2025-2026年数据挖掘与机器学习专项训练题库

2025-2026年数据挖掘与机器学习专项训练题库一、单选题（总共10题，每题2分，共20分）1.在数据挖掘中，用于衡量模型泛化能力的指标是（）。A.准确率B.召回率C.F1分数D.偏差与方差权衡解析：偏差与方差权衡是衡量模型泛化能力的关键指标，偏差反映模型对数据拟合的紧密程度，方差反映模型对数据变化的敏感程度。高偏差导致欠拟合，高方差导致过拟合，理想模型需在偏差与方差间取得平衡。准确率、召回率、F1分数仅适用于分类问题评估模型性能，不涉及泛化能力。2.下列哪种算法属于监督学习中的分类算法？（）A.K-means聚类B.主成分分析（PCA）C.决策树D.系统聚类解析：决策树通过树状结构对数据进行分类或回归，属于监督学习算法。K-means和系统聚类属于无监督学习中的聚类算法，PCA属于降维算法，均不属于监督学习分类算法。3.在特征工程中，将多个特征组合生成新特征的方法称为（）。A.特征缩放B.特征编码C.特征组合D.特征选择解析：特征组合通过数学运算（如乘积、比值）将多个原始特征生成新特征，例如构建“用户年龄×收入”特征。特征缩放（如标准化、归一化）调整特征尺度，特征编码（如独热编码）将类别特征量化，特征选择则筛选重要特征。4.下列哪种模型适用于处理非线性关系？（）A.线性回归B.逻辑回归C.神经网络D.线性判别分析解析：神经网络通过多层非线性激活函数拟合复杂非线性关系，线性回归和线性判别分析基于线性假设，逻辑回归虽为分类算法但本质是线性模型。5.在交叉验证中，k折交叉验证将数据集分成多少份？（）A.2份B.3份C.k份D.1份解析：k折交叉验证将数据集随机分成k个大小相等的子集，每次用k-1个子集训练模型，剩余1个子集验证，重复k次并取平均性能。6.下列哪种指标适用于评估回归模型的预测精度？（）A.精确率B.均方根误差（RMSE）C.召回率D.AUC解析：均方根误差（RMSE）衡量预测值与真实值间的平均偏差，是回归模型常用评估指标。精确率和召回率适用于分类问题，AUC衡量分类模型性能。7.在集成学习中，随机森林通过以下哪种方式提高模型鲁棒性？（）A.增加单个决策树的复杂度B.减少特征数量C.抽样有放回地构建多棵决策树D.使用梯度下降优化解析：随机森林通过“袋外误差”（Out-of-BagError）机制，即每棵树随机选择样本和特征进行训练，降低过拟合风险，提高泛化能力。8.下列哪种算法属于半监督学习？（）A.支持向量机（SVM）B.自编码器C.聚类算法D.半监督神经网络解析：半监督学习利用大量未标记数据和少量标记数据训练模型，自编码器可通过未标记数据学习数据分布，半监督神经网络专门设计用于此类任务。SVM和聚类算法仅适用于监督或无监督学习。9.在特征选择中，递归特征消除（RFE）通过以下方式工作？（）A.随机选择特征B.逐步移除权重最小的特征C.计算特征重要性排序D.使用L1正则化解析：RFE通过递归减少特征数量，每次迭代训练模型并移除权重最小的特征，重复直至达到目标特征数量。L1正则化（Lasso）通过惩罚项实现特征选择，但非RFE的机制。10.在时间序列分析中，ARIMA模型需要估计多少个参数？（）A.1个B.2个C.3个D.更多取决于模型阶数解析：ARIMA(p,d,q)模型包含自回归项（AR）、差分阶数（d）和移动平均项（MA），需估计p+q+d个参数。具体数量随模型阶数变化。二、填空题（总共10题，每题2分，共20分）1.在数据预处理中，处理缺失值的三种主要方法是______、______和______。参考答案：删除缺失值、均值/中位数/众数填充、模型预测填充解析：删除缺失值适用于缺失比例低的情况；均值/中位数/众数填充简单但可能扭曲数据分布；模型预测填充（如KNN、回归）更准确但计算复杂。2.决策树算法中，用于衡量节点分裂质量的指标是______。参考答案：信息增益（ID3）/信息增益率（C4.5）/基尼不纯度解析：ID3和C4.5使用信息增益或信息增益率衡量分裂前后的熵差，C4.5进一步考虑特征选择偏差；基尼不纯度是另一种分裂质量指标。3.在特征工程中，将类别特征转换为数值特征的方法包括______和______。参考答案：独热编码、标签编码（哑编码）解析：独热编码为每个类别创建二进制列，标签编码将类别映射为整数，适用于高基数类别特征。4.逻辑回归模型的输出范围是______到______。参考答案：0到1解析：逻辑回归通过Sigmoid函数将线性组合映射到(0,1)区间，表示事件发生的概率。5.在交叉验证中，留一交叉验证（LOOCV）将数据集分成______份。参考答案：n（数据点数量）解析：LOOCV每次留一个样本作为验证集，其余n-1个样本训练，适用于小数据集。6.支持向量机（SVM）通过最大化______来构建最优分类超平面。参考答案：间隔（Margin）解析：SVM寻找能最大化样本与分类超平面距离（间隔）的边界，提高模型泛化能力。7.在集成学习中，装袋（Bagging）通过______减少模型方差。参考答案：并行训练多个模型并取平均解析：装袋（Bagging）通过自助采样（Bootstrap）构建多个训练集，并行训练模型并聚合结果，降低过拟合风险。8.特征重要性衡量指标______基于随机森林，通过比较无某个特征时的模型性能变化计算。参考答案：PermutationImportance解析：PermutationImportance通过随机打乱某个特征的值，观察模型性能下降程度来评估特征重要性，不依赖模型内部权重。9.在时间序列分析中，ARIMA模型中的______项用于捕捉数据的自相关性。参考答案：自回归（AR）解析：ARIMA模型包含自回归项（p阶）、差分阶数（d）和移动平均项（q阶），自回归项捕捉时间序列的滞后依赖关系。10.半监督学习的主要优势是______。参考答案：利用大量未标记数据提升模型性能解析：半监督学习通过结合标记和未标记数据，在标记数据有限时仍能提高模型泛化能力，尤其适用于标注成本高的场景。三、判断题（总共10题，每题2分，共20分）1.决策树容易过拟合，需要剪枝来提高泛化能力。（√）解析：决策树通过剪枝（如预剪枝、后剪枝）限制树深度或删除不必要节点，防止过拟合。2.线性回归模型假设特征与目标变量之间存在线性关系。（√）解析：线性回归基于最小二乘法拟合线性方程y=β0+β1x1+...+βnxn，要求特征与目标变量线性相关。3.在交叉验证中，k折交叉验证比留一交叉验证更稳定。（√）解析：留一交叉验证对异常值敏感，k折交叉验证通过多次训练验证降低方差，更稳定但计算量更大。4.特征工程只是数据预处理的子集，不涉及模型选择。（×）解析：特征工程包括特征创建、选择、转换等，直接影响模型性能，常与模型选择协同进行。5.支持向量机（SVM）适用于高维数据，但计算复杂度随维度线性增长。（×）解析：SVM在高维空间中表现良好，但计算复杂度随维度平方增长，适合中等规模数据集。6.随机森林通过增加单个决策树的复杂度来提高模型性能。（×）解析：随机森林通过减少单个决策树的复杂度（如限制分裂特征数量）来降低过拟合，通过集成提高鲁棒性。7.逻辑回归模型输出可直接解释为概率值。（√）解析：逻辑回归通过Sigmoid函数将线性组合映射到(0,1)区间，可解释为事件发生的条件概率。8.半监督学习不需要标记数据也能训练模型。（×）解析：半监督学习需要少量标记数据作为“种子”，通过未标记数据辅助学习，完全无标记数据无法训练。9.特征选择的目标是减少模型训练时间，无需考虑模型性能。（×）解析：特征选择通过移除冗余或不相关特征，既能提高模型性能（降低过拟合），又能减少计算成本。10.ARIMA模型适用于所有类型的时间序列数据。（×）解析：ARIMA模型要求时间序列平稳，非平稳序列需先差分处理。四、简答题（总共4题，每题4分，共16分）1.简述过拟合与欠拟合的区别及其解决方法。答：过拟合指模型对训练数据拟合过度，泛化能力差；欠拟合指模型未充分学习数据规律，拟合不足。解决方法：-过拟合：增加数据量、正则化（L1/L2）、剪枝、集成学习；-欠拟合：增加模型复杂度（如提高树深度）、减少特征选择、添加交互特征。解析：过拟合与欠拟合是模型偏差与方差权衡的体现，需通过数据、模型、特征三方面调整平衡。2.解释交叉验证的原理及其优缺点。答：交叉验证通过将数据集分成k份，轮流用k-1份训练、1份验证，重复k次取平均性能，评估模型泛化能力。优点：充分利用数据、减少方差、避免单一划分偏差；缺点：计算复杂度高、对异常值敏感（如LOOCV）。解析：交叉验证通过多次训练验证提高评估稳定性，但k值选择和异常值处理需注意。3.描述特征工程在数据挖掘中的重要性。答：特征工程通过数据清洗、转换、创建新特征，将原始数据转化为模型可用的有效输入，直接影响模型性能。重要性：-提高模型准确性；-降低过拟合风险；-减少计算成本；-弥补数据质量问题。解析：特征工程是数据挖掘的核心环节，常比模型选择更重要，尤其当数据质量差时。4.解释集成学习的核心思想及其常见方法。答：集成学习通过组合多个模型（弱学习器）提升整体性能，核心思想是“三个臭皮匠赛过诸葛亮”。常见方法：-装袋（Bagging）：并行训练多个模型（如随机森林）；-提升（Boosting）：串行训练模型（如AdaBoost、XGBoost）；-融合（Stacking）：组合多个模型预测结果。解析：集成学习通过降低方差或偏差，显著提高模型鲁棒性，是竞赛和工业界常用技术。五、应用题（总共4题，每题6分，共24分）1.某电商公司收集了用户购买数据，包含年龄、性别、购买金额、购买频率等特征。（1）请设计一个特征工程方案，至少包含三种特征创建方法。（2）若需预测用户是否为高价值客户（购买金额>2000），请选择合适的分类模型并说明理由。答：（1）特征工程方案：-创建交互特征：如“年龄×购买频率”表示用户活跃度；-特征分箱：将年龄按年龄段（如18-25,26-35）离散化；-时间特征：提取购买时间中的星期几、是否节假日等。（2）分类模型选择：逻辑回归。理由：-简单高效，适合中小数据集；-输出可解释为概率，便于业务决策；-对线性关系建模效果好，可通过特征工程捕捉非线性。解析：特征工程需结合业务场景，分类模型选择需权衡性能、复杂度和可解释性。2.某医院监测患者心率数据，发现数据存在趋势和季节性波动。（1）请说明如何判断该时间序列是否平稳，并给出处理方法。（2）若需预测未来10分钟心率均值，请选择合适的模型并说明参数设置依据。答：（1）平稳性判断与处理：-检验：绘制时序图观察趋势，计算ADF检验统计量；-处理：若非平稳，通过差分（如一阶差分）或对数转换使其平稳。（2）预测模型选择：ARIMA(1,1,1)。理由：-ARIMA(p,d,q)中p=1捕捉自相关性，d=1消除趋势，q=1处理季节性；-参数依据：根据自相关图（ACF）和偏自相关图（PACF）确定。解析：时间序列分析需先检验平稳性，模型参数需基于数据特性选择。3.某银行需要识别欺诈交易，数据包含交易金额、时间、地点、商户类型等。（1）请设计一个异常检测方案，至少包含两种无监督学习方法。（2）若已知少量标记欺诈案例，如何结合无监督和监督学习？答：（1）异常检测方案：-孤立森林：通过随机切割树结构识别异常点；-LOF（局部离群因子）：比较点与邻域的密度差异。（2）结合方法：-使用无监督方法（如IsolationForest）初步筛选可疑交易；-将筛选结果与标记数据合并，训练监督模型（如XGBoost）进行最终分类。解析：异常检测常先无监督识别潜在异常，再监督学习精调分类。4.某零售企业希望根据用户购买历史预测其未来购买倾向。（1）请说明如何处理数据中的稀疏性（如用户购买商品稀少）。（2）若需推荐商品，请设计一个协同过滤方案。答：（1）稀疏性处理：-特征编码：使用独热编码或嵌入向量表示商品；-填充技术：用矩阵分解（如SVD）估计缺失评分。（2）协同过滤方案：-用户基于用户（User-Based）：找到购买偏好相似的用户，推荐其购买过的商品；-商品基于商品（Item-Based）：计算商品相似度，推荐与用户历史购买商品相似的商品。解析：稀疏性是推荐系统常见问题，协同过滤通过用户/商品相似性解决。【标准答案及解析】一、单选题1.D2.C3.C4.C5.C6.B7.C8.B9.B10.D解析：第1题D偏差与方差权衡是泛化能力核心，其他选项仅评估局部性能；第7题C装袋通过并行训练降低方差，其他选项或机制错误。二、填空题1.删除缺失值、均值/中位数/众数填充、模型预测填充2.信息增益（ID3）/信息增益率（C4.5）/基尼不纯度3.独热编码、标签编码（哑编码）4.0到15.n（数据点数量）6.间隔（Margin）7.并行训练多个模型并取平均8.PermutationImportance9.自回归（AR）10.利用大量未标