__________两种类型。答案：分裂式9.随机森林（RandomForest）通过__________（一种有放回抽样方法）提供多个训练子集。答案：自助采样（Bootstrap）10.异常检测的常见方法包括基于距离的方法、基于密度的方法和__________。答案：基于统计的方法三、简答题（每题8分，共40分）1.简述数据预处理的必要性及主要步骤。答案：必要性：原始数据通常存在噪声、缺失值、冗余或不一致等问题，直接建模会降低模型性能；高质量数据是数据挖掘结果有效性的基础。主要步骤：（1）数据清洗（处理缺失值、噪声、重复数据）；（2）数据集成（合并多源数据）；（3）数据变换（标准化、归一化、离散化）；（4）数据规约（降维、特征选择）。2.说明分类与聚类的区别与联系。答案：区别：（1）分类是监督学习，需要已知类别标签的训练数据；聚类是无监督学习，无先验标签。（2）分类目标是预测新样本的类别；聚类目标是发现数据的内在分组结构。联系：（1）均用于数据分组；（2）聚类结果可作为分类的先验知识，分类模型可辅助解释聚类结果。3.什么是过拟合？简述其产生原因及解决方法。答案：过拟合指模型在训练集上表现良好，但在测试集上泛化能力差的现象。原因：（1）模型复杂度过高（如决策树深度过大）；（2）训练数据量不足；（3）数据中存在噪声。解决方法：（1）正则化（如L1/L2正则）；（2）交叉验证；（3）简化模型（如减少决策树深度）；（4）增加训练数据；（5）特征选择（降低维度）。4.简述关联规则挖掘的主要步骤及Apriori算法的优化逻辑。答案：主要步骤：（1）找出所有频繁项集（支持度≥最小支持度）；（2）从频繁项集中提供强关联规则（置信度≥最小置信度）。Apriori优化逻辑：利用“先验性质”（若一个项集非频繁，则其所有超集也非频繁），通过逐层搜索（k-项集提供k+1-项集）减少不必要的计算，避免枚举所有可能的项集。5.列举至少4种分类模型的评估指标，并说明其含义。答案：（1）准确率（Accuracy）：正确分类样本数/总样本数；（2）精确率（Precision）：预测为正类的样本中实际为正类的比例（TP/(TP+FP)）；（3）召回率（Recall）：实际正类样本中被正确预测的比例（TP/(TP+FN)）；（4）F1值：精确率与召回率的调和平均（2PR/(P+R)）；（5）AUC-ROC：ROC曲线下面积，衡量模型对正类样本的排序能力。四、应用题（每题10分，共20分）1.某电商平台收集了1000条用户购买记录，部分字段如下表所示（单位：元）：用户ID年龄月收入购买金额购买次数是否复购（标签）00125800012003是002321500050005是00345200008001否..................（1）请设计针对该数据集的预处理流程（需包含至少4个关键步骤）。（2）若目标是预测用户是否复购，应选择哪种类型的模型（分类/回归）？并说明理由。答案：（1）预处理流程：①数据清洗：检查并处理缺失值（如用年龄均值填补缺失的年龄字段）；删除重复的用户ID记录；②数据变换：对“月收入”“购买金额”进行标准化（Z-score）或归一化（Min-Max），消除量纲影响；将“年龄”离散化为“20-30”“31-40”等区间；③特征工程：计算“平均单次购买金额=购买金额/购买次数”作为新特征；④数据划分：按7:3或8:2比例划分为训练集和测试集，确保标签分布均衡。（2）应选择分类模型。理由：目标变量“是否复购”是二分类标签（是/否），分类模型可输出样本属于“复购”类别的概率或标签，符合预测需求；回归模型适用于连续型目标变量，此处不适用。2.给定二维数据集如下，使用K-means算法（k=2，初始质心C1=(1,2)，C2=(5,4)）进行聚类，要求：（1）计算所有样本到初始质心的欧氏距离，完成第一次聚类分配；（2）计算新的质心坐标，并说明是否需要继续迭代（假设停止条件为质心不再变化）。样本点：A(2,3)、B(3,1)、C(4,5)、D(6,6)、E(0,0)答案：（1）欧氏距离计算：样本A到C1的距离：√[(2-1)²+(3-2)²]=√2≈1.414；到C2的距离：√[(2-5)²+(3-4)²]=√10≈3.162→分配到C1类。样本B到C1的距离：√[(3-1)²+(1-2)²]=√5≈2.236；到C2的距离：√[(3-5)²+(1-4)²]=√13≈3.606→分配到C1类。样本C到C1的距离：√[(4-1)²+(5-2)²]=√18≈4.243；到C2的距离：√[(4-5)²+(5-4)²]=√2≈1.414→分配到C2类。样本D到C1的距离：√[(6-1)²+(6-2)²]=√41≈6.403；到C2的距离：√[(6-5)²+(6-4)²]=√5≈2.236→分配到C2类。样本E到C1的距离：√[(0-1)²+(0-2)²]=√5≈2.236；到C2的距离：√[(0-5)²+(0-4)²]=√41≈6.403→分配到C1类。第一次聚类结果：C1类包含A、B、E；C2类包含C、D。（2）新质心计算：C1类新质心：x=(2+3+0)/3=5/3≈1.67，y=(3+1+0)/3=4/3≈1.33→(1.67,1.33)。C2类新质心：x=(4+6)/2=5，y=(5+6)/2=5.5→(5,5.5)。初始质心为(1,2)、(5,4)，新质心与初始质心不同，因此需要继续迭代，直到质心不再变化或达到最大迭代次数。五、综合分析题（20分）某银行希望通过客户数据挖掘识别高风险贷款用户（标签：是/否），现有数据集包含以下特征：年龄、职业、月收入、历史逾期次数、信用卡额度、婚姻状况。（1）请分析各特征的类型（连续/离散/类别），并说明可能的预处理方法；（2）若选择逻辑回归模型，需重点关注哪些问题？（3）设计评估方案，说明如何验证模型的有效性。答案：（1）特征类型及预处理：年龄（连续）：可离散化为“20-30”“31-40”等区间，或标准化消除量纲；职业（类别）：需进行独热编码（One-Hot）或标签编码（LabelEncoding）；月收入（连续）：标准化（Z-score）或对数变换（若分布偏态）；历史逾期次数（离散）：直接保留为数值型，或分箱（如0次、1-3次、≥4次）；信用卡额度（连续）：标准化或归一化；婚姻状况（类别）：二值化（如“已婚”=1，“未婚”=0）或独热编码。（2）逻辑回归需关注的问题：多重共线性：需通过VIF（方差膨胀因子）检验特征间相关性，必要时剔除冗余特征；类别不平衡：高风险用户可能占比低，需采用SMOTE过采样或调整类别权重；特征缩放：逻辑回归对特征尺度敏感，需标准化处理连续特征；正则化：加入L1或L2正则防止过拟合，提升泛化能力。（3）评估方案设计：数据划分：按7:2:1划分为训练集、验证集、测试集，或