2026年数据挖掘试题及答案

2026年数据挖掘试题及答案一、单项选择题（每题2分，共20分）1.以下哪项不属于数据清洗的常见操作？A.处理缺失值B.去除重复记录C.计算特征重要性D.纠正数据中的逻辑错误答案：C2.在分类任务中，若目标变量是“是否购买某产品”（二分类），且正类样本占比仅1%，此时最不适合使用的评估指标是？A.准确率（Accuracy）B.F1值C.AUC-ROCD.召回率（Recall）答案：A3.关于K-means聚类算法，以下说法错误的是？A.初始质心的选择会影响最终聚类结果B.适用于非凸形状的簇C.需要预先指定聚类数kD.对噪声和离群点敏感答案：B4.关联规则挖掘中，若某规则的支持度为0.3，置信度为0.8，提升度为1.2，则以下推论正确的是？A.该规则覆盖了30%的事务B.置信度表示规则前件和后件同时出现的概率C.提升度小于1时，规则无实际意义D.支持度和置信度越高，规则的实用性一定越强答案：A5.在决策树构建过程中，信息增益（InformationGain）的计算基于？A.基尼指数（GiniIndex）B.熵（Entropy）C.均方误差（MSE）D.互信息（MutualInformation）答案：B6.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.梯度提升树（GBDT）答案：C7.对于时间序列数据的异常检测，若数据存在季节性波动，最适合的方法是？A.孤立森林（IsolationForest）B.ARIMA模型残差分析C.K近邻（KNN）D.DBSCAN聚类答案：B8.在特征工程中，对类别型特征“用户所在城市”（共有100个不同城市）进行编码时，最合理的方法是？A.标签编码（LabelEncoding）B.独热编码（One-HotEncoding）C.目标编码（TargetEncoding）D.二进制编码（BinaryEncoding）答案：D（注：当类别数较多时，独热编码会导致维度爆炸，二进制编码通过将类别转换为二进制位可有效降维）9.以下哪项是集成学习（EnsembleLearning）中“提升”（Boosting）方法的核心思想？A.并行训练多个弱分类器，通过投票集成结果B.串行训练弱分类器，每个新模型重点关注前序模型的错误样本C.对训练数据多次采样，训练多个模型后平均预测结果D.通过特征子集采样降低模型间的相关性答案：B10.在文本挖掘中，TF-IDF（词频-逆文档频率）的主要作用是？A.提取文本的主题B.衡量词在文档中的重要性C.降低文本向量维度D.识别文本中的命名实体答案：B二、填空题（每题3分，共15分）1.数据预处理中，将连续型特征转换为离散型特征的过程称为______，常用方法包括等宽分箱、等频分箱和基于______的分箱。答案：离散化；聚类2.K-means算法的目标函数是最小化所有样本到其所属簇______的______之和。答案：质心；欧氏距离平方3.在分类模型评估中，精确率（Precision）的计算公式为______，其反映了______。答案：TP/(TP+FP)；被预测为正类的样本中实际为正类的比例4.关联规则挖掘中，若事务数据库包含1000条记录，某规则“X→Y”的支持度计数为150，则其支持度为______；若X出现的次数为200，Y出现的次数为250，则该规则的置信度为______。答案：0.15；0.75（150/200）5.异常检测中，孤立森林（IsolationForest）通过随机构建______来隔离异常点，异常点通常具有更______的路径长度。答案：二叉树；短三、简答题（每题10分，共40分）1.简述数据预处理的主要步骤及其目的。答：数据预处理主要包括以下步骤：（1）数据清洗：处理缺失值（删除、插补）、纠正错误值（如逻辑矛盾）、去除重复记录，目的是提高数据质量，避免噪声影响模型性能。（2）数据集成：合并多源数据（如不同数据库、表格），解决命名冲突、单位不一致等问题，目的是整合全局信息。（3）数据变换：对特征进行标准化（Z-score）、归一化（Min-Max）、离散化（分箱）或编码（独热、目标编码），目的是将数据转换为适合模型输入的形式，消除量纲影响。（4）数据归约：通过特征选择（如卡方检验、随机森林重要性）或降维（PCA、LDA）减少数据维度，目的是降低计算复杂度，避免过拟合。2.比较随机森林（RandomForest）与梯度提升树（GradientBoostingDecisionTree,GBDT）的异同。答：相同点：均基于决策树的集成学习方法，通过组合多个弱分类器提升性能；均能处理分类和回归任务；对特征缩放不敏感。不同点：（1）集成方式：随机森林采用Bagging（并行训练），各树独立；GBDT采用Boosting（串行训练），后续树关注前序树的残差。（2）抗过拟合能力：随机森林通过样本和特征的随机采样降低过拟合风险；GBDT因串行优化易过拟合，需控制学习率和树深度。（3）对异常值的敏感性：随机森林鲁棒性更强；GBDT因关注残差，异常值会显著影响后续树的构建。（4）适用场景：随机森林适合快速训练、处理高维稀疏数据；GBDT在精度要求高、数据分布较连续的场景（如风控评分）中表现更优。3.简述DBSCAN算法的核心思想及关键参数（ε和MinPts）对聚类结果的影响。答：DBSCAN（基于密度的空间聚类）的核心思想是：通过定义“核心点”（在ε邻域内包含至少MinPts个样本），将密度相连的样本划分为同一簇，噪声点为无法被任何核心点密度可达的样本。参数影响：（1）ε（邻域半径）：ε过小会导致更多核心点无法连接，产生大量小簇或噪声；ε过大可能将不相关的簇合并。（2）MinPts（最小样本数）：MinPts过小时，低密度区域的点易被误判为核心点，导致簇边界模糊；MinPts过大时，核心点数量减少，可能遗漏真实簇，噪声增加。4.解释混淆矩阵中TP、TN、FP、FN的含义，并说明如何通过它们计算准确率、召回率和F1值。答：混淆矩阵是二分类模型的预测结果与真实标签的对比矩阵：TP（真正例）：真实为正类，预测为正类；TN（真负例）：真实为负类，预测为负类；FP（假正例）：真实为负类，预测为正类；FN（假负例）：真实为正类，预测为负类。计算公式：准确率（Accuracy）=(TP+TN)/(TP+TN+FP+FN)，反映整体正确预测的比例；召回率（Recall）=TP/(TP+FN)，反映正类样本被正确识别的比例；F1值=2(精确率召回率)/(精确率+召回率)，其中精确率=TP/(TP+FP)，F1值是精确率和召回率的调和平均，综合衡量模型对正类的预测能力。F1值=2(精确率召回率)/(精确率+召回率)，其中精确率=TP/(TP+FP)，F1值是精确率和召回率的调和平均，综合衡量模型对正类的预测能力。四、综合应用题（共25分）问题1（12分）：某电商平台希望对用户进行分群，以制定差异化营销策略。现有用户数据包含以下特征：年龄（连续）、月消费金额（连续）、近30天登录次数（离散）、是否为会员（二值）。请设计基于K-means的分群方案，要求：（1）写出数据预处理的具体步骤；（2）说明如何确定最优聚类数k；（3）简述聚类结果的业务解读方法。答：（1）数据预处理步骤：①缺失值处理：检查各特征的缺失情况，若缺失率低于5%，用均值（年龄、月消费）或众数（登录次数、是否为会员）插补；若缺失率过高（如>30%），删除对应用户记录。②特征编码：“是否为会员”是二值特征，直接用0（非会员）、1（会员）编码。③数据标准化：由于年龄（岁）、月消费金额（元）、登录次数（次）的量纲不同，需用Z-score标准化（消除量纲影响），公式为：(x-μ)/σ，其中μ为均值，σ为标准差。（2）确定最优k的方法：①肘部法（ElbowMethod）：计算不同k值下的轮廓系数（SilhouetteCoefficient）或误差平方和（SSE）。SSE随k增大而减小，当k增加到某一点后，SSE下降幅度显著变缓（形成“肘部”），该k即为最优。②轮廓分析：计算每个样本的轮廓值（范围[-1,1]），轮廓值越接近1，说明样本与所属簇的匹配度越高。选择平均轮廓值最大的k。③业务经验辅助：结合电商业务场景（如高/中/低价值用户），优先测试k=3或k=4，再通过轮廓系数验证。（3）聚类结果的业务解读：①计算各簇的特征统计量（如年龄均值、月消费中位数、登录次数均值、会员占比），对比簇间差异。例如，簇A可能表现为“年轻用户（20-30岁）、月消费高（>2000元）、高频登录（>15次/月）、高会员率（80%）”，可定义为“高价值忠诚用户”；簇B可能是“中年用户（30-45岁）、月消费中等（500-1500元）、登录频率一般（5-10次/月）、会员率50%”，定义为“潜力用户”；簇C为“老年用户（>45岁）、低消费（<500元）、低频登录（<3次/月）、非会员为主”，定义为“低活跃用户”。②根据分群结果制定策略：对高价值用户提供专属权益（如折扣券、优先客服）；对潜力用户推送个性化推荐（基于历史消费偏好）；对低活跃用户通过短信/邮件唤醒（如新人券、限时活动）。问题2（13分）：某医疗平台需构建模型预测患者是否会发展为糖尿病（二分类任务），数据集包含10000条记录，特征包括：年龄、BMI（身体质量指数）、空腹血糖、甘油三酯、高血压史（是/否）、家族糖尿病史（是/否）。请设计完整的模型构建流程，并说明关键环节的注意事项。答：完整流程及关键环节注意事项如下：（1）数据探索与分析：①查看目标变量分布：统计糖尿病患者占比（如正类占比20%），若存在严重不平衡（如<5%），需采用SMOTE过采样或调整类别权重。②特征分布分析：绘制年龄、BMI等连续特征的直方图，观察是否存在异常值（如BMI>50），可通过IQR方法（Q3+1.5IQR）识别并处理（删除或Winsorize）；检查分类特征（高血压史、家族史）的类别分布，避免单类别占比过高（如“无高血压史”占95%）导致信息损失。③特征相关性分析：计算连续特征间的皮尔逊相关系数（如BMI与空腹血糖可能正相关），若相关系数>0.8，考虑删除冗余特征；通过卡方检验分析分类特征与目标变量的相关性（如家族史与糖尿病的p值<0.05则保留）。（2）数据预处理：①缺失值处理：若某特征缺失率>70%（如甘油三酯缺失3000条），直接删除该特征；否则，对连续特征用中位数插补（避免均值受异常值影响），对分类特征用众数插补或新增“缺失”类别。②特征编码：“高血压史”“家族糖尿病史”为二值特征，编码为0/1；若有其他多类别特征（如“职业”），采用目标编码（用正类概率替换类别），但需注意过拟合（可结合交叉验证平滑）。③数据划分：按7:2:1划分训练集（7000条）、验证集（2000条）、测试集（1000条），分层抽样确保各集合的正负类比例与原数据一致。（3）特征工程：①构造衍生特征：如“年龄×BMI”（反映不同年龄的肥胖影响）、“空腹血糖/甘油三酯”（代谢相关比值），可能增强模型对糖尿病风险的捕捉能力。②特征选择：使用随机森林的特征重要性、LASSO回归的系数压缩或ANOVA检验，筛选出重要特征（如保留前8个特征），降低维度并减少过拟合。（4）模型训练与调优：①模型选择：优先尝试XGBoost（对缺失值鲁棒、支持类别特征）和LightGBM（训练速度快、适合高维数据），对比逻辑回归（可解释性强）作为基准。②超参数调优：使用网格搜索（GridSearch）或贝叶斯优化（BayesianOptimization）调整关键参数，如XGBoost的learning_rate（0.01-0.3）、max_depth（3-8）、n_estimators（100-500）、scale_pos_weight（平衡类别权重，设为负类数/正类数）。③交叉验证：在训练集上进行5折交叉验证，避免单次划分的随机性