2025-2026年数据挖掘与机器学习实战案例习题集

2025-2026年数据挖掘与机器学习实战案例习题集一、单选题（总共10题，每题2分，共20分）1.在数据挖掘的CRISP-DM流程中，哪个阶段主要负责确定数据挖掘目标、范围和初步计划？（）A.数据准备阶段B.业务理解阶段C.模型评估阶段D.模型部署阶段解析：CRISP-DM流程的业务理解阶段是项目启动的核心环节，该阶段通过需求分析、目标定义和初步计划制定，明确数据挖掘要解决的业务问题。数据准备阶段侧重数据清洗与整合，模型评估阶段关注模型性能验证，模型部署阶段则涉及系统上线。选项B准确对应业务理解阶段的功能定位。2.下列哪种算法属于监督学习中的分类算法？（）A.K-means聚类算法B.决策树分类器C.主成分分析（PCA）D.系统聚类算法解析：决策树分类器通过构建树状结构对样本进行分类，是典型的监督学习分类算法。K-means和系统聚类算法属于无监督学习中的聚类方法，PCA是降维技术，不涉及分类任务。选项B是正确答案。3.在特征工程中，如何处理缺失值会导致数据信息损失？（）A.使用均值或中位数填充B.采用K最近邻（KNN）插补C.直接删除含有缺失值的样本D.使用多重插补法解析：直接删除含有缺失值的样本会导致数据量减少，尤其当缺失比例较高时，会丢失大量有效信息，影响模型性能。均值/中位数填充、KNN插补和多重插补法均能保留数据完整性。选项C是错误做法。4.逻辑回归模型的输出结果通常解释为？（）A.概率值B.线性组合值C.距离值D.熵值解析：逻辑回归通过Sigmoid函数将线性组合值映射为0-1之间的概率值，该概率表示样本属于正类的置信度。选项A正确。5.在交叉验证中，k折交叉验证的主要目的是？（）A.减少过拟合B.提高模型泛化能力C.增加训练数据量D.简化模型参数选择解析：k折交叉验证通过将数据分为k个子集，轮流使用k-1折训练和1折验证，能有效评估模型在不同数据子集上的稳定性，从而提高泛化能力。选项B是核心目的。6.下列哪种模型适用于处理非线性关系？（）A.线性回归模型B.朴素贝叶斯分类器C.支持向量机（SVM）D.线性判别分析（LDA）解析：支持向量机通过核函数将非线性可分的数据映射到高维空间，实现线性分类。线性回归和LDA仅适用于线性关系，朴素贝叶斯基于特征独立性假设。选项C正确。7.在特征选择方法中，递归特征消除（RFE）的核心思想是？（）A.基于模型系数重要性排序B.使用所有特征训练模型C.随机选择特征子集D.通过聚类分析筛选特征解析：RFE通过递归地移除权重最小的特征，逐步构建最优特征子集。选项A准确描述其机制。8.在时间序列预测中，ARIMA模型需要估计的参数包括？（）A.均值、方差B.自回归系数、移动平均系数、差分阶数C.聚类中心D.特征向量解析：ARIMA(p,d,q)模型包含自回归阶数p、差分阶数d和移动平均阶数q三个参数，需联合估计。选项B完整。9.在模型评估指标中，F1分数适用于？（）A.回归问题B.不平衡数据分类C.聚类分析D.降维任务解析：F1分数是精确率和召回率的调和平均，特别适用于正负样本比例严重失衡的分类场景。选项B正确。10.在深度学习模型中，Dropout层的主要作用是？（）A.增加网络层数B.减少过拟合C.提高计算效率D.调整学习率解析：Dropout通过随机失活神经元，强制网络学习冗余特征，从而降低过拟合风险。选项B是核心功能。二、填空题（总共10题，每题2分，共20分）1.数据挖掘的五个基本步骤依次为：______、数据预处理、模型评估和模型部署。参考答案：业务理解解析：CRISP-DM流程的起始阶段是业务理解，包括需求分析、目标定义和项目计划制定。2.决策树算法中，信息增益是衡量特征重要性的指标，其计算公式为：父节点的熵减去各子节点熵的______。参考答案：加权平均解析：信息增益通过比较父节点与子节点熵的差值，加权平均体现了子节点分布的差异性。3.在处理高维稀疏数据时，L1正则化（Lasso）倾向于产生______的特征权重。参考答案：稀疏解析：L1正则化通过惩罚绝对值和，迫使部分特征权重降为0，实现特征选择。4.交叉验证中，留一法（LOOCV）适用于______的数据集。参考答案：小规模解析：当数据量极小时，留一法能充分利用所有样本进行训练，但计算成本高。5.朴素贝叶斯分类器基于______假设，认为特征之间相互独立。参考答案：特征条件独立性解析：该假设简化了概率计算，尽管在实际中可能不成立，但模型仍表现良好。6.在PCA降维过程中，主成分的方向由数据协方差矩阵的______决定。参考答案：特征向量解析：特征向量对应于协方差矩阵的最大特征值，主成分沿该方向最大化方差。7.时间序列分析中，ARIMA模型中的“d”表示______。参考答案：差分阶数解析：d值控制序列的平稳性，通过差分消除非平稳性。8.在模型选择中，AUC曲线衡量的是模型的______能力。参考答案：区分正负样本解析：AUC（AreaUnderCurve）表示ROC曲线下面积，越高代表模型分类性能越好。9.卷积神经网络（CNN）在图像识别中利用______捕捉局部特征。参考答案：卷积核解析：卷积层通过可学习的卷积核提取图像边缘、纹理等特征。10.在强化学习中，智能体通过______与环境交互并学习最优策略。参考答案：试错解析：强化学习基于奖励信号，智能体通过探索-利用策略不断优化决策。三、判断题（总共10题，每题2分，共20分）1.决策树容易过拟合，需要通过剪枝或正则化方法缓解。（）参考答案：正确解析：决策树会无限分裂直到纯度达到阈值，导致对训练数据过度拟合，剪枝（如预剪枝、后剪枝）是常用解决方案。2.线性回归模型假设残差服从正态分布，但不需要满足独立性。（）参考答案：错误解析：线性回归的残差需满足独立性、同方差性和正态性，独立性是关键假设之一。3.K-means聚类算法对初始聚类中心的选择敏感，可能陷入局部最优解。（）参考答案：正确解析：K-means采用随机初始化，不同种子可能导致不同结果，可重复运行或使用K-means++改进。4.逻辑回归模型的系数可以直接解释为特征变化对概率的边际效应。（）参考答案：正确解析：在逻辑回归中，系数乘以特征值等于对数几率（log-odds）的变化量，可通过exp(系数)转换为概率变化。5.交叉验证中，k值越大，模型评估越稳定，但计算成本也越高。（）参考答案：正确解析：k值增大时，每个子集规模减小，评估方差降低，但训练次数增加，时间复杂度上升。6.支持向量机（SVM）通过最大化分类超平面与最近样本的距离来提高泛化能力。（）参考答案：正确解析：SVM寻找最优间隔超平面，该间隔越大，模型对未知数据的鲁棒性越强。7.朴素贝叶斯分类器在文本分类中表现优异，即使特征间存在相关性。（）参考答案：错误解析：该算法依赖特征独立性假设，当相关性显著时，性能会下降，但实际应用中仍较有效。8.PCA降维会损失原始数据的方差信息，因此无法保留所有重要特征。（）参考答案：正确解析：PCA通过投影到主成分方向，会牺牲部分方差，选择主成分数量需权衡信息保留与维度降低。9.在强化学习中，折扣因子γ取值越接近1，未来奖励对当前决策的影响越大。（）参考答案：错误解析：γ∈[0,1]控制时间贴现，γ=1时未来奖励完全被考虑，γ=0时仅关注即时奖励。10.卷积神经网络（CNN）可以自然地扩展到三维数据，如医学影像。（）参考答案：正确解析：通过堆叠三维卷积层，CNN可处理带有空间和时间维度的数据，如视频或医学扫描。四、简答题（总共4题，每题4分，共16分）1.简述数据挖掘中特征工程的主要方法及其作用。参考答案：-特征构造：通过组合或变换原始特征生成新特征，如多项式特征、交互特征。作用：增强模型表达能力。-特征选择：筛选重要特征，减少冗余，如过滤法（方差阈值）、包裹法（递归特征消除）、嵌入法（Lasso）。作用：提高模型效率，避免过拟合。-特征缩放：统一特征尺度，如标准化（均值为0，方差为1）、归一化（0-1范围）。作用：消除量纲影响，加速收敛。解析：特征工程是提升模型性能的关键环节，通过系统化方法优化特征集，可显著改善模型泛化能力。2.解释交叉验证（CV）中k折交叉验证的流程及其优缺点。参考答案：流程：3.将n个样本随机分为k个大小相等的子集；4.重复k次，每次选择1个子集作为验证集，其余k-1个合并为训练集；5.计算k次评估结果的平均值作为模型性能。优点：充分利用数据，评估更稳定。缺点：计算成本高，k值选择需权衡效率与精度。解析：k折CV是常用评估方法，尤其适用于小数据集，但k值过大时训练次数增加，需根据数据量合理选择。6.描述朴素贝叶斯分类器的工作原理及其适用场景。参考答案：原理：基于贝叶斯定理，假设特征条件独立，计算后验概率P(类别|特征)，选择概率最大的类别。适用场景：文本分类（如垃圾邮件检测）、情感分析，对高维稀疏数据（如TF-IDF向量）表现良好。解析：该算法简单高效，对噪声不敏感，但独立性假设限制了其应用范围，实际中特征独立性往往不成立。7.解释过拟合与欠拟合的区别，并说明如何诊断模型偏差。参考答案：过拟合：模型对训练数据拟合过度，泛化能力差（高训练精度，低测试精度）；欠拟合：模型过于简单，未捕捉数据规律（训练和测试精度均低）。诊断方法：-学习曲线：观察训练/验证误差随样本量变化；-验证集性能：测试集精度显著低于训练集；-特征重要性：模型依赖过多噪声特征。解析：过拟合与欠拟合是模型偏差的两种表现，通过交叉验证和误差分析可准确诊断。五、应用题（总共4题，每题6分，共24分）1.案例背景：某电商平台收集了用户浏览、购买数据，需预测用户是否购买某商品（二分类问题）。部分特征包括：年龄、性别、浏览时长、历史购买次数。假设已使用逻辑回归模型，训练集AUC为0.85，测试集AUC为0.72。问题：分析模型性能差异，并提出改进建议。参考答案：性能差异：训练集AUC高说明模型过拟合，测试集表现差表明泛化能力不足。可能原因：-特征不足：缺少如商品类别、季节性等关键信息；-数据不平衡：负样本（未购买）比例过高；-模型复杂度：未进行正则化或参数调优。改进建议：-特征工程：添加用户生命周期值、商品关联度等；-重采样：对负样本进行过采样或正样本欠采样；-正则化：使用L1/L2惩罚或调整C参数；-模型集成：尝试随机森林或XGBoost提升鲁棒性。解析：AUC差异直接反映过拟合，需从数据、模型和特征三个维度综合改进。2.案例背景：某银行需要预测客户流失风险，数据包含账户余额、交易频率、最近一次登录时间等。采用决策树模型，但发现模型对高余额客户预测准确率低。问题：分析可能原因，并提出解决方案。参考答案：原因分析：-数据分布不均：高余额客户样本量少；-特征交互：高余额与流失可能存在非线性关系，决策树难以捕捉；-阈值设置不当：默认分类阈值未针对高价值客户调整。解决方案：-重采样：SMOTE算法对少数类过采样；-特征工程：构建余额变化率、账户活跃度等衍生特征；-模型改进：使用梯度提升树（如LightGBM）增强非线性拟合能力；-阈值优化：根据业务目标（如留存成本）动态调整决策阈值。解析：决策树对不平衡数据敏感，需结合特征工程和集成学习提升对少数类的识别能力。3.案例背景：某零售企业监测每日销售额，数据呈现明显季节性波动。初步尝试ARIMA(1,1,1)模型，发现预测误差在节假日特别大。问题：分析问题原因，并提出改进方法。参考答案：原因分析：-季节性未完全建模：ARIMA参数未考虑节假日效应；-外生变量缺失：缺少促销活动、天气等影响因子；-非线性关系：节假日销售可能存在饱和效应，ARIMA线性假设失效。改进方法：-混合模型：引入SARIMA（季节性ARIMA）或ETS（指数平滑）；-外生变量：添加节假日虚拟变量、促销力度等；-非线性模型：尝试Prophet（Facebook开源模型）或神经网络。解析：ARIMA假设线性，对复杂模式处理能力有限，需结合业务场景增强模型。4.案例背景：某医疗公司需要从基因序列数据中识别癌症类型，数据维度高达10,000，且存在大量缺失值。问题：设计特征预处理和模型选择方案。参考答案：特征预处理：-缺失值处理：KNN插补或多重插补；-降维：PCA（保留95%方差）或t-SNE（可视化）；-特征筛选：Lasso回归或UMAP降维。模型选择：-朴素贝叶斯：适用于高维稀疏数据，但需调整平滑参数；-支持向量机：核函数选择（如RBF）可处理非线性关系；-深度学习：自编码器可学习数据潜在表示，适用于缺失值和降维。