2026年《数据挖掘方法》期末考试试卷附答案

2026年《数据挖掘方法》期末考试试卷附答案一、单项选择题（每题2分，共20分）1.在数据挖掘中，以下哪项操作不属于数据清洗的范畴？A.处理缺失值时采用均值填补法B.对连续型变量进行分箱处理C.检测并修正数据中的逻辑错误（如年龄为-5）D.去除重复记录2.关联规则挖掘中，若某规则的支持度为0.3，置信度为0.7，lift值为1.2，则以下描述正确的是？A.该规则的lift值大于1，说明X与Y的出现是正相关的B.支持度0.3表示同时包含X和Y的事务占总事务的30%C.置信度0.7表示包含X的事务中包含Y的概率为70%D.以上均正确3.关于K-means聚类算法，以下说法错误的是？A.初始聚类中心的选择会影响最终聚类结果B.适用于非凸形状的簇划分C.要求簇的样本均值可计算（如数值型数据）D.通常使用欧氏距离作为样本间相似性度量4.在分类任务中，若样本类别严重不平衡（正类占1%），以下哪种评估指标最不适用？A.准确率（Accuracy）B.F1-scoreC.ROC-AUCD.召回率（Recall）5.决策树算法中，信息增益（InformationGain）的计算基于以下哪个指标？A.基尼系数（GiniIndex）B.信息熵（Entropy）C.均方误差（MSE）D.互信息（MutualInformation）6.以下哪种方法属于无监督学习？A.逻辑回归（LogisticRegression）B.支持向量机（SVM）分类C.DBSCAN聚类D.随机森林（RandomForest）7.在异常检测中，基于距离的方法（如k近邻）的核心假设是？A.异常点的局部密度显著低于正常点B.异常点与大多数点的距离较远C.数据服从特定分布（如正态分布）D.异常点在特征空间中形成独立簇8.特征工程中，对类别型特征“用户职业”（包含教师、医生、程序员等）进行编码时，最适合的方法是？A.标准化（Z-score）B.独热编码（One-HotEncoding）C.对数变换（LogTransformation）D.分箱（Binning）9.关于集成学习（EnsembleLearning），以下说法正确的是？A.随机森林（RandomForest）通过样本扰动（Bootstrap）和特征扰动提高模型泛化能力B.梯度提升树（GBDT）是并行训练多个基模型的集成方法C.集成学习的效果一定优于单个基模型D.堆叠（Stacking）方法中，元模型（Meta-model）仅使用基模型的输出作为输入10.时间序列数据挖掘中，以下哪种方法主要用于捕捉长期趋势？A.滑动窗口（SlidingWindow）B.差分（Differencing）C.指数平滑（ExponentialSmoothing）D.自相关函数（ACF）分析二、填空题（每空1分，共15分）1.数据预处理的主要步骤包括数据清洗、__________、数据变换和数据规约。2.关联规则挖掘中，支持度（Support）的计算公式为__________。3.K-means算法的目标函数是最小化所有样本到其所属聚类中心的__________之和。4.朴素贝叶斯分类器假设各特征之间__________，从而简化后验概率的计算。5.决策树剪枝的主要目的是__________，常用方法包括预剪枝和后剪枝。6.聚类算法中，DBSCAN的两个关键参数是__________和最小样本数（MinPts）。7.评估分类模型时，精确率（Precision）的定义是__________。8.特征选择的常用方法包括过滤法（Filter）、包裹法（Wrapper）和__________。9.异常检测中，孤立森林（IsolationForest）通过__________的方式区分异常点和正常点。10.时间序列分解的常见模型包括加法模型和__________模型。11.集成学习中的Bagging方法通过__________（填“并行”或“串行”）训练多个基模型。12.关联规则的兴趣度度量除支持度和置信度外，还包括__________（至少写一个）。13.在逻辑回归中，sigmoid函数的作用是将线性组合的输出映射到__________区间。14.特征工程中，对连续型特征进行离散化的主要目的是__________（至少写一点）。15.聚类效果评估的内部指标包括轮廓系数（SilhouetteCoefficient），其取值范围是__________。三、简答题（每题6分，共30分）1.简述数据预处理中“数据变换”的常见方法及其适用场景。2.比较分类任务与聚类任务的核心区别（从目标、输入数据、输出形式三方面说明）。3.解释Apriori算法中“先验性质”（AprioriProperty）的含义，并说明其在算法中的作用。4.说明随机森林（RandomForest）比单棵决策树更鲁棒的原因（至少两点）。5.简述使用ROC曲线评估分类模型的优势，并说明AUC值的意义。四、算法分析题（每题10分，共20分）1.推导朴素贝叶斯分类器的后验概率公式，并说明“朴素”假设的具体内容及对计算的影响。2.描述DBSCAN算法的核心步骤，并分析参数ε（邻域半径）和MinPts（最小样本数）对聚类结果的影响（如ε过小/过大，MinPts过小/过大时的可能结果）。五、综合应用题（15分）某电商平台希望通过用户行为数据挖掘“高价值用户”（定义为未来30天内消费金额≥5000元的用户）。现有数据集包含以下字段：用户ID、年龄、性别、过去6个月消费金额、过去30天登录次数、过去7天加购商品数、是否为会员（是/否）、最近一次消费距今天数。要求：（1）设计数据挖掘流程（需包含预处理、特征工程、模型选择、评估方法四个关键步骤）；（2）针对该任务，推荐至少2种适用的分类模型，并说明理由；（3）提出至少2个可能影响模型效果的业务相关因素，并分析其原因。答案一、单项选择题（每题2分，共20分）1.B2.D3.B4.A5.B6.C7.B8.B9.A10.C二、填空题（每空1分，共15分）1.数据集成2.support(X→Y)=P(X∪Y)=事务中同时包含X和Y的数量/总事务数3.欧氏距离平方（或距离平方）4.条件独立（或相互独立）5.防止过拟合（或提高泛化能力）6.邻域半径ε（或ε）7.真正例数/(真正例数+假正例数)或TP/(TP+FP)8.嵌入法（Embedded）9.随机划分特征空间构建隔离树（或随机路径长度差异）10.乘法11.并行12.提升度（Lift）/确信度（Conviction）等13.[0,1]（或0到1）14.降低噪声影响/提高模型鲁棒性/引入非线性关系等（合理即可）15.[-1,1]三、简答题（每题6分，共30分）1.数据变换的常见方法及适用场景：（1）标准化（Z-score）：适用于消除特征量纲影响（如年龄与消费金额的尺度差异）；（2）归一化（Min-Max）：适用于需要将特征值压缩到固定区间（如[0,1]）的场景；（3）对数变换：适用于处理右偏分布的连续型数据（如收入、消费金额），缓解异方差；（4）独热编码：适用于无序类别型特征（如性别、职业），将其转化为二进制向量；（5）多项式特征提供：适用于捕捉特征间的交互作用（如年龄×消费金额）。（答出4种及对应场景即可，每种1.5分）2.核心区别：（1）目标：分类是有监督学习，目标是根据已知类别标签训练模型并预测新样本的类别；聚类是无监督学习，目标是根据样本间相似性自动分组。（2）输入数据：分类需要带标签的训练数据；聚类仅使用无标签数据。（3）输出形式：分类输出明确的类别标签（如“高价值用户”“普通用户”）；聚类输出簇的划分（如簇1、簇2），簇的含义需后续解释。（每点2分）3.先验性质：若一个项集是频繁的，则其所有子集也必须是频繁的（反之，若一个项集是非频繁的，则其所有超集也一定是非频繁的）。（2分）作用：在Apriori算法中，通过该性质可大幅减少候选项集的数量：首先提供1-频繁项集，然后仅用频繁k-项集提供k+1-候选项集（剪枝掉包含非频繁子集的候选项集），从而降低计算复杂度。（4分）4.原因：（1）样本扰动：随机森林通过Bootstrap抽样提供不同训练集，降低单棵树对特定样本的过拟合；（2）特征扰动：每棵树仅随机选择部分特征进行划分，减少对强特征的依赖，提高模型多样性；（3）集成投票：多棵树的预测结果通过投票（分类）或平均（回归）综合，降低方差。（答出两点即可，每点3分）5.优势：ROC曲线不受样本类别不平衡影响（仅关注真正例率和假正例率），能全面反映模型在不同阈值下的表现；（3分）AUC值的意义：ROC曲线下的面积，取值[0.5,1]，值越大表示模型区分正类和负类的能力越强（0.5为随机猜测，1为完美分类）。（3分）四、算法分析题（每题10分，共20分）1.后验概率公式推导：根据贝叶斯定理，P(C|X)=P(X|C)P(C)/P(X)（2分），其中X=(x₁,x₂,…,xₙ)为特征向量，C为类别。“朴素”假设：各特征在类别C下条件独立，即P(X|C)=∏P(xᵢ|C)（3分）。影响：将联合概率的计算简化为各特征条件概率的乘积，避免了高维特征下联合概率估计的困难（如n维特征需估计2ⁿ个参数，简化后仅需n个参数），但可能忽略特征间的实际依赖关系，导致模型偏差（5分）。2.DBSCAN核心步骤：（1）遍历所有样本，计算每个样本的ε-邻域（距离≤ε的样本数）；（2）标记核心对象（ε-邻域内样本数≥MinPts）、边界对象（邻域样本数<MinPts但被核心对象邻域包含）和噪声点（既非核心也非边界）；（3）从任意核心对象出发，通过密度可达性（核心对象间相互连接）提供最大密度连通区域，形成聚类簇；（4）未被访问的核心对象重复步骤（3），最终噪声点作为异常点。（5分）参数影响：（1）ε过小：核心对象减少，易将正常点误判为噪声，导致聚类数目过多；（2）ε过大：核心对象增多，不同簇可能被合并，导致聚类数目过少；（3）MinPts过小：核心对象过多，可能将低密度区域误判为簇；（4）MinPts过大：核心对象减少，易丢失有效簇，噪声点增多。（每点1分，共5分）五、综合应用题（15分）（1）数据挖掘流程：①预处理：缺失值处理：检查各字段缺失情况，对“最近一次消费距今天数”缺失的用户，若为新用户可填充为极大值（如999）；异常值检测：通过箱线图或3σ原则检测“过去6个月消费金额”的异常值（如负值或极大离群值），修正或删除；数据集成：确保用户ID唯一，合并多表数据（若有）。（2分）②特征工程：构造新特征：如“月均消费金额=过去6个月消费金额/6”“登录频率=过去30天登录次数/30”；类别特征编码：对“性别”“是否为会员”进行独热编码；连续特征离散化：将“年龄”分箱为青年（18-30）、中年（31-50）、老年（51+），捕捉非线性关系。（3分）③模型选择：逻辑回归：计算简单，可解释性强，适合初步探索特征与目标的线性关系；随机森林：能处理非线性关系，自动处理特征重要性排序，对噪声不敏感；XGBoost：梯度提升树，通过正则化防止过拟合，在高维数据上表现优异（任选2种即可）。（3分）④评估方法：由于样本可能不平衡（高价值用户占比低），采用F1-score、ROC-AUC作为主要指标；划分训练集、验证集、测试集（如7:2:1），使用交叉验证（5折CV）降低随机误差；分析混淆矩阵，关注召回率（避免漏判高价值用户）。（2分）（2）推荐模型及理由：①随机森林：能处理混合类型数据（类别+数值），对缺失值不敏感（可通过特征重要性加权处理），且输出特征重要性分数（如“过去6个月消费金额”的重要性），帮助业务方理解关键驱动因素；②XGBoost：支持自定义损失函数（如针对高价值用户