2026年公司数据挖掘与分析试题及答案

2026年公司数据挖掘与分析试题及答案一、单项选择题（每题2分，共20分。每题只有一个正确答案，请将正确选项字母填在括号内）1.在CRISP-DM方法论中，用于将业务问题转化为数据挖掘问题的阶段是（）A.数据理解 B.业务理解 C.数据准备 D.建模答案：B2.下列关于K-means聚类的描述，正确的是（）A.必须预先指定簇的数量 B.对异常值不敏感 C.只能处理分类型变量 D.输出结果具有可解释的概率值答案：A3.当特征维度远大于样本量时，以下哪种降维方法最可能保留判别信息（）A.PCA B.t-SNE C.LDA D.随机投影答案：C4.在关联规则挖掘中，若规则X→Y的置信度为80%，则意味着（）A.80%的购物篮包含X∪Y B.80%包含X的购物篮也包含Y C.80%的购物篮包含Y D.80%的Y交易由X导致答案：B5.使用CART回归树时，划分节点的准则是（）A.信息增益 B.Gini指数 C.均方误差最小化 D.卡方检验答案：C6.在时间序列平稳性检验中，ADF检验的原假设是（）A.序列存在单位根 B.序列是平稳的 C.序列存在趋势 D.序列是白噪声答案：A7.下列Python代码片段中，用于将类别变量One-Hot编码且避免虚拟变量陷阱的是（）A.pd.get_dummies(df,drop_first=False)B.pd.get_dummies(df,drop_first=True)C.sklearn.preprocessing.LabelEncoder()D.sklearn.preprocessing.StandardScaler()答案：B8.在随机森林中，关于OOB误差的描述正确的是（）A.需要额外验证集 B.随树量增加而单调上升 C.是无偏估计 D.仅适用于分类任务答案：C9.使用XGBoost时，控制过拟合的主要参数是（）A.subsample B.colsample_bytree C.max_depth D.learning_rate答案：D10.在A/B测试中，若检验统计量p值为0.018，显著性水平α=0.05，则（）A.拒绝原假设 B.接受原假设 C.需要增加样本量 D.无法判断答案：A二、多项选择题（每题3分，共15分。每题有两个或两个以上正确答案，多选、少选、错选均不得分）11.下列属于集成学习Bagging思想的方法有（）A.RandomForest B.ExtraTrees C.AdaBoost D.GradientBoosting E.Pasting答案：A、B、E12.以下哪些指标可直接用于二分类模型评估（）A.ROC-AUC B.F1-score C.Silhouette系数 D.LogLoss E.Davies-Bouldin指数答案：A、B、D13.在SQL中进行数据倾斜优化时，可采取的策略有（）A.Map-sidejoin B.加盐分桶 C.增加Reducer数量 D.使用Combiner E.开启推测执行答案：B、C、E14.关于L1与L2正则化的比较，正确的有（）A.L1可产生稀疏解 B.L2对异常值更敏感 C.L1不可导于0点 D.L2有解析解而L1没有 E.两者都可用于逻辑回归答案：A、C、E15.在SparkMLlib中，下列算法支持分布式训练的包括（）A.ALS B.Word2Vec C.GradientBoostedTrees D.K-means‖ E.SMOTE答案：A、B、C、D三、填空题（每空2分，共20分）16.在Python中，使用pandas读取GB级CSV文件时，为降低内存占用，可将数值列类型由float64降为________，将类别列类型改为________。答案：float32；category17.若某电商网站日均PV为2×10^7，采用1%分层采样，则每日采样量约为________条；若需保证95%置信度、±1%绝对误差，所需样本量至少为________条。（z_{0.975}=1.96）答案：2×10^5；960418.在特征缩放中，StandardScaler的公式为z=(x−μ)/σ，其中μ表示________，σ表示________。答案：训练集该特征均值；训练集该特征标准差19.使用Apriori算法时，若最小支持度为2%，则频繁1-项集计数阈值等于________乘以________。答案：总事务数；0.0220.在Prophet模型中，节假日效应通过________回归引入，其先验分布默认为________分布。答案：指示变量；Laplace四、判断题（每题1分，共10分。正确打“√”，错误打“×”）21.SMOTE算法通过在少数类样本之间线性插值生成新样本，可能产生噪声。 答案：√22.在PCA中，主成分方向由协方差矩阵的特征向量决定，特征值越大解释方差越小。 答案：×23.使用交叉验证时，k值越大，模型方差越小，但计算成本越高。 答案：√24.在深度学习里，BatchNorm层的作用是加速收敛并允许使用更大学习率。 答案：√25.若两个变量Pearson相关系数为0，则它们必定独立。 答案：×26.在SQL中，窗口函数ROW_NUMBER()必须配合PARTITIONBY使用，否则报错。 答案：×27.当类别极度不平衡时，准确率不能有效反映模型性能。 答案：√28.使用GridSearchCV时，参数n_jobs=-1表示启用所有CPU核心并行搜索。 答案：√29.在GBDT中，每棵树拟合的是前一轮残差的负梯度。 答案：√30.t-SNE降维后可直接用欧氏距离解释原始高维空间距离。 答案：×五、简答题（共25分）31.（封闭型，6分）简述VIF（方差膨胀因子）检测多重共线性的步骤，并给出常用阈值。答案：步骤：①对第i个特征X_i建立以其余特征为自变量的线性回归模型；②计算该模型决定系数R_i^2；③VIF_i=1/(1−R_i^2)；④若VIF_i>10（或>5，视严苛程度）则认为存在严重共线性。阈值：10（宽松）或5（严格）。32.（开放型，7分）某O2O平台拟预测用户7日内是否复购，请给出特征体系设计思路并说明理由。答案：特征体系分四层：①用户画像：性别、年龄、职业、注册时长、会员等级，用于刻画消费能力；②历史行为：近30日订单数、客单价、优惠敏感度、退款率，反映活跃度与忠诚度；③时间模式：上次下单距今天数、周内各天下单占比、一天内时段偏好，捕捉节奏规律；④外部因素：节假日标识、天气指数、城市等级，控制外部冲击。通过分层可解释性强、覆盖静态与动态信息，且易于对齐到7日复购标签。33.（封闭型，6分）写出LightGBM中处理类别特征的直接输入方法，并指出其相比One-Hot的两项优势。答案：方法：将类别列声明为categorical_feature，LightGBM在分裂时按类别值统计直方图，寻找最优分组。优势：①减少内存与计算量，避免高基数特征导致维度爆炸；②保留类别有序或无序语义，提升分裂效率与精度。34.（开放型，6分）解释“数据泄露”概念，并给出三种常见场景及对应预防措施。答案：数据泄露指在训练阶段使用了未来或不应可得的信息，导致泛化误差被低估。场景①：用未来订单特征预测未来复购，预防：特征截止时间与标签观测期严格错位；场景②：交叉验证时先全局标准化再划分折，预防：每折内独立拟合Scaler；场景③：目标编码未按时间切分，预防：采用滚动窗口统计，确保编码值仅来自历史。六、计算与分析题（共60分）35.（计算类，10分）某二分类模型在测试集上结果如下：TP=180，FP=20，TN=780，FN=20。要求：①计算Precision、Recall、F1；②若业务要求Recall≥0.95，应如何调整阈值并说明影响。答案：①Precision=TP/(TP+FP)=180/200=0.9；Recall=TP/(TP+FN)=180/200=0.9；F1=2×0.9×0.9/(0.9+0.9)=0.9。②当前Recall=0.9未达标，需降低阈值使更多样本被预测为正，从而增加TP（也可能增加FP），Precision将下降，F1视变化幅度而定。需结合PR曲线寻找Recall≥0.95且Precision可接受的最小阈值。36.（分析类，12分）给定时间序列{y_t}共120期，前100期拟合ARIMA(1,1,1)得参数φ=0.6，θ=−0.4，残差通过Ljung-Box检验。现预测第121期：①写出预测公式；②若最近三期实际值为y_{118}=102，y_{119}=105，y_{120}=108，求点预测；③给出95%预测区间表达式（σ_e^2=4，z=1.96）。答案：①(1−B)y_t=0.6(1−B)y_{t−1}+ε_t−0.4ε_{t−1}，预测式：ŷ_{121}=y_{120}+0.6(y_{120}−y_{119})−0.4ε_{120}，其中ε_{120}=y_{120}−ŷ_{120}。②ε_{120}=108−[105+0.6(105−102)−0.4×(−1)]=108−107.8=0.2；ŷ_{121}=108+0.6×3−0.4×0.2=108+1.8−0.08=109.72。③区间：109.72±1.96×√4=[109.72−3.92,109.72+3.92]=[105.80,113.64]。37.（综合类，18分）某零售企业提供2024全年交易明细表trans（字段：user_id,sku_id,qty,amt,dt）与商品维表sku（sku_id,cate,price）。任务：构建RFM模型并识别高价值客群。（1）给出RFM定义及SQL计算脚本（Hive语法），要求统计周期为2024年，R以最近一次消费距2024-12-31天数，F为消费频次，M为累计金额；（2）说明如何分箱打分并加权得总分，权重分别取R:0.3,F:0.3,M:0.4；（3）若发现高价值人群仅占2%，但贡献40%销售额，请用图表策略向管理层汇报，并给出后续营销策略。答案：（1）```sqlWITHrfmAS(SELECTuser_id,DATEDIFF('2024-12-31',MAX(dt))ASR,COUNT()ASF,COUNT()ASF,SUM(amt)ASMFROMtransWHEREdtBETWEEN'2024-01-01'AND'2024-12-31'GROUPBYuser_id)SELECTFROMrfm;SELECTFROMrfm;```（2）分箱：对R、F、M分别按五分位打分，5分为最优（R越小分越高，F、M越大分越高）。加权总分S=0.3×(5−R_score)+0.3×F_score+0.4×M_score，S∈[1,5]。取S≥4.2为高价值群。（3）图表：①帕累托双轴图，横轴用户累计百分比，纵轴销售额累计百分比，标注2%对应40%；②RFM三维散点，高价值群用红色突出。策略：①专属折扣券+免费配送；②新品抢先试用；③会员等级加速升级；④Push分时段精准触达，预计ROI提升25%。38.（综合类，20分）某视频平台欲预测用户观看时长（秒）。训练集200万条，特征含用户画像、上下文、视频属性共400维，80%稀疏。（1）说明为何选用Wide&Deep或DeepFM，并画出核心网络结构简图（文字描述即可）；（2）给出特征工程流程，包括类别高基数处理、缺失值、归一化；（3）训练时发现训练Loss持续下降，验证Loss先降后升，列出三种改进方法并说明原理；（4）上线A/B测试：对照组原策略，实验组按预测时长推荐，核心指标“人均观看时长”提升4.2%，p=0.021，样本量n=5万，判断结果显著性并给出后续迭代建议。答案：（1）选用Wide&Deep：Wide部分记忆用户-视频高频共现，Deep部分泛化稀疏特征。结构：输入→Embedding→Concat→3层ReLU(256,128,64)→输出；Wide侧交叉特征与Deep输出相加后送Sigmoid。（2）流程：①高基数：对user_id、video_id做Hash分桶(2^18)，保留冲突率<1%；②缺失：数值用−1+指示列，类别用“unknown”；③归一化：数值特征Log1p后MinMax→[0,1]；④类别：低基数直接Embedding，中高基数Hash+Embedding共享。（3）改进：①早停：patience=2，恢复最优权重；②Dropout=0.3+BN，降低过拟合；③L2正则1e−5，约束权重幅度；④数据增强：负采样保持观看分布一致。（4）p=0.021<0.05，拒绝原假设，结果显著。但提升仅4.2%，建议：①扩大实验至20万用户两周，观察留存；②细分人群，对高活跃组验证提升是否更高；③结合多样性策略，避免头部集中；④构建多目标模型，兼顾观看时长与互动数。七、案例设计题（共20分）39.某城商行计划构建信用卡反欺诈模型，交易数据每日增量800万笔，字段包括交易时间、金额、商户类别、IP、设备指纹、经纬度、卡片前6月历史统计。要求：（1）给出完整建模方案，涵盖采样策略、特征构造、模型选型、评估指标、上线部署；