2026年数据挖掘与分析方法考试试题及答案

2026年数据挖掘与分析方法考试试题及答案一、单项选择题（每题1分，共20分。每题只有一个正确答案，请将正确选项的字母填在括号内）1.在Apriori算法中，若最小支持度阈值为0.3，事务数据库总条数为1000，则频繁1-项集必须满足的支持计数至少为（）。A.100  B.200  C.300  D.400答案：C2.下列关于k-means聚类的说法正确的是（）。A.对离群点不敏感  B.必须预先指定簇数k  C.使用密度可达概念  D.可发现任意形状簇答案：B3.在C4.5决策树中，用于选择划分属性的指标是（）。A.信息增益  B.增益率  C.Gini指数  D.卡方统计量答案：B4.若某连续属性在朴素贝叶斯中被假设服从正态分布，则参数估计采用（）。A.最大后验估计  B.最大似然估计  C.贝叶斯网络  D.核密度估计答案：B5.在Bagging集成中，基学习器之间的权重关系为（）。A.等权  B.与误差成反比  C.与误差成正比  D.由Adaboost动态调整答案：A6.下列哪种技术最适合处理高维稀疏文本数据的特征选择（）。A.卡方检验  B.互信息  C.信息增益  D.以上均可答案：D7.在FP-Growth算法中，FP树的根节点标记为（）。A.null  B.root  C.frequent  D.item答案：A8.若某数据集类别极度不平衡，评估指标中最易被准确率掩盖风险的是（）。A.召回率  B.F1值  C.AUC  D.精确率答案：A9.在随机森林中，随机性主要来源于（）。A.属性子集随机选取  B.样本子集随机选取  C.A与B  D.剪枝策略答案：C10.若使用PCA降维，保留95%方差信息，则主成分个数（）。A.固定为原维度95%  B.由累计解释方差决定  C.必须等于原维度  D.与特征值无关答案：B11.在DBSCAN中，若MinPts=4，Eps扩大一倍，则簇的个数通常（）。A.增加  B.减少  C.不变  D.先增后减答案：B12.下列关于梯度提升树（GBDT）的描述错误的是（）。A.可处理非线性关系  B.每棵树拟合残差  C.可自定义损失函数  D.无法做特征选择答案：D13.若关联规则X→Y的置信度为0.8，支持度为0.2，则规则X→¬Y的置信度（）。A.0.2  B.0.8  C.无法确定  D.0.5答案：C14.在文本挖掘中，TF-IDF公式里IDF的计算通常采用（）。A.log(N/df)  B.N/df  C.df/N  D.log(df/N)答案：A15.若使用肘部法确定k-means最佳k值，随着k增大，SSE的变化趋势为（）。A.单调减  B.单调增  C.先减后增  D.随机波动答案：A16.在PageRank算法中，阻尼系数d通常取（）。A.0.15  B.0.5  C.0.85  D.1.0答案：C17.若某模型训练集AUC=0.99，测试集AUC=0.52，则最可能出现（）。A.欠拟合  B.过拟合  C.数据泄露  D.类别不平衡答案：B18.在社交网络分析中，介数中心性衡量的是（）。A.节点度数  B.节点接近程度  C.节点在最短路径上的频率  D.节点聚类系数答案：C19.若使用SMOTE算法处理不平衡数据，合成样本的位置位于（）。A.类中心  B.类边界  C.随机噪声点  D.任意位置答案：B20.在深度自编码器中，若隐藏层维度先减后增，则瓶颈层输出可视为（）。A.原始特征  B.压缩表示  C.重构误差  D.激活函数答案：B二、多项选择题（每题2分，共20分。每题有两个或两个以上正确答案，请将所有正确选项的字母填在括号内，漏选、错选均不得分）21.下列哪些方法可用于处理缺失值（）。A.均值填充  B.回归填充  C.多重插补  D.直接删除样本答案：ABCD22.关于Adaboost，下列说法正确的有（）。A.可提升弱分类器性能  B.每轮调整样本权重  C.最终分类器为加权投票  D.对噪声鲁棒答案：ABC23.以下哪些属于无监督学习算法（）。A.K-means  B.DBSCAN  C.Apriori  D.CART答案：ABC24.在特征工程中，可用于文本向量化的方法有（）。A.One-hot  B.Word2Vec  C.TF-IDF  D.哈希技巧答案：ABCD25.下列哪些指标可用于回归模型评估（）。A.MAE  B.MSE  C.R²  D.AUC答案：ABC26.关于支持向量机，下列说法正确的有（）。A.可核技巧处理非线性  B.目标函数含正则项  C.支持向量决定超平面  D.对尺度不敏感答案：ABC27.在时间序列预测中，以下哪些属于平稳性检验方法（）。A.ADF检验  B.Ljung-Box检验  C.KPSS检验  D.Durbin-Watson检验答案：AC28.下列哪些技术可用于降低模型方差（）。A.Bagging  B.正则化  C.增加训练数据  D.特征选择答案：ABC29.关于深度学习中的Dropout，下列说法正确的有（）。A.训练时随机失活神经元  B.测试时缩放权重  C.可视为集成  D.增加训练时间答案：ABCD30.在推荐系统中，协同过滤的相似度计算可采用（）。A.余弦相似度  B.皮尔逊相关系数  C.Jaccard系数  D.欧氏距离答案：ABCD三、填空题（每空1分，共20分。请将答案直接填在横线上）31.若事务数据库中项集{a,b}出现300次，总事务数1000，则支持度为________。答案：0.332.在k-means中，常用的距离度量是________距离。答案：欧氏33.若某决策树叶节点含样本10条，其中正类7条，则该节点类别标记为________。答案：正类34.朴素贝叶斯分类器假设各特征________给定类别下条件独立。答案：相互35.若某规则提升度Lift(X→Y)=1.2，则表明X与Y________关联。答案：正36.在PCA中，第i主成分的方差等于协方差矩阵第________大特征值。答案：i37.若使用5折交叉验证，训练集划分后，每次验证集占比________。答案：20%38.在GBDT中，第m棵树拟合的是前m-1棵树损失的________。答案：负梯度39.若某样本到最近簇质心距离为2，到次近质心距离为5，则轮廓系数近似为________。答案：0.640.在文本挖掘中，去除停用词属于________处理阶段。答案：预处理41.若某模型混淆矩阵为[[80,20],[10,90]]，则召回率为________。答案：0.942.在Apriori中，频繁k-项集的自连接产生________候选项集。答案：k+143.若使用Min-Max归一化将值x映射到[0,1]，公式为________。答案：(x-min)/(max-min)44.在社交网络中，若节点A的度为10，则其局部聚类系数取值范围为________。答案：[0,1]45.若某时间序列一阶差分后ADF检验p值=0.01，则原序列________平稳。答案：不46.在Word2Vec中，Skip-gram模型的输入是________词。答案：中心47.若使用L1正则化，则线性回归又称________回归。答案：Lasso48.在随机森林中，Out-of-Bag误差可视为________集误差估计。答案：验证49.若某模型VIF=10，则存在________问题。答案：多重共线性50.在深度学习中，ReLU函数在x<0时的导数为________。答案：0四、简答题（共6题，每题8分，共48分）51.简述k-means算法步骤，并指出其两个主要缺陷。答案：步骤：(1)随机选k个初始质心；(2)将各样本指派到最近质心形成簇；(3)重新计算簇质心；(4)重复(2)(3)至质心不再变化或达最大迭代。缺陷：对初值敏感；只能发现球形簇；对离群点敏感；需预设k。52.解释过拟合与欠拟合概念，并各给出一种缓解方法。答案：过拟合：模型在训练集表现极好但测试集差，原因复杂度过高。缓解：正则化、早停、Dropout、增加数据。欠拟合：模型无法捕捉数据规律，训练测试均差。缓解：增加特征、提升模型复杂度、减少正则化强度。53.写出TF-IDF的完整公式，并说明为何IDF能抑制高频无义词。答案：TF(t,d)=词t在文档d出现次数/文档d总词数；IDF(t)=log(N/df(t))；TF-IDF=TF×IDF。高频词如“的”几乎出现在所有文档，df(t)≈N，IDF≈0，乘积趋零，权重被抑制。54.说明Adaboost如何更新样本权重，并解释为何关注错分样本。答案：每轮根据误差ε_t计算α_t=0.5ln((1-ε_t)/ε_t)，错分样本权重乘以e^{α_t}，正确样本乘以e^{-α_t}，再归一化。错分样本权重增大，后续弱分类器聚焦难分样本，逐步降低整体误差。55.简述DBSCAN中核心点、边界点、噪声点的定义。答案：核心点：Eps邻域内点数≥MinPts；边界点：邻域内点数<MinPts但落在某核心点邻域；噪声点：非核心也非边界，即密度不可达任何核心点。56.解释“维数灾难”含义，并给出两种降维方法名称。答案：维数灾难：随维度增加，数据稀疏性指数级上升，距离度量失效，模型性能下降。降维方法：PCA、t-SNE、LDA、Autoencoder。五、计算与分析题（共4题，共62分）57.（15分）给定事务数据库：T1{a,b,c}；T2{b,c,d}；T3{a,b,d}；T4{a,c,d}；T5{b,c,d}。最小支持度计数为2。(1)列出所有频繁1-项集及其支持计数；(2)使用Apriori生成频繁2-项集；(3)写出关联规则{b}→{c}的置信度。答案：(1)频繁1-项集：{a}:3,{b}:4,{c}:4,{d}:4(2)频繁2-项集：{a,b}:2,{a,c}:2,{a,d}:2,{b,c}:3,{b,d}:3,{c,d}:3(3)置信度=支持{b,c}/支持{b}=3/4=0.7558.（15分）二维样本：A(1,1),B(2,1),C(4,3),D(5,4)。使用k=2的k-means，初始质心选A、C。(1)第一轮指派后簇划分；(2)更新质心坐标；(3)第二轮指派后簇是否变化？答案：(1)簇1：A,B；簇2：C,D(2)新质心：G1(1.5,1)，G2(4.5,3.5)(3)第二轮距离：A到G1=0.5，到G2=4.3→簇1；B到G1=0.5，到G2=3.2→簇1；C到G1=3.6，到G2=0.7→簇2；D到G1=5.0，到G2=0.7→簇2。簇无变化，算法终止。59.（16分）给定训练集：X1(0,0)class0；X2(1,1)class1；X3(2,2)class1。使用线性判别分析(LDA)降维到1维。(1)计算类均值向量；(2)计算类内散度矩阵S_W；(3)求最优投影方向w；(4)将X1,X2,X3投影到w并给出投影值。答案：(1)μ0=[0,0]^T,μ1=[1.5,1.5]^T(2)S0=0,S1=0.5[[1,1],[1,1]],S_W=[[0.5,0.5],[0.5,0.5]](2)S0=0,S1=0.5[[1,1],[1,1]],S_W=[[0.5,0.5],[0.5,0.5]](3)S_W^{-1}不可逆，取伪逆得w∝μ1-μ0=[1.5,1.5]^T，归一化w=[1/√2,1/√2]^T(4)投影：X1:0,X2:2/√2≈1.41,X3:4/√2≈2.8360.（16分）某电商使用协同过滤推荐，用户-物品评分矩阵如下（空白为缺失）：物品I1 I2 I3用户U1 5  3  ?用户U2 3  ?  4用户U3 ?  5  2采用基于物品的余弦相似度，预测U1对I3评分。(1)计算I2与I3相似度；(2)计算I1与I3相似度；(3)使用与I3相似度>0.6的物品进行加权平均预测U1对I3评分；(4)若采用基于用户的余弦相似度，计算U1与U2相似度。答案：(1)sim(I2,I3)=(30+52)/√(3²+5²)√(0²+2²)=10/√34√4=0.857(1)sim(I2,I3)=(30+52)/√(3²+5²)√(0²+2²)=10/√34√4=0.857(2)sim(I1,I3)=(50+32)/√(5²+3²)√(0²+2²)=6/√34√4=0.514(2)sim(I1,I3)=(50+32)/√(5²+3²)√(0²+2²)=6/√34√4=0.514(3)仅I2满足阈值，预测评分=3+(0.857(3-3))/0.857=3(3)仅I2满足阈值，预测评分=3+(0.857(3-3))/0.857=3(4)sim(U1,U2)=(53+30)/√(5²+3²)√(3²+4²)=15/√34√25=0.514(4)sim(U1,U2)=(53+30)/√(5²+3²)√(3²+4²)=15/√34√25=0.514六、综合应用题（共1题，30分）61.某银行欲构建信用卡欺诈检测模型，数据规模：正类（欺诈）占0.2%，特征100维，含数值与类别变量，存在大量缺失值且部分特征高度偏斜。要求：(1)给出完整数据预处理流程（含缺失、异常、