2025年数据挖掘试卷及答案

2025年数据挖掘试卷及答案一、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常见操作？A.处理缺失值B.标准化特征尺度C.纠正异常值D.去除重复记录2.在分类任务中，若目标变量是“用户是否会购买会员（是/否）”，且正负样本比例为1:99，以下哪种评估指标最不适合？A.准确率（Accuracy）B.F1分数C.ROC-AUCD.召回率（Recall）3.关于K-means聚类算法，以下描述错误的是？A.需预先指定聚类数kB.对初始质心选择敏感C.适用于非凸形状的簇D.目标函数是最小化样本到质心的欧氏距离平方和4.关联规则挖掘中，若规则“牛奶→面包”的支持度为15%，置信度为80%，则以下推论正确的是？A.所有购买牛奶的用户中80%购买了面包B.所有购买面包的用户中15%同时购买了牛奶C.15%的购物篮同时包含牛奶和面包D.80%的购物篮同时包含牛奶和面包5.以下哪种特征选择方法基于特征与目标变量的统计相关性？A.随机森林的特征重要性B.主成分分析（PCA）C.卡方检验（Chi-squareTest）D.递归特征消除（RFE）6.在梯度提升树（GBM）中，以下哪项操作可缓解过拟合？A.增加树的深度B.减少学习率（LearningRate）C.增加每棵树的叶子节点数D.提高子采样比例（Subsample）7.处理高维稀疏文本数据（如用户评论）时，最常用的特征表示方法是？A.独热编码（One-HotEncoding）B.TF-IDF向量化C.标准化（Z-score）D.分箱（Binning）8.以下哪项属于无监督学习任务？A.预测房价（连续值）B.识别图像中的猫（二分类）C.客户分群（无标签）D.垃圾邮件检测（多分类）9.在评估回归模型时，均方误差（MSE）与平均绝对误差（MAE）的主要区别是？A.MSE对异常值更敏感B.MAE计算更复杂C.MSE的单位与目标变量一致D.MAE更关注预测值的偏离方向10.联邦学习（FederatedLearning）的核心目标是？A.提升模型在跨领域数据上的泛化能力B.在不共享原始数据的前提下联合训练模型C.减少模型训练所需的计算资源D.增强模型的可解释性二、填空题（每题2分，共10分）1.数据预处理中，将“年龄”字段从“18-25”“26-35”等区间转换为数值型变量的过程称为________。2.决策树中，信息增益的计算公式为父节点的熵减去________的熵加权和。3.K近邻（KNN）算法的核心假设是________的样本具有相似的标签。4.聚类效果评估中，轮廓系数（SilhouetteCoefficient）的取值范围是________。5.支持向量机（SVM）中，核函数的作用是将低维线性不可分数据映射到________。三、简答题（每题8分，共40分）1.简述数据预处理中“特征缩放”的必要性，并列举两种常用方法及其适用场景。2.对比逻辑回归（LogisticRegression）与支持向量机（SVM）在分类任务中的优缺点。3.解释“过拟合”的概念，并说明在随机森林（RandomForest）中可通过哪些参数调整缓解过拟合。4.简述DBSCAN聚类算法的核心参数（ε和MinPts）的作用，并说明其相对于K-means的优势。5.在二分类任务中，如何利用混淆矩阵计算精确率（Precision）、召回率（Recall）和F1分数？请写出公式并解释其业务意义。四、应用题（每题15分，共30分）1.某电商平台希望通过用户行为数据预测“用户是否会在未来30天内复购”（目标变量Y=1表示复购，Y=0表示不复购）。现有数据包含以下字段：用户年龄、性别、过去3个月购买次数、平均客单价、最近一次购买距今天数（R值）、购买品类多样性（H值）。请设计完整的数据挖掘流程，包括：（1）数据预处理步骤；（2）特征工程方法；（3）模型选择与评估指标；（4）结果分析的关键要点。2.某超市提供了1000条购物篮数据，部分数据如下表所示（每个购物篮包含若干商品）：购物篮ID商品列表1牛奶、面包、鸡蛋2面包、果酱、牛奶3牛奶、酸奶、面包4鸡蛋、蔬菜、牛奶5面包、牛奶、咖啡......已知牛奶的支持度为60%，面包的支持度为55%，牛奶和面包的共同支持度为45%。（1）计算规则“牛奶→面包”的置信度；（2）若提升度（Lift）阈值设为1.2，判断该规则是否为强关联规则（需写出计算过程）；（3）从业务角度解释该规则的意义，并提出一条运营建议。五、综合分析题（20分）某金融机构计划通过用户信贷数据挖掘“高风险逾期用户”的特征，现有数据包含：用户年龄、职业、月收入、历史逾期次数、当前负债总额、征信评分（1-100分）、近6个月查询次数。请结合数据挖掘全流程，回答以下问题：（1）如何定义“高风险逾期用户”的业务目标？（2）数据预处理阶段需重点关注哪些问题（至少3点）？（3）选择两种分类模型（如逻辑回归、XGBoost）并说明选择依据；（4）如何评估模型的实际应用效果？（5）若模型发现“历史逾期次数”是最关键特征，需进一步验证哪些问题以确保结论可靠性？答案一、单项选择题1.B2.A3.C4.C5.C6.B7.B8.C9.A10.B二、填空题1.离散特征连续化（或区间数值化）2.各子节点3.空间中邻近4.[-1,1]5.高维空间三、简答题1.必要性：不同特征的量纲和取值范围差异大（如年龄[0-100]与收入[1000-100000]），可能导致模型对大尺度特征过度敏感。常用方法：（1）标准化（Z-score）：适用于特征服从正态分布的场景，公式为(X-μ)/σ；（2）归一化（Min-Max）：适用于需要将特征缩放到[0,1]区间的场景（如神经网络输入），公式为(X-min)/(max-min)。2.逻辑回归优点：计算效率高、可解释性强（系数表示特征对概率的影响）；缺点：假设特征线性可分，对非线性关系建模能力弱。SVM优点：通过核函数处理非线性问题，对高维数据表现好；缺点：计算复杂度高（尤其大样本）、可解释性较差（依赖支持向量）。3.过拟合：模型在训练数据上表现好，但泛化到新数据时效果差（过度学习噪声）。随机森林缓解过拟合的参数调整：（1）减少树的深度（max_depth）；（2）降低每棵树的最大叶子节点数（max_leaf_nodes）；（3）增加子采样比例（如设置bootstrap=True并减小样本采样比例）；（4）限制每棵树使用的特征数（max_features）。4.ε（邻域半径）：定义样本的邻域范围，ε过小可能导致过多噪声点，过大可能合并不同簇；MinPts（邻域内最小样本数）：定义核心点的阈值，过小易形成大簇，过大可能将有效点标记为噪声。优势：无需预设簇数、能发现任意形状的簇、对噪声不敏感。5.混淆矩阵包含TP（真正例）、TN（真反例）、FP（假正例）、FN（假反例）。精确率=TP/(TP+FP)，表示预测为正例的样本中实际为正的比例（关注“准”）；召回率=TP/(TP+FN)，表示实际正例中被正确预测的比例（关注“全”）；F1=2(精确率召回率)/(精确率+召回率)，是二者的调和平均（平衡准与全）。业务意义：如医疗检测中，高召回率避免漏诊，高精确率避免误诊。四、应用题1.（1）数据预处理：检查缺失值（如用均值填充年龄、中位数填充客单价）；处理异常值（如R值超过365天标记为离群，用95%分位数替代）；类别变量编码（性别用0/1二值编码）。（2）特征工程：构造新特征（如R值分箱为“最近1周/1月/3月”；购买频率=购买次数/90天；客单价与收入比=平均客单价/用户预估收入）；计算特征重要性（如用随机森林筛选冗余特征）。（3）模型选择：逻辑回归（可解释性）+XGBoost（捕捉非线性关系）；评估指标：因样本可能不平衡，用F1、ROC-AUC、PR曲线；划分训练集（70%）、验证集（20%）、测试集（10%）。（4）结果分析：关注高复购用户的特征（如R值小、购买频率高）；模型AUC若>0.8可上线；分析误分类样本（如年轻用户被误判，检查是否存在数据偏差）。2.（1）置信度=共同支持度/前件支持度=45%/60%=75%。（2）提升度=置信度/(后件支持度)=75%/55%≈1.36>1.2，是强关联规则。（3）业务意义：购买牛奶的用户更可能购买面包，说明两者消费场景高度相关（如早餐）。建议：将牛奶与面包设置为捆绑促销（第二件半价），或在牛奶货架旁摆放面包，提升连带购买率。五、综合分析题（1）业务目标：定义“未来6个月内逾期超过30天”的用户为高风险，需挖掘其特征以优化风控策略（如提高审核门槛或调整额度）。（2）预处理重点：①缺失值（如职业缺失可能与低稳定性相关，用“未知”类别或模型预测填充）；②异常值（如月收入为0可能是输入错误，需核实或剔除）；③类别变量处理（职业需合并小类别，如“自由职业”“无业”）；④数据分布（征信评分是否正态，非正态需转换）。（3）模型选择：逻辑回归（系数可解释，便于业务理解风险因子）；XGBoost（捕捉特征间交互，如“历史逾期次数+负债总额”的联合影响）。（4）效果评估：使用测试集计算KS