2026年数据挖掘基础试题(含答案)

2026年数据挖掘基础试题(含答案)一、单项选择题（每题1分，共20分）1.数据挖掘中，处理缺失值的方法不包括以下哪一项？A.删除记录B.用均值填充C.用中位数填充D.增加数据维度答案D2.下列哪种方法属于有监督学习？A.K-meansB.AprioriC.决策树分类D.PCA答案C3.在决策树中，ID3算法选择分裂属性的依据是？A.信息增益B.增益率C.基尼指数D.均方误差答案A4.下列哪个指标用于衡量分类模型对正类的查全率？A.PrecisionB.RecallC.F1D.Accuracy答案B5.关联规则挖掘中，规则A⇒A.PB.PC.PD.P答案A6.K-means算法中，K值通常表示？A.迭代次数B.簇的个数C.样本维度D.学习率答案B7.数据预处理中，将不同量纲的特征转换到同一尺度的方法是？A.离散化B.归一化C.主成分分析D.特征选择答案B8.下列关于过拟合的说法，正确的是？A.训练误差小，测试误差大B.训练误差大，测试误差小C.训练误差与测试误差都小D.训练误差与测试误差都大答案A9.在朴素贝叶斯分类中，“朴素”是指？A.假设特征之间相互独立B.假设样本之间相互独立C.使用简单的线性模型D.只适用于二分类问题答案A10.下列距离度量中，对异常值最敏感的是？A.曼哈顿距离B.欧氏距离C.切比雪夫距离D.余弦相似度答案B11.主成分分析（PCA）的主要目的是？A.增加特征数量B.降低数据维度C.提高模型复杂度D.生成标签答案B12.在评估二分类模型时，ROC曲线的横轴是？A.真正例率B.假正例率C.查准率D.查全率答案B13.以下哪种算法属于基于密度的聚类算法？A.K-meansB.DBSCANC.层次聚类D.高斯混合模型答案B14.数据仓库与数据挖掘的关系是？A.数据挖掘为数据仓库提供存储B.数据仓库为数据挖掘提供高质量数据C.二者没有关系D.数据挖掘只能用于数据仓库答案B15.下列关于熵的说法，错误的是？A.熵越大，不确定性越大B.当所有样本属于同一类时，熵为0C.熵的取值范围是[D.二分类均匀分布时熵最大答案C16.在KNN算法中，当K值过小时容易导致？A.欠拟合B.过拟合C.计算量减小D.决策边界平滑答案B17.下列哪个不是数据挖掘的主要任务？A.分类B.聚类C.关联分析D.数据加密答案D18.混淆矩阵中，真正例（TP）表示？A.实际为正类且预测为正类B.实际为负类且预测为正类C.实际为正类且预测为负类D.实际为负类且预测为负类答案A19.Apriori算法中，频繁项集的评价指标是？A.支持度B.置信度C.提升度D.信息增益答案A20.下列哪种方法常用于处理类别不平衡问题？A.过采样少数类B.删除所有多数类样本C.增加特征维度D.降低学习率答案A二、多项选择题（每题2分，共10分，多选、错选不得分，少选得1分）1.下列属于数据预处理步骤的有？A.数据清洗B.数据集成C.数据变换D.数据加密答案ABC2.关于决策树剪枝，下列说法正确的有？A.预剪枝在构建过程中提前停止分裂B.后剪枝在树构建完成后进行简化C.剪枝可以防止过拟合D.剪枝一定会提高训练集准确率答案ABC3.下列哪些方法可以用于特征选择？A.过滤法B.包裹法C.嵌入法D.随机森林答案ABC4.聚类效果评价指标包括？A.轮廓系数B.戴维森堡丁指数C.兰德指数D.F1值答案ABC5.下列哪些属于数据规范化方法？A.最小-最大规范化B.Z-score规范化C.小数定标规范化D.主成分分析答案ABC三、判断题（每题1分，共10分）1.数据挖掘是从大量数据中自动发现有用模式的过程。答案正确2.监督学习不需要标签数据。答案错误3.信息增益越大，说明使用该特征进行划分的效果越好。答案正确4.K-means算法对初始质心选择不敏感。答案错误5.在关联规则中，置信度越高，规则一定越有用。答案错误6.过拟合的模型泛化能力差。答案正确7.数据清洗主要包括处理缺失值、噪声数据和不一致数据。答案正确8.朴素贝叶斯分类器假设特征之间完全独立，这一假设在现实中总是成立。答案错误9.ROC曲线下的面积（AUC）越接近0.5，模型性能越好。答案错误10.交叉验证可以用来评估模型的泛化能力。答案正确四、填空题（每空1分，共10分）1.数据挖掘的英文缩写是________。答案DM2.在二分类混淆矩阵中，实际为正类但被预测为负类的样本称为________。答案假负例（FN）3.决策树算法C4.5使用________作为属性选择度量。答案信息增益率（增益率）4.聚类分析中，样本间的距离度量常用欧氏距离，其公式为d(x,答案样本的维度（属性个数）5.关联规则A⇒答案P(B6.在数据预处理中，将连续属性值转换为离散值的过程称为________。答案离散化7.主成分分析中，第一个主成分的方向是数据________最大的方向。答案方差8.KNN算法中，常用的距离度量是________距离。答案欧氏9.在模型评估中，将数据集划分为训练集和测试集，常用________交叉验证法减少划分偶然性。答案K折（k折）10.用于衡量分类模型整体准确率的指标是________。答案准确率（Accuracy）五、简答题（每题5分，共20分）1.简述数据挖掘的主要步骤。答案数据清洗、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示。2.什么是过拟合？请列举两种防止过拟合的方法。答案过拟合是指模型在训练集上表现很好，但在测试集或新数据上表现很差的现象。防止方法：交叉验证、正则化、剪枝、增加训练数据、减少模型复杂度等（任答两种）。3.简述关联规则挖掘中支持度和置信度的含义。答案支持度表示规则中项集在数据集中出现的频率，即supp4.简述K-means聚类算法的基本步骤。答案1)随机选择K个初始质心；2)将每个样本分配到距离最近的质心所在簇；3)重新计算每个簇的质心；4)重复步骤2和3，直到质心不再变化或达到迭代次数。六、计算题（每题10分，共20分）1.给定数据集D包含14个样本，其中正类9个，负类5个。若按某个属性A划分，得到两个子集D1和D2：D1包含4个样本，均为正类；D2包含10个样本，其中正类5个，负类5个。请计算属性A的信息增益。答案信息增益Ga解析划分前熵：E子集D1全为正类，熵为0；子集D2正负各半，熵为1。加权平均熵：E信息增益：G2.给定事务数据库如下（5个事务），计算关联规则A⇒•T1:A,B,C•T2:A,C•T3:A,B•T4:B,C•T5:A,B,C答案支持度=0.6，置信度=0.75，提升度解析同时包含A和B的事务有T1、T3、T5，共3个。支持度：s包含A的事务有T1、T2、T3、T5，共4个。置信度：c包含B的事务有T1、T3、T4、T5，共4个，s(提升度：l七、综合分析题（每题10分，共10分）某电商公司希望利用数据挖掘技术对用户是否会购买某商品进行预测，请设计一个完整的数据挖掘方案，包括问题定义、数据准备、特征工程、模型选择、评估方法等。要求条理清晰。答案：（1）问题定义：将用户是否购买该商品定义为一个二分类问题，正类为购买，负类为不购买。（2）数据准备：收集用户历史行为数据、用户属性数据、商品信息数据等；进行数据清洗，处理缺失值、异常值和重复数据；对类别特征进行编码，对数值特征进行归一化处理。（3）特征工程：构造用户活跃度、历史购买频率、浏览时长、购物车放弃率等特征；使用特征选择方法（如过滤法、嵌入法）筛选重要特征，降低