2026年数据挖掘考试题库及答案

2026年数据挖掘考试题库及答案一、单项选择题（每题2分，共20分）1.以下哪项不属于数据清洗的主要任务？A.处理缺失值B.消除重复数据C.计算特征重要性D.纠正数据中的错误值答案：C2.Apriori算法的核心思想是：A.通过剪枝减少候选项集数量B.直接提供所有可能的频繁项集C.利用决策树进行规则提取D.基于距离度量进行聚类答案：A3.在分类任务中，若模型对训练数据拟合过好，但对新数据预测效果差，这种现象称为：A.欠拟合B.过拟合C.高偏差D.高方差答案：B4.K-means聚类算法的关键步骤不包括：A.初始化聚类中心B.计算样本到各中心的距离C.动态调整特征权重D.重新计算聚类中心答案：C5.以下哪项指标用于衡量分类模型的查全率？A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.F1分数答案：C6.关联规则中，“支持度（Support）”反映的是：A.规则的可信度B.项集出现的频繁程度C.规则的提升效果D.项集的预测能力答案：B7.决策树中，信息增益的计算基于：A.信息熵的减少量B.基尼系数的增加量C.欧氏距离的最小值D.余弦相似度的最大值答案：A8.以下哪种方法属于无监督学习？A.逻辑回归B.朴素贝叶斯分类C.K-means聚类D.随机森林答案：C9.异常检测中，基于距离的方法假设异常点：A.与大多数点的距离较远B.属于某个密集簇C.具有高维度特征D.满足特定规则答案：A10.特征工程中，“分箱（Binning）”操作的主要目的是：A.减少连续特征的噪声B.增加特征的维度C.提高模型的计算效率D.增强特征的线性关系答案：A二、填空题（每空1分，共20分）1.数据预处理的主要步骤包括数据清洗、数据集成、__________和数据规约。答案：数据变换2.关联规则挖掘中，若项集X的支持度为0.3，项集Y的支持度为0.4，且X∪Y的支持度为0.2，则X到Y的置信度为__________。答案：0.2/0.3≈0.6673.分类模型评估中，准确率的计算公式为（TP+TN）/（__________），其中TP为真正例，TN为真反例。答案：TP+TN+FP+FN4.K-means算法的目标函数是最小化所有样本到其所属聚类中心的__________之和。答案：欧氏距离平方5.决策树的剪枝方法分为预剪枝和__________剪枝。答案：后6.朴素贝叶斯分类器的核心假设是__________条件独立。答案：特征（或属性）7.聚类算法中，DBSCAN的两个关键参数是邻域半径ε和__________。答案：最小样本数MinPts8.提升（Boosting）算法通过构建多个__________分类器，逐步纠正前序模型的错误。答案：弱9.特征选择的常用方法包括过滤法、包装法和__________。答案：嵌入法10.时间序列数据挖掘中，常见的模式包括趋势、季节波动和__________。答案：随机波动11.关联规则的提升度（Lift）计算公式为__________/（支持度(X)×支持度(Y)）。答案：支持度(X∪Y)12.逻辑回归模型通过__________函数将线性回归结果映射到[0,1]区间。答案：Sigmoid13.异常检测中的孤立森林（IsolationForest）通过构建__________树来分离异常点。答案：隔离14.主成分分析（PCA）的目标是找到一组__________的正交变量，解释原始数据的大部分方差。答案：线性无关15.层次聚类分为凝聚型（自底向上）和__________型（自顶向下）两种。答案：分裂16.分类任务中，若正负样本比例严重失衡，__________（填指标）可能无法准确反映模型性能。答案：准确率17.数据规约的主要方法包括维度规约和__________规约。答案：数值18.随机森林通过__________（填采样方法）提供多个决策树，降低模型方差。答案：自助采样（Bootstrap）19.支持向量机（SVM）的最优超平面是使__________最大的分隔面。答案：间隔（Margin）20.文本挖掘中，词袋模型（BagofWords）忽略了__________信息，但保留了词频特征。答案：词序三、简答题（每题6分，共30分）1.简述数据标准化（Z-score标准化）与归一化（Min-Max归一化）的区别及适用场景。答案：数据标准化通过公式z=将数据转换为均值为0、标准差为1的分布，适用于数据分布未知或需要消除量纲影响的场景（如KNN、SVM）；归一化通过公式=2.说明Apriori算法中“先验性质（AprioriProperty）”的含义及其在算法中的作用。答案：先验性质指“频繁项集的所有子集也必须是频繁的”，即若一个项集是非频繁的，则其所有超集也一定是非频繁的。该性质用于剪枝：在提供k-项集候选项时，仅保留所有(k-1)-项子集均为频繁的项集，从而大幅减少候选项集数量，提升算法效率。3.比较随机森林（RandomForest）与梯度提升树（GradientBoostingDecisionTree,GBDT）的核心差异。答案：①集成方式：随机森林是并行集成（Bagging），各树独立训练；GBDT是串行集成（Boosting），后一棵树纠正前一棵树的残差。②目标函数：随机森林通过投票或平均降低方差；GBDT通过梯度下降最小化损失函数。③抗过拟合：随机森林对噪声不敏感；GBDT易过拟合（需控制树深度和学习率）。④适用场景：随机森林适合平衡误差和方差；GBDT在回归、排序任务中表现更优。4.简述K-means聚类与DBSCAN聚类的适用场景差异。答案：K-means适用于：①数据呈球状分布；②簇大小相近；③簇数量已知（需预设k值）；④低维数据。DBSCAN适用于：①任意形状的簇（如环状、不规则形状）；②存在噪声点（自动识别离群点）；③簇大小差异大；④无需预设簇数量（通过ε和MinPts参数控制）。5.解释混淆矩阵中TP、TN、FP、FN的含义，并说明精确率（Precision）与召回率（Recall）的计算公式。答案：混淆矩阵是分类结果的统计矩阵，其中：TP（TruePositive）：真实为正，预测为正；TN（TrueNegative）：真实为负，预测为负；FP（FalsePositive）：真实为负，预测为正；FN（FalseNegative）：真实为正，预测为负。精确率（Precision）=TP/(TP+FP)，表示预测为正的样本中实际为正的比例；召回率（Recall）=TP/(TP+FN)，表示实际为正的样本中被正确预测的比例。四、应用题（每题10分，共30分）1.某超市购物篮数据如下（每行代表一个购物篮，项集用逗号分隔）：篮1：牛奶,面包,鸡蛋篮2：牛奶,面包篮3：牛奶,可乐篮4：面包,鸡蛋,可乐篮5：牛奶,面包,鸡蛋,可乐（1）计算项集{牛奶,面包}的支持度；（2）计算关联规则“牛奶→面包”的置信度；（3）若最小支持度为0.4，最小置信度为0.6，判断该规则是否有效。答案：（1）支持度=包含{牛奶,面包}的篮数/总篮数=篮1、篮2、篮5→3/5=0.6；（2）置信度=支持度{牛奶,面包}/支持度{牛奶}。支持度{牛奶}=篮1、篮2、篮3、篮5→4/5=0.8，故置信度=0.6/0.8=0.75；（3）支持度0.6≥0.4，置信度0.75≥0.6，规则有效。2.某数据集包含以下样本（特征A、特征B为连续值，类别为“+”或“-”）：样本1：A=2,B=3,类别+样本2：A=4,B=1,类别+样本3：A=1,B=2,类别样本4：A=3,B=4,类别样本5：A=5,B=0,类别+使用ID3算法构建决策树，计算特征A的信息增益（假设初始信息熵为1）。答案：（1）计算特征A的可能分割点：排序后A值为1,2,3,4,5，候选分割点为1.5,2.5,3.5,4.5。以分割点2.5为例（分割为A≤2.5和A>2.5）：A≤2.5的样本：样本3（A=1）、样本1（A=2）→类别分布：1个-，1个+→熵E1A>2.5的样本：样本2（A=4）、样本4（A=3）、样本5（A=5）→类别分布：2个+（样本2、5），1个-（样本4）→熵E2（2）特征A的信息增益IG3.给定二维数据集：{(1,2),(3,4),(5,6),(7,8),(9,10)}，假设初始聚类中心为(3,4)和(7,8)，使用K-means算法（欧氏距离）进行一轮迭代，描述聚类结果并更新聚类中心。答案：（1）计算各点到两个中心的距离：点(1,2)到(3,4)的距离：=≈2.828；到(7,8)的距离：点(3,4)：距离中心1为0，归属中心1；点(5,6)到中心1的距离：=≈2.828；到中心2的距离：点(7,8)：距离中心2为0，归属中心2；点(9,10)到中心2的距离：=≈2.828；到中心1的距离：（2）聚类结果：中心1的簇包含{(1,2),(3,4),(5,6)}；中心2的簇包含{(7,8),(9,10)}；（3）更新中心：中心1新坐标：(,中心2新坐标：(,五、论述题（每题10分，共20分）1.结合实际场景，论述数据挖掘在金融风控中的应用流程及关键技术。答案：金融风控的核心目标是识别信用风险、欺诈风险等，数据挖掘的应用流程通常包括：（1）数据采集与清洗：收集用户基本信息（年龄、收入）、行为数据（消费记录、还款记录）、外部数据（征信评分、社交关系）；清洗缺失值（如用均值填充收入缺失）、处理异常值（如剔除异常高的消费记录）。（2）特征工程：构建关键特征，如“近3个月逾期次数”“收入负债比”“设备唯一性”；通过分箱（将收入划分为低、中、高区间）、交叉特征（消费频率×消费金额）提升模型区分度。（3）模型选择与训练：常用逻辑回归（解释性强）、随机森林（处理非线性关系）、XGBoost（高效处理高维数据）；针对样本不平衡问题（如欺诈样本少），采用SMOTE过采样或调整类别权重。（4）模型评估与优化：使用AUC-ROC（衡量排序能力）、KS值（衡量风险区分度）评估；通过交叉验证防止过拟合，调整超参数（如树深度、学习率）提升性能。（5）部署与监控：将模型嵌入风控系统，实时拦截高风险交易；定期监控模型性能衰减（如欺诈模式变化导致准确率下降），重新训练模型。关键技术包括：①特征选择（如基于IV值筛选重要特征）；②不平衡数据处理（如集成学习中的代价敏感学习）；③实时计算（如使用Flink处理流数据）；④可解释性（如LIME局部解释模型，帮助风控人员理解决策依据）。2.大数据环境下，数据挖掘面临哪些挑战？如何应对？答案：大数据环境（海量、高速、多样、低价值密度）给数据挖掘带来以下挑战及应对策略：（1）计算效率挑战：传统算法（如Apriori）在PB级数据上运行缓慢。应对：采用分布式计算框架（如Hadoop+MapReduce、SparkMLlib），并行化处理；设计近似算法（如基于哈希的频繁项集挖掘），降低时间复杂度。（2）数据质量挑战：多源数据（结构化数据库、非结构化文本、IoT传感器）存在噪声、不一致性。应对：加强数据清洗（如基于规则的异常检测、机器学习的缺失值填补）；建立元数据管理系统，记录数据来源和清洗流程，提升可追溯性。（3）维度灾难挑战：高维数据（如用户标签、文本词袋）导致模型复杂度激增，过拟合风险高。应对：采用特征选择（如L1正则化）、维度规约（如t-SNE可