2026年数据挖掘原理与应用试题及附答案

2026年数据挖掘原理与应用试题及附答案一、单项选择题（每题2分，共20分）1.以下哪项不属于数据预处理中的常见任务？A.数据清洗B.特征选择C.关联规则挖掘D.数据集成2.在关联规则挖掘中，若某规则的支持度为0.3，置信度为0.8，lift值为1.2，则以下说法正确的是？A.该规则的lift值小于1，说明两个项目正相关B.支持度表示包含规则前件和后件的事务占总事务的比例C.置信度是后件在包含前件的事务中的条件概率D.lift值反映规则的随机性，值越大越无意义3.关于K-means聚类算法，以下描述错误的是？A.需要预先指定聚类数kB.对初始聚类中心敏感C.适用于非凸形状的簇D.目标函数是最小化样本到其所属簇中心的欧氏距离平方和4.在分类任务中，若模型在训练集上准确率为95%，测试集上准确率为60%，最可能的原因是？A.数据不平衡B.过拟合C.欠拟合D.特征维度不足5.以下哪种算法属于基于密度的聚类方法？A.K-meansB.DBSCANC.层次聚类（凝聚法）D.谱聚类6.决策树中，信息增益的计算基于以下哪个指标？A.基尼系数B.信息熵C.均方误差D.互信息7.在异常检测中，LOF（局部离群因子）算法的核心思想是？A.计算样本与全局均值的距离B.比较样本局部密度与邻域样本的局部密度C.基于统计分布模型拟合数据D.通过神经网络重构误差识别异常8.以下哪项不是特征工程中特征提取的常用方法？A.主成分分析（PCA）B.线性判别分析（LDA）C.卡方检验D.词袋模型（BagofWords）9.在联邦学习场景下进行数据挖掘时，主要挑战是？A.数据维度过高B.不同站点数据分布差异（数据异质性）C.计算资源不足D.标签缺失10.评估回归模型性能时，以下哪个指标更关注预测值与真实值的绝对误差？A.均方误差（MSE）B.平均绝对误差（MAE）C.R²分数D.均方根误差（RMSE）二、填空题（每空1分，共20分）1.数据挖掘的主要任务包括分类、聚类、关联规则挖掘、________、时序模式挖掘和异常检测等。2.支持度的计算公式为：支持度（X→Y）=________/总事务数。3.K-means算法的停止条件通常是聚类中心不再变化或________。4.决策树中，基尼指数越小，样本的________越高（填“纯度”或“混乱度”）。5.关联规则挖掘中，Apriori算法的核心思想是________。6.在分类模型评估中，F1分数是________和召回率的调和平均数。7.层次聚类分为凝聚式和________两种类型。8.特征选择的方法可分为过滤法、包装法和________。9.协同过滤推荐算法主要分为基于用户的协同过滤和________。10.密度聚类中，DBSCAN算法的两个关键参数是________和最小样本数MinPts。11.逻辑回归模型的输出是样本属于正类的________。12.随机森林通过________和特征随机选择来降低模型方差。13.时间序列挖掘中，ARIMA模型的三个参数分别是自回归阶数p、差分阶数d和________。14.异常检测的监督学习方法需要________的异常样本标签。15.文本挖掘中，TF-IDF的作用是衡量词对________的重要程度。16.集成学习的主要方法包括Bagging、________和Stacking。17.在聚类评估中，轮廓系数越接近1，说明样本与________的相似性越高。18.关联规则的兴趣度度量除支持度、置信度外，还包括________和杠杆率等。19.支持向量机（SVM）的目标是找到________最大的分类超平面。20.数据清洗中，处理缺失值的方法包括删除记录、________和插值法。三、简答题（每题6分，共30分）1.简述数据清洗的主要任务及常用方法。2.对比k近邻（k-NN）算法与支持向量机（SVM）在分类任务中的优缺点。3.解释DBSCAN算法中“核心对象”“边界对象”和“噪声对象”的定义，并说明参数ε（邻域半径）对聚类结果的影响。4.特征选择和特征提取的主要区别是什么？各举一个典型方法。5.讨论不平衡数据对分类模型的影响，并列举三种解决不平衡数据问题的方法。四、算法分析与计算题（共25分）1.（8分）给定表1所示的事务数据集，其中每个事务包含若干项目（A、B、C、D、E）。表1事务数据集TID|项目集合T1|{A,B,C}T2|{A,B,D}T3|{B,C,E}T4|{A,C,D}T5|{B,C,D}（1）计算项目集{B,C}的支持度；（2）计算规则{B→C}的置信度；（3）若最小支持度为30%，最小置信度为60%，判断规则{B→C}是否有效。2.（9分）假设初始聚类中心为μ1=(1,2)、μ2=(5,6)，使用K-means算法对以下5个样本进行聚类（迭代1次）：样本点：(1,3)、(2,1)、(4,5)、(6,7)、(3,4)（1）计算各样本到两个初始中心的欧氏距离，确定第一次迭代的聚类分配；（2）计算新的聚类中心；（3）说明K-means算法可能存在的缺陷（至少两点）。3.（8分）某二分类任务中，真实标签与模型预测结果如表2所示：表2混淆矩阵预测正类预测负类真实正类4010真实负类1535（1）计算准确率、精确率、召回率和F1分数；（2）若将分类阈值调低，预测正类的样本数会如何变化？对精确率和召回率有何影响？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”（定义为过去6个月消费金额≥1万元且购买频次≥10次的用户），并预测其下一季度的消费金额。请设计数据挖掘流程，包括以下步骤：（1）数据收集与理解：列出需要收集的关键数据字段（至少5个）；（2）数据预处理：说明需要处理的主要问题及方法（至少3个）；（3）模型选择与训练：推荐分类模型和回归模型各一种，并说明理由；（4）模型评估：分别针对分类任务和回归任务给出合适的评估指标（至少2个/任务）。参考答案一、单项选择题1.C2.C3.C4.B5.B6.B7.B8.C9.B10.B二、填空题1.回归2.包含X和Y的事务数3.达到最大迭代次数4.纯度5.先验性质（频繁项集的所有子集必频繁）6.精确率7.分裂式8.嵌入法9.基于物品的协同过滤10.邻域半径ε11.概率12.自助采样（Bootstrap）13.移动平均阶数q14.有标记15.特定文档16.Boosting17.自身簇18.提升度（Lift）19.间隔20.用统计值填充三、简答题1.主要任务：处理缺失值、纠正错误数据（噪声）、消除重复数据、解决数据不一致。常用方法：缺失值处理（删除、均值/中位数填充、回归预测填充）；噪声处理（分箱、聚类、回归）；重复数据检测（记录匹配、去重）；不一致处理（标准化编码、值域对齐）。2.k-NN优点：无需训练、对非线性边界适应好；缺点：计算复杂度高（尤其高维）、对噪声敏感、需确定k值。SVM优点：小样本下泛化能力强、通过核函数处理非线性问题、鲁棒性好；缺点：对参数（核函数、C）敏感、高维稀疏数据（如文本）训练时间长、难以直接输出概率。3.核心对象：若对象的ε邻域内包含至少MinPts个样本，则为核心对象；边界对象：属于某个核心对象的邻域但自身不是核心对象；噪声对象：不属于任何核心对象的邻域。ε过小：可能产生过多小簇或噪声；ε过大：簇间可能合并，导致聚类结果不准确。4.特征选择：从原始特征中选择子集，保留关键特征（如卡方检验、信息增益）；特征提取：通过变换提供新特征（如PCA、LDA）。区别：特征选择是“筛选”，特征提取是“转换”。5.影响：模型偏向多数类，少数类（正类）的召回率低；评估指标（如准确率）不能真实反映性能。解决方法：重采样（过采样少数类/欠采样多数类）、调整类别权重（如SVM的class_weight）、使用代价敏感学习（设置错误分类代价）。四、算法分析与计算题1.（1）支持度=包含{B,C}的事务数（T1,T3,T5）/5=3/5=60%；（2）置信度=支持度{B,C}/支持度{B}=(3/5)/(4/5)=3/4=75%；（3）支持度60%≥30%，置信度75%≥60%，规则有效。2.（1）计算距离：样本(1,3)到μ1=(1,2)距离=√(0²+1²)=1；到μ2=(5,6)距离=√(4²+3²)=5→归簇1。样本(2,1)到μ1距离=√(1²+1²)=√2≈1.41；到μ2距离=√(3²+5²)=√34≈5.83→归簇1。样本(4,5)到μ1距离=√(3²+3²)=√18≈4.24；到μ2距离=√(1²+1²)=√2≈1.41→归簇2。样本(6,7)到μ1距离=√(5²+5²)=√50≈7.07；到μ2距离=√(1²+1²)=√2≈1.41→归簇2。样本(3,4)到μ1距离=√(2²+2²)=√8≈2.83；到μ2距离=√(2²+2²)=√8≈2.83（可任选，假设归簇1）。聚类1：(1,3),(2,1),(3,4)；聚类2：(4,5),(6,7)。（2）新中心：簇1中心=((1+2+3)/3,(3+1+4)/3)=(2,8/3≈2.67)；簇2中心=((4+6)/2,(5+7)/2)=(5,6)（与原中心相同，可能停止迭代）。（3）缺陷：对初始中心敏感（可能陷入局部最优）；不适用于非凸/大小差异大的簇；需预设k值；对噪声和离群点敏感。3.（1）准确率=(40+35)/(40+10+15+35)=75/100=75%；精确率=40/(40+15)=40/55≈72.73%；召回率=40/(40+10)=40/50=80%；F1=2×(0.7273×0.8)/(0.7273+0.8)=≈76.19%。（2）阈值调低，更多样本被预测为正类，预测正类数增加；精确率可能下降（误判增加），召回率可能上升（更多真实正类被捕获）。五、综合应用题（1）关键数据字段：用户ID、过去6个月消费金额、购买频次、平均客单价、最近一次购买时间（R值）、浏览商品类别、加购数量、优惠券使用次数、退货率、用户年龄/性别（可选）。（2）数据预处理问题及方法：缺失值：消费金额缺失时，用用户历史平均金额填充；异常值：消费金额远超均值3σ的记录，通过聚类（如DBSCAN）识别并检查是否为真实高价值用户；数据标准化：消