2026年大学第一学年(数据科学与大数据技术)数据挖掘基础试题及答案

2026年大学第一学年(数据科学与大数据技术)数据挖掘基础试题及答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在题后的括号内。）1.数据挖掘过程中，通常被称为“知识发现”的过程是指（）。A.数据选择B.数据预处理C.数据挖掘D.模式评估【答案】C【解析】虽然广义的KDD（KnowledgeDiscoveryinDatabase）包含全过程，但在狭义和核心步骤中，提取知识模式的具体算法执行阶段被称为数据挖掘，是整个流程的核心环节。2.下列关于数据噪声和离群点的描述，错误的是（）。A.噪声是测量误差的随机干扰B.离群点可能是由于测量错误产生的，也可能是蕴含重要意义的稀有事件C.所有的离群点都是错误数据，应当直接删除D.聚类分析常用于检测离群点【答案】C【解析】离群点并不总是错误，例如在信用卡欺诈检测中，离群点往往代表了欺诈行为，具有极高的分析价值，不能一概而论地直接删除。3.在数据预处理中，将数值型数据如“年龄：25”映射到区间[0,1]的过程称为（）。A.离散化B.标准化C.归一化D.聚合【答案】C【解析】将数据缩放到特定区间（通常是[0,1]）的操作称为归一化；标准化通常指将数据转换为均值为0、方差为1的分布。4.下列哪种方法不适用于处理缺失值？（）A.忽略元组B.人工填写C.使用全局常量填充D.随机生成一个符合正态分布的值【答案】D【解析】随机生成值会引入严重的偏差，破坏原有数据的分布特征，不是标准的缺失值处理方法。常用方法包括忽略元组、使用均值/中位数填充、使用全局常量（如Unknown）或利用回归预测填充。5.在关联规则挖掘中，支持度度量的是（）。A.规则的可信程度B.规则中项集出现的频率C.规则的新颖性D.规则的简洁性【答案】B【解析】支持度衡量项集在所有事务中出现的频率，反映了规则的普遍性；置信度衡量在X出现的情况下Y出现的概率，反映规则的可信程度。6.Apriori算法的核心思想是（）。A.广度优先搜索B.深度优先搜索C.频繁项集的所有非空子集也必须是频繁的D.非频繁项集的超集一定是非频繁的【答案】D【解析】Apriori算法利用了反单调性性质：如果一个项集是非频繁的，那么它的所有超集也一定是非频繁的。这一性质用于大幅压缩搜索空间，剪枝候选集。7.对于分类问题，如果数据集中的正负样本数量差异极大，这被称为（）。A.过拟合B.欠拟合C.类别不平衡D.维度灾难【答案】C【解析】正负样本比例悬殊会导致分类器倾向于预测多数类，从而忽略少数类，这种现象称为类别不平衡问题。8.在决策树算法中，ID3算法使用（）作为选择分裂属性的标准。A.Gini指数B.信息增益C.信息增益率D.卡方检验【答案】B【解析】ID3使用信息增益；C4.5使用信息增益率（改进了ID3偏向取值较多属性的缺点）；CART使用Gini指数。9.下列关于K-近邻（KNN）算法的描述，正确的是（）。A.KNN属于判别式模型B.KNN是一个懒惰学习算法C.K值越大，模型越容易过拟合D.KNN对异常值不敏感【答案】B【解析】KNN没有显式的训练过程，直到测试样本到来时才进行计算，因此是懒惰学习。K值越小模型越复杂越易过拟合，K值越大模型越简单越易欠拟合。KNN对异常值较为敏感。10.朴素贝叶斯分类器成立的基础假设是（）。A.特征之间相互独立B.类别之间相互独立C.样本之间相互独立D.特征服从正态分布【答案】A【解析】朴素贝叶斯假设在给定类别的情况下，各个特征之间是条件独立的，这是“朴素”一词的由来。11.在聚类分析中，K-Means算法无法处理的数据类型是（）。A.数值型数据B.二元数据C.标称型（类别型）数据D.有序数据【答案】C【解析】标准K-Means算法基于欧氏距离计算均值，因此主要适用于数值型数据。对于标称型数据，无法直接计算均值和欧氏距离，通常使用K-Modes算法。12.评估分类模型性能时，若关注模型在所有正例中预测正确的比例，应查看（）。A.准确率B.精确率C.召回率D.F1-Score【答案】C【解析】召回率（Recall）=TP/(TP+FN)，表示所有真实正例中被预测正确的比例。13.下列哪种方法可以用于防止决策树的过拟合？（）A.增加树的深度B.预剪枝C.减少训练数据量D.使用信息增益作为标准【答案】B【解析】预剪枝和后剪枝是防止决策树过拟合的主要手段。增加树深度会加剧过拟合。14.在层次聚类中，根据两个簇中距离最远的两点来定义簇间距离的方法称为（）。A.单链接B.全链接C.均值链接D.Ward方法【答案】B【解析】全链接使用两个簇中相距最远的两点距离作为簇间距离；单链接使用最近的点距离。15.主成分分析（PCA）是一种常用的（）。A.分类算法B.回归算法C.降维算法D.聚类算法【答案】C【解析】PCA通过线性变换将数据映射到低维空间，是一种无监督的降维算法，用于特征提取和压缩。16.下列关于支持向量机（SVM）的描述，错误的是（）。A.SVM的目标是寻找最大化间隔的超平面B.仅适用于线性可分问题C.核技巧可以将SVM扩展到非线性问题D.支持向量决定了超平面的位置【答案】B【解析】通过引入核函数，SVM可以很好地处理非线性可分问题，将数据映射到高维特征空间使其线性可分。17.在数据仓库中，OLAP（联机分析处理）的核心操作是（）。A.增删改查B.上卷、下钻、切片和切块C.事务处理D.并发控制【答案】B【解析】OLAP用于多维分析，支持上卷、下钻、切片、切块和旋转等操作，以支持决策分析。18.对于时间序列数据，下列哪种挖掘任务最常见？（）A.关联规则挖掘B.趋势分析和预测C.异常检测D.孤立森林【答案】B【解析】时间序列数据具有时间依赖性，最常见的任务是分析其趋势、季节性并进行未来预测。19.下列属于回归分析评价指标的是（）。A.混淆矩阵B.均方根误差（RMSE）C.调整兰德指数（ARI）D.轮廓系数【答案】B【解析】RMSE用于衡量回归预测值与真实值之间的偏差；A、C、D主要用于分类和聚类评估。20.在FP-Growth算法中，用于压缩频繁项集信息的数据结构是（）。A.哈希表B.FP-树C.决策树D.红黑树【答案】B【解析】FP-Growth算法不产生候选集，而是使用FP-树（频繁模式树）来存储事务数据库中的频繁模式信息，通过递归挖掘FP-树来发现频繁项集。二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其代码填在题后的括号内。多选、少选、错选均不得分。）1.数据挖掘的主要功能包括（）。A.概念描述B.分类与预测C.聚类分析D.关联分析E.异常检测【答案】ABCDE【解析】以上五项均为数据挖掘的标准功能，涵盖了从特征描述到预测、分组、关联和偏差检测的各个方面。2.数据清洗的主要任务包括（）。A.缺失值处理B.噪声数据处理C.异常值检测与处理D.数据重复去除E.数据标准化【答案】ABCD【解析】数据清洗侧重于处理数据中的错误和不一致，包括缺失值、噪声、异常值和重复数据。数据标准化属于数据变换，虽然常与清洗一起进行，但严格来说属于变换范畴。不过在广义预处理中常混用，此处主要选清洗核心任务ABCD。若包含E也算广义理解，但严格区分下E是变换。本题按核心清洗任务选ABCD。3.下列关于过拟合的说法，正确的有（）。A.训练误差很低，测试误差很高B.模型过于复杂，捕捉了数据中的噪声C.增加训练数据量可以缓解过拟合D.正则化是防止过拟合的一种手段E.欠拟合也是过拟合的一种极端表现【答案】ABCD【解析】过拟合表现为训练集表现好、测试集表现差（A），原因是模型太复杂（B）。解决方法包括增加数据（C）、正则化（D）、简化模型等。欠拟合与过拟合是相对的概念，不是过拟合的子集（E错误）。4.决策树算法的优点包括（）。A.不需要太多的数据预处理B.既能处理数值型数据也能处理类别型数据C.模型具有很好的可解释性D.计算速度快E.泛化能力通常优于神经网络【答案】ABC【解析】决策树对数据单调性不敏感，无需归一化（A）；可直接处理混合数据类型（B）；通过树结构可视化，解释性强（C）。计算速度取决于数据量和深度，不一定快（D）；泛化能力通常弱于集成模型或深度神经网络（E）。5.评估聚类算法质量的常用指标有（）。A.轮廓系数B.兰德指数C.均方误差D.准确率E.SSE（误差平方和）【答案】ABE【解析】轮廓系数（A）和SSE（E）是常用的内部评价指标；兰德指数（B）是外部评价指标（需要真实标签）。MSE和准确率主要用于回归和分类。6.下列属于K-Means算法缺点的有（）。A.需要预先指定聚类簇数KB.对初始质心的选择敏感C.容易陷入局部最优D.只能发现球状簇E.算法复杂度极高，不适合大数据【答案】ABCD【解析】K-Means需要指定K（A）；对初值敏感（B）；可能导致局部最优（C）；基于距离，倾向于发现凸形/球状簇（D）。其时间复杂度通常是O(nkt)，相对线性，适合大数据，故E错误。7.在关联规则中，提升度的作用是（）。A.衡量规则的出现频率B.衡量X对Y的提升程度C.如果Lift=1，说明X和Y独立D.如果Lift>1，说明X促进Y的出现E.如果Lift<1，说明X抑制Y的出现【答案】BCDE【解析】提升度反映X出现对Y出现概率的影响。Lift=1独立，>1正相关（促进），<1负相关（抑制）。A是支持度的作用。8.下列哪些算法属于基于距离的聚类算法？（）A.K-MeansB.DBSCANC.层次聚类（AGNES）D.EM算法E.Apriori【答案】ABC【解析】K-Means基于距离（A）；DBSCAN基于密度，但核心定义依赖半径距离（B）；层次聚类（如AGNES）通常基于距离度量（C）。EM算法基于概率模型（D）；Apriori是关联规则算法（E）。9.下列属于特征选择方法的有（）。A.过滤式B.包裹式C.嵌入式D.填充式E.聚合式【答案】ABC【解析】特征选择三大策略：过滤式、包裹式、嵌入式。D、E不是特征选择方法的分类。10.下列关于大数据的“4V”特征，描述正确的有（）。A.Volume：数据量大B.Velocity：处理速度快C.Variety：数据类型繁多D.Value：价值密度低E.Veracity：数据的准确性和可信赖性【答案】ABCDE【解析】这是大数据的典型特征描述。Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性/准确性）。三、填空题（本大题共15小题，每小题2分，共30分。请在横线上填写恰当的词语或数值。）1.数据挖掘的过程通常包括数据清洗、数据集成、数据变换、________、模式评估和知识表示。【答案】数据挖掘2.在分类问题中，混淆矩阵的行表示________，列表示预测类别。【答案】真实类别3.若一个属性在所有记录中的取值都相同，则该属性的信息增益为________。【答案】04.K-Means算法中，最终目标是使得每个样本点到其所属簇质心的________之和最小。【答案】平方误差（或距离）5.在Apriori算法中，连接步产生的候选频繁k-项集记作________。【答案】C_k6.逻辑回归通过________函数将线性回归的输出映射到[0,1]区间，表示概率。【答案】Sigmoid（或Logistic）7.聚类分析是一种________学习方法，因为它不需要预先标记的训练数据。【答案】无监督8.在降维技术中，LDA（线性判别分析）是一种________方法，而PCA是一种无监督方法。【答案】有监督9.决策树中的叶子节点代表________。【答案】一个类标签（或决策结果）10.对于数值型属性，常用的相似度度量是________。【答案】欧氏距离（或闵可夫斯基距离）11.在时间序列分析中，ARIMA模型中的AR代表________过程。【答案】自回归12.正则化技术（如L1正则化）可以在拟合误差和模型复杂度之间寻找平衡，L1正则化也被称为________。【答案】Lasso正则化13.__________算法通过构建一系列弱分类器来组合成一个强分类器，通过调整样本权重来关注被错分的样本。【答案】Adaboost14.在推荐系统中，基于________的推荐通过分析用户历史行为来寻找相似用户。【答案】协同过滤15.评估二分类模型时，TPR（真正例率）即________率。【答案】召回（或Recall）四、简答题（本大题共5小题，每小题8分，共40分。）1.简述数据预处理的主要步骤及其重要性。【答案】数据预处理是数据挖掘流程中至关重要的一步，因为现实世界的数据往往是“脏”的（不完整的、含噪声的、不一致的）。直接在原始数据上挖掘可能导致效果低下甚至产生错误的模式。主要步骤包括：（1）数据清洗：填补缺失值、平滑噪声数据、识别或删除离群点、解决不一致数据。目的是提高数据质量。（2）数据集成：将多个数据源（如数据库、文件等）合并在一起。需要处理实体识别问题（确保不同源中的同一实体对应）和冗余问题。（3）数据变换：通过平滑、聚集、数据泛化、规范化、属性构造等方式，将数据转换成适合挖掘的形式。例如归一化可以将不同量纲的数据统一。（4）数据规约：在尽可能保持数据原貌的前提下，减少数据量。包括维规约（如PCA）、数量规约（如采样）和数据压缩。重要性：高质量的数据是高质量挖掘结果的前提，预处理通常占据了数据挖掘项目60%-80%的时间和精力。2.比较分类与聚类的异同点。【答案】分类和聚类都是数据挖掘中的核心任务，旨在对数据进行分组。相同点：（1）都将数据集中的对象划分为若干个类别或簇。（2）都利用数据特征之间的相似性或距离度量作为分组的基础。不同点：（1）学习方式不同：分类是监督学习，训练数据包含类别标签；聚类是无监督学习，处理的数据没有预先存在的标签。（2）目的不同：分类的目的是建立一个模型（分类器），用于预测新对象的类别；聚类的目的是发现数据中内在的分组结构或模式。（3）评估标准不同：分类可以使用准确率、召回率等已知标签进行评估；聚类通常使用内部指标（如轮廓系数）或外部指标（如有真实标签可用）来评估簇的质量。（4）结果确定性：分类结果通常对应预定义的类别集合；聚类结果中的簇数量和含义是未知的，需要解释。3.简述决策树剪枝过拟合的原因及常用的剪枝策略。【答案】原因：决策树在生长过程中，为了尽可能准确地分类训练样本，会不断分裂节点，导致树结构过于复杂。过深的树会包含过多的节点，将训练数据中的噪声和孤立点也当作一般规律学习进来，导致模型在训练集上表现完美，但在测试集上泛化能力差，即过拟合。常用的剪枝策略：（1）预剪枝：在树生长过程中提前停止分裂。例如：限制树的最大深度；限制节点包含的最少样本数；如果信息增益小于某个阈值则停止分裂。优点是效率高，缺点是可能过早停止导致欠拟合。（2）后剪枝：先让树充分生长，然后自底向上或自顶向下考察非叶节点，如果将该节点替换为叶节点（以该节点下训练样本最多的类别作为标记）能提高泛化性能（如通过交叉验证评估），则进行剪枝。优点是通常泛化性能更好，缺点是计算开销大。4.解释支持向量机（SVM）中“间隔”的概念，并说明为什么最大化间隔是合理的。【答案】在SVM中，间隔是指分离超平面距离最近的数据点（支持向量）的距离的两倍。具体来说，对于线性可分数据，存在无数个超平面可以将两类数据分开，每个超平面都有一个对应的间隔。最大化间隔的合理性：（1）泛化能力：最大化间隔意味着寻找一个最“鲁棒”的超平面。当间隔越大，分类器对训练数据中的噪声和微小扰动就越不敏感，从而在未见数据上具有更好的泛化性能。（2）结构风险最小化：根据统计学习理论，最大化间隔等价于最小化结构风险，即在保证经验风险（训练误差）为0的前提下，选择函数空间中复杂度最低（即置信范围最小）的模型。（3）唯一性：最大化间隔为寻找最优超平面提供了唯一的数学解，避免了任意性。5.简述Apriori算法的连接步和剪枝步。【答案】Apriori算法通过逐层搜索发现频繁项集，每一层都包含连接和剪枝两个步骤：（1）连接步：为了寻找频繁(k+1)-项集，需要通过频繁k-项集自连接生成候选(k+1)-项集。连接的条件是：两个频繁k-项集的前k-1项相同，仅最后一项不同（且按字典序排列），这样生成的候选集保证了有序性。（2）剪枝步：由于候选(k+1)-项集的数量可能巨大，Apriori利用Apriori性质（频繁项集的所有子集必须是频繁的）进行剪枝。对生成的每一个候选(k+1)-项集，检查其所有k-项子集是否都在频繁k-项集集合L_k中。如果有任何一个子集不在L_k中，则该候选集不可能是频繁的，直接删除。剪枝步大幅减少了需要计算支持度的候选项集数量，提高了算法效率。五、计算分析题（本大题共4小题，共40分。要求写出计算过程或分析步骤。）1.（10分）给定数据集D，包含14个样本，其中9个正例（Yes），5个负例（No）。属性“Outlook”有三个取值：Sunny（5个样本，2Yes/3No），Overcast（4个样本，4Yes/0No），Rain（5个样本，3Yes/2No）。请计算属性“Outlook”的信息增益。（注：log2取值：log2(9/14)≈-0.64,log2(5/14)≈-1.49,log2(2/5)≈-1.32,log2(3/5)≈-0.74,log2(4/4)=0,log2(3/5)≈-0.74,log2(2/5)≈-1.32）【答案】计算步骤如下：（1）计算数据集D的熵Info(D)：D包含9个Yes，5个No，共14个。Info(D)=-(9/14)*log2(9/14)-(5/14)*log2(5/14)=-(9/14)*(-0.64)-(5/14)*(-1.49)=0.411+0.532=0.943bits（2）计算属性“Outlook”的熵Info(Outlook)：Outlook有3个取值：Sunny(5),Overcast(4),Rain(5)。Sunny子集：2Yes,3No。熵Info(Sunny)=-(2/5)log2(2/5)-(3/5)log2(3/5)=-0.4*(-1.32)-0.6*(-0.74)=0.528+0.444=0.972bitsOvercast子集：4Yes,0No。熵Info(Overcast)=-(4/4)log2(4/4)-0=0bitsRain子集：3Yes,2No。熵Info(Rain)=-(3/5)log2(3/5)-(2/5)log2(2/5)=0.444+0.528=0.972bitsInfo(Outlook)=(5/14)*Info(Sunny)+(4/14)*Info(Overcast)+(5/14)*Info(Rain)=(5/14)*0.972+(4/14)*0+(5/14)*0.972=(10/14)*0.972≈0.694bits（3）计算信息增益Gain(Outlook)：Gain(Outlook)=Info(D)-Info(Outlook)=0.943-0.694=0.249bits答：属性“Outlook”的信息增益约为0.249bits。2.（10分）给定事务数据库如下：TID:100,Items:{A,C,D}TID:200,Items:{B,C,E}TID:300,Items:{A,B,C,E}TID:400,Items:{B,E}设最小支持度计数min_support=2。请利用Apriori算法找出所有的频繁2-项集。【答案】步骤如下：（1）扫描数据库，统计每个1-项集的支持度计数：C1:{A:2,B:3,C:3,D:1,E:3}（2）比较min_support=2，筛选出频繁1-项集L1：L1:{A},{B},{C},{E}（D被剔除）（3）由L1自连接生成候选2-项集C2：组合方式有：{A,B},{A,C},{A,E},{B,C},{B,E},{C,E}C2={{A,B},{A,C},{A,E},{B,C},{B,E},{C,E}}（4）扫描数据库计算C2中各项集的支持度计数：{A,B}:出现在T300->计数1{A,C}:出现在T100,T300->计数2{A,E}:出现在T300->计数1{B,C}:出现在T200,T300->计数2{B,E}:出现在T200,T300,T400->计数3{C,E}:出现在T200,T300->计数2（5）根据min_support=2，从C2中筛选出频繁2-项集L2：{A,B}(1)<2->剔除{A,C}(2)>=2->保留{A,E}(1)<2->剔除{B,C}(2)>=2->保留{B,E}(3)>=2->保留{C,E}(2)>=2->保留答：所有的频繁2-项集为：{A,C},{B,C},{B,E},{C,E}。3.（10分）现有5个二维数据点：A(1,1),B(2,1),C(4,3),D(5,4),E(6,5)。请使用K-Means算法进行聚类（K=2）。假设初始质心为A(1,1)和E(6,5)。请写出第一次迭代后的簇划分结果以及更新后的质心坐标。（保留一位小数）【答案】初始质心：m1=A(1,1),m2=E(6,5)。计算各点到质心的距离（欧氏距离）：（1）点A(1,1):d(A,m1)=sqrt((1-1)^2+(1-1)^2)=0d(A,m2)=sqrt((1-6)^2+(1-5)^2)=sqrt(25+16)=sqrt(41)≈6.4距离m1更近，A分配给簇1。（2）点B(2,1):d(B,m1)=sqrt((2-1)^2+(1-1)^2)=1d(B,m2)=sqrt((2-6)^2+(1-5)^2)=sqrt(16+16)=sqrt(32)≈5.7距离m1更近，B分配给簇1。（3）点C(4,3):d(C,m1)=sqrt((4-1)^2+(3-1)^2)=sqrt(9+4)=sqrt(13)≈3.6d(C,m2)=sqrt((4-6)^2+(3-5)^2)=sqrt(4+4)=sqrt(8)≈2.8距离m2更近，C分配给簇2。（4）点D(5,4):d(D,m1)=sqrt((5-1)^2+(4-1)^2)=sqrt(16+9)=5d(D,m2)=sqrt((5-6)^2+(4-5)^2)=sqrt(1+1)=1.4距离m2更近，D分配给簇2。（5）点E(6,5):d(E,m1)=sqrt((6-1)^2+(5-1)^2)=sqrt(25+16)≈6.4d(E,m2)=sqrt((6-6)^2+(5-5)^2)=0距离m2更近，E分配给簇2。第一次迭代后的簇划分：簇1:{A,B}簇2:{C,D,E}更新质心：新m1(簇1均值):x=(1+2)/2=1.5,y=(1+1)/2=1.0->(1.5,1.0)新m2(簇2均值):x=(4+5+6)/3=15/3=5.0,y=(3+4+5)/3=12/3=4.0->(5.0,4.0)答：第一次迭代后，簇1包含{A,B}，簇2包含{C,D,E}；更新后的质心分别为(1.5,1.0)和(5.0,4.0)。4.（10分）某二分类问题的混淆矩阵如下：预测类别YesNo真实Yes5010类别No535请计算：准确率、精确率、召回率和F1-Score。【答案】根据混淆矩阵定义：TP(真正例)=50FN(假反例)=10FP(假正例)=5TN(真反例)=35总样本数=50+10+5+35=100（1）准确率=(TP+TN)/Total=(50+35)/100=85/100=0.85(85%)（2）精确率=TP/(TP+FP)=50/(50+5)=50/55≈0.909(90.9%)（3）召回率=TP/(TP+FN)=50/(50+10)=50/60≈0.833(83.3%)（4）F1-Score=2*(Precision*Recall)/(Precision+Recall)=2*(0.909*0.833)/(0.909+0.833)=2*(0.757)/(1.742)≈1.514/1.742≈0.869(86.9%)答：准确率为85%，精确率约为90.9%，召回率约为83.3%，F1-Score约为86.9%。六、综合应用题（本大题共1小题，共20分。）1.某电商公司希望构建一个模型来预测用户是否会购买某款高端电子产品（是/否分类问题）。公司收集了用户的历史数据，包括：User_ID（用户ID）、Age（年龄）、Income（收入）、Gender（性别）、Browse_History（浏览历史，文本）、Click_Ads（是否点击广告，是/否）、Device（设备类型，手机/PC）。请设计一个完整的数据挖掘方案，涵盖以下步骤：（1）数据预处理：针对上述属性，分