2026年数据挖掘期末考试试题及答案详解

2026年数据挖掘期末考试试题及答案详解一、单项选择题（每题2分，共20分）1.以下哪种数据预处理技术用于解决数据集中“年龄”字段存在“200岁”这类异常值的问题？A.数据离散化B.数据标准化C.数据清洗（异常值处理）D.特征提取2.在分类任务中，若目标变量是“用户是否购买某商品”（二分类），且正负样本比例为1:99，以下哪种评估指标最不适合作为主要评价标准？A.准确率（Accuracy）B.F1-scoreC.AUC-ROCD.召回率（Recall）3.关联规则挖掘中，若规则“面包→牛奶”的支持度为15%，置信度为80%，则以下表述正确的是？A.所有购买面包的用户中，80%同时购买牛奶B.所有购买牛奶的用户中，15%同时购买面包C.所有用户中，15%同时购买面包和牛奶，且其中80%的用户购买了面包后会购买牛奶D.所有用户中，15%的交易包含面包和牛奶，且包含面包的交易中80%包含牛奶4.K-means聚类算法的核心优化目标是？A.最小化类间方差，最大化类内方差B.最大化类间方差，最小化类内方差C.最小化所有样本到其所属簇中心的欧氏距离平方和D.最大化所有样本到其所属簇中心的曼哈顿距离之和5.以下关于决策树算法的描述，错误的是？A.ID3算法使用信息增益作为分裂准则，可能倾向于选择取值较多的特征B.C4.5算法通过信息增益率改进了ID3的缺陷C.CART算法只能提供二叉树，且支持分类和回归任务D.决策树对缺失值不敏感，无需预处理即可直接处理6.在数据挖掘中，“维度灾难”主要指？A.高维数据中样本分布稀疏，导致距离度量失效B.低维数据无法捕捉复杂模式C.数据特征过多导致计算成本降低D.特征维度与样本数量呈线性关系7.以下哪种算法属于无监督学习？A.逻辑回归（LogisticRegression）B.支持向量机（SVM）C.主成分分析（PCA）D.随机森林（RandomForest）8.若使用朴素贝叶斯分类器对文本进行情感分析（积极/消极），且假设各词之间条件独立，这一假设的目的是？A.减少计算复杂度，避免维度灾难B.提高模型的泛化能力C.增强对长文本的处理能力D.消除特征之间的相关性9.时间序列数据挖掘中，“季节性”指？A.数据随时间呈现的长期递增或递减趋势B.数据在固定时间间隔（如一年）内重复出现的模式C.数据中的随机波动D.数据因突发事件产生的异常变化10.以下哪项不是集成学习（EnsembleLearning）的常见策略？A.Bagging（自助采样集成）B.Boosting（提升方法）C.Stacking（堆叠泛化）D.过采样（Oversampling）二、填空题（每题2分，共10分）1.数据预处理中，将连续型特征“收入”划分为“低/中/高”三个区间的过程称为________。2.关联规则挖掘中，Apriori算法的核心思想是________。3.K-means算法的两个关键步骤是________和________。4.分类任务中，若模型在训练集上准确率为95%，在测试集上准确率为60%，说明模型存在________问题。5.主成分分析（PCA）的目标是找到一组________的正交变量（主成分），尽可能保留原始数据的方差。三、简答题（每题8分，共32分）1.简述数据预处理的主要步骤及其作用。2.对比支持向量机（SVM）与逻辑回归在二分类任务中的异同。3.解释聚类算法中“肘部法则”（ElbowMethod）的原理及应用场景。4.说明随机森林（RandomForest）中“随机”的两层含义，并分析其对模型性能的影响。四、算法分析与计算题（每题12分，共24分）1.给定数据集如下（特征X为连续型，目标Y为二分类0/1）：样本XY130250371491假设使用决策树ID3算法进行训练，计算特征X的信息增益（要求写出计算步骤）。2.已知某数据集通过K-means聚类得到3个簇，簇中心分别为C1=(2,4)、C2=(5,7)、C3=(8,3)，样本点P=(6,5)，计算P到各簇中心的欧氏距离，并判断其归属的簇。五、综合应用题（14分）某电商平台希望通过用户行为数据挖掘“高价值用户”（定义为未来3个月内消费金额≥5000元的用户），现有数据包括用户年龄、性别、过去6个月消费金额、月均登录次数、加购商品数、收藏店铺数。请设计完整的数据挖掘流程，并说明每一步的具体操作及所选算法的理由。一、单项选择题答案1.C（异常值属于数据清洗的处理范畴）2.A（正负样本极不均衡时，准确率无法反映模型对少数类的识别能力）3.D（支持度是“同时包含两个项目的交易比例”，置信度是“包含前件的交易中包含后件的比例”）4.C（K-means的目标函数是最小化样本到簇中心的欧氏距离平方和）5.D（决策树对缺失值敏感，需通过替代分裂或权重调整等方法预处理）6.A（高维空间中样本分布稀疏，距离度量失去意义）7.C（PCA是无监督降维方法）8.A（朴素贝叶斯的条件独立性假设简化了联合概率计算，避免维度灾难）9.B（季节性指固定周期的重复模式）10.D（过采样是处理类别不平衡的方法，非集成学习策略）二、填空题答案1.离散化（或分箱）2.先验性质（频繁项集的所有子集也必须是频繁的）3.分配样本到最近的簇中心；重新计算簇中心4.过拟合5.互不相关（或正交）三、简答题答案1.数据预处理主要步骤及作用：数据清洗：处理缺失值（插值、删除）、异常值（修正、剔除），提高数据质量；数据集成：合并多源数据，解决冗余、冲突（如不同表的用户ID统一）；数据变换：标准化（Z-score）、归一化（Min-Max）消除量纲影响；离散化将连续特征分段，降低复杂度；数据规约：维度规约（PCA、特征选择）减少特征数量，提高计算效率；数值规约（抽样、聚类）减少样本量。2.SVM与逻辑回归的异同：相同点：均用于二分类任务；目标都是找到分类超平面；可通过正则化防止过拟合。不同点：优化目标：SVM最小化间隔边界的最大化（结构风险最小化），逻辑回归最大化对数似然（经验风险最小化）；对异常值敏感：SVM对异常值更敏感（因间隔边界受极端点影响）；核函数支持：SVM可通过核函数处理非线性问题，逻辑回归需手动构造非线性特征；输出：SVM输出类别标签（硬分类），逻辑回归输出概率（软分类）。3.肘部法则原理及应用场景：原理：在K-means中，选择不同的簇数k，计算对应的类内平方和（SSE），随着k增大，SSE逐渐减小。当k增加到某个值时，SSE的下降速率显著变缓（形成“肘部”），此时的k即为最优簇数。应用场景：适用于簇数未知的聚类任务，尤其当数据分布存在明显层次结构时；不适用于噪声大或簇大小差异显著的数据集（肘部不明显）。4.随机森林的“随机”含义及影响：两层随机：样本随机：通过自助采样（Bootstrap）从原始数据中随机抽取n个样本（有放回），形成多个不同的训练子集；特征随机：每个决策树分裂时，从所有特征中随机选择k个特征（k<<总特征数），作为候选分裂特征。影响：样本随机降低了模型对特定样本的过拟合；特征随机增加了基模型的多样性，避免所有树关注相同的强特征，提升整体泛化能力。四、算法分析与计算题答案1.ID3算法信息增益计算：步骤1：计算原始数据集的信息熵H(Y)。总样本数n=4，Y=0有2个，Y=1有2个。H(Y)=(2/4)log₂(2/4)(2/4)log₂(2/4)=-0.5×(-1)-0.5×(-1)=1bit。步骤2：计算特征X的条件熵H(Y|X)。X为连续型，需选择分裂点。观察X值：3、5、7、9，可能的分裂点为4（3和5之间）、6（5和7之间）、8（7和9之间）。以分裂点6为例（将X分为≤6和>6两组）：组1（X≤6）：样本1（X=3,Y=0）、样本2（X=5,Y=0）→Y=0有2个，Y=1有0个；熵H(Y|X≤6)=(2/2)log₂(2/2)(0/2)log₂(0/2)=0；组2（X>6）：样本3（X=7,Y=1）、样本4（X=9,Y=1）→Y=0有0个，Y=1有2个；熵H(Y|X>6)=(0/2)log₂(0/2)(2/2)log₂(2/2)=0；条件熵H(Y|X)=(2/4)×0+(2/4)×0=0。步骤3：信息增益IG(X)=H(Y)H(Y|X)=10=1bit。（注：若选择其他分裂点，如4或8，计算类似，最终信息增益均为1bit，因X与Y完全线性可分。）2.欧氏距离计算与簇归属：欧氏距离公式：d=√[(x1-x2)²+(y1-y2)²]P到C1的距离：√[(6-2)²+(5-4)²]=√(16+1)=√17≈4.123；P到C2的距离：√[(6-5)²+(5-7)²]=√(1+4)=√5≈2.236；P到C3的距离：√[(6-8)²+(5-3)²]=√(4+4)=√8≈2.828；最小距离为到C2（≈2.236），因此P归属簇C2。五、综合应用题答案数据挖掘流程设计：1.问题定义与目标明确：目标：识别未来3个月消费≥5000元的“高价值用户”，属于二分类任务（正类：高价值，负类：非高价值）。2.数据收集与理解：收集用户年龄、性别（人口属性）、过去6个月消费金额（历史价值）、月均登录次数（活跃度）、加购商品数（购买意向）、收藏店铺数（兴趣广度）等特征，同时获取标注数据（未来3个月实际消费金额，用于训练）。3.数据预处理：数据清洗：处理缺失值（如年龄缺失可用均值填充）；剔除异常值（如过去6个月消费金额为负数，修正为0或删除）；特征工程：构造新特征：消费频率（过去6个月消费次数）、客单价（消费金额/次数）、加购转化率（实际购买商品数/加购数，若有数据）；离散化：将年龄分为“18-25”“26-35”等区间；将月均登录次数分为“低（<5）”“中（5-15）”“高（>15）”；标准化：对连续特征（如消费金额）进行Z-score标准化，消除量纲影响。4.模型选择与训练：算法选择：优先随机森林（RandomForest）或XGBoost。理由：处理混合类型数据（数值、类别）无需额外处理；对噪声和缺失值有一定鲁棒性；可输出特征重要性，帮助业务理解高价值用户的关键驱动因素（如过去6个月消费金额、月均登录次数）；训练步骤：划分训练集（70%）、验证集（20%）、测试集（10%）；采用分层抽样（因高价值用户可能为少数类），确保各类别比例与原数据一致；调参：通过网格搜索或随机搜索优化超参数（如树的深度、子采样比例），以F1-score或AUC-ROC为评估指标（因类别不平衡）；交叉验证：5折交叉验证减少过拟合风险。5.模型评估与优化：评估指标：使用精