2026年数据挖掘期末考题(附答案)

2026年数据挖掘期末考题(附答案)1.下列关于数据挖掘核心目标的描述，最准确的是（）A.从海量、不完全、有噪声的模糊数据中，提取隐含在其中的、人们事先不知道但又潜在有用的信息和知识的过程B.数据挖掘等同于数据库中的知识发现（KDD）整个流程C.数据挖掘的核心是对结构化数据做统计描述D.数据挖掘就是大模型训练的前置预处理步骤答案：A解析：KDD是包含数据预处理、数据挖掘、结果评估的完整流程，数据挖掘只是KDD的核心步骤之一，B错误；数据挖掘可处理非结构化、半结构化数据，核心目标是发现未知的潜在知识，不是简单的统计描述，C错误；数据挖掘可独立于大模型训练存在，也可应用于大模型结果分析、业务决策等多个场景，D错误。2.针对百万级交易数据集挖掘频繁项集，下列关于Apriori算法和FP-Growth算法的对比，描述错误的是（）A.Apriori算法需要多次扫描数据集，IO开销远大于FP-GrowthB.FP-Growth不需要生成候选频繁项集，避免了候选集生成带来的计算开销C.Apriori算法不支持挖掘闭频繁项集，FP-Growth可以直接输出闭频繁项集D.当数据集稀疏度较高时，FP-Growth的FP树占用内存仍然可能远超预期答案：C解析：Apriori算法可以通过对生成的频繁项集做闭性检验，筛选得到闭频繁项集，并非不支持挖掘，C选项描述错误。3.当前大语言模型应用中，常将用户查询转化为词嵌入（Embedding）后做文本聚类，下列关于聚类算法选择的描述，正确的是（）A.已知用户查询需要分为10个兴趣类，K-Means算法比DBSCAN更适合B.Embedding向量维度通常在几百到上千维，层次聚类适合处理十万级以上的该类样本C.需要聚类簇形状为任意凸形时，K-Means比谱聚类表现更优D.对噪声点鲁棒性要求高时，GMM高斯混合模型比DBSCAN更适合答案：A解析：已知聚类簇数时，K-Means实现简单、收敛快，适合该场景，A正确；层次聚类时间复杂度为O(n²)，十万级样本计算开销无法承受，B错误；K-Means只能处理凸形簇，谱聚类可以处理任意形状簇，C错误；DBSCAN基于密度聚类，对噪声点鲁棒性远优于GMM，GMM对异常点敏感，D错误。4.下列关于分类模型过拟合现象的描述，哪一项是针对数据层面导致过拟合的原因（）A.模型训练时采用了L2正则化且系数设置过大B.训练数据集样本量过小，且采样存在偏差，覆盖不到真实数据分布的全部场景C.决策树算法设置了过大的最大深度限制D.训练时提前停止迭代导致模型未收敛答案：B解析：A选项正则化系数过大是欠拟合原因，且属于模型正则化层面；B选项属于数据层面的过拟合原因，符合要求；C选项最大深度过小才会限制模型复杂度，过大的深度会导致过拟合，且属于模型复杂度层面问题，描述不符合题意；D选项提前停止导致欠拟合，不符合要求。5.电商平台检测羊毛党恶意刷单账号，需要识别行为明显偏离绝大多数用户的异常账号，下列方法中不适合用于该场景离群点检测的是（）A.基于统计的一元正态分布检验法B.基于密度的LOF局部离群因子算法C.一类SVM算法D.孤立森林算法答案：A解析：用户行为是多维度特征，不是一元分布，一元正态分布检验仅能处理单变量离群点检测，无法适配多维度的用户行为特征，因此不适合该场景。6.现有关联规则R:A→B，已知support(A)=0.5，support(B)=0.3，support(A∪B)=0.2，那该规则的提升度Lift是（）A.0.4/3≈0.13B.4/3≈1.33C.0.2D.0.8答案：B解析：提升度Lift(A→B)=confidence(A→B)/support(B)=(support(A∪B)/support(A))/support(B)=(0.2/0.5)/0.3=0.4/0.3=4/3≈1.33，因此选B。7.下列关于主成分分析PCA和线性判别分析LDA的描述，正确的是（）A.PCA是无监督降维，LDA是有监督降维B.PCA降维的目标是使同类样本间距最大，不同类样本间距最小C.降维到k维时，PCA需要计算类内散度矩阵和类间散度矩阵D.LDA最多只能将数据降维到n-1维，其中n是样本量答案：A解析：PCA是无监督降维，不需要样本标签，LDA需要样本标签做有监督降维，A正确；PCA的目标是降维后数据方差最大，B选项描述的是错误反转了LDA的目标，错误；PCA计算协方差矩阵，LDA才需要计算类内、类间散度矩阵，C错误；LDA最多降维到k-1维，k是样本类别数，D错误。8.当前联邦学习框架下的跨机构数据挖掘，下列描述错误的是（）A.纵向联邦学习适合不同机构拥有相同用户不同特征的场景B.横向联邦学习适合不同机构拥有不同用户相同特征的场景C.联邦学习可以在不交换原始数据的前提下完成联合模型训练，符合数据隐私合规要求D.联邦挖掘得到的模型性能一定低于集中式训练得到的模型答案：D解析：当各方数据分布一致、数据质量较高时，联邦学习得到的模型性能可以接近甚至达到集中式训练的水平，并不是一定更低，D描述错误。9.基于用户的协同过滤推荐算法，在用户冷启动场景下表现最差的原因是（）A.新用户没有历史交互行为，无法计算用户相似度B.新用户对推荐结果的点击率过低，无法更新模型C.物品的相似度矩阵没有新物品的信息D.基于模型的协同过滤参数没有更新答案：A解析：基于用户的协同过滤核心是基于用户历史交互计算用户相似度，新用户没有历史交互，无法计算相似度，所以冷启动表现差，A正确；C是物品冷启动的问题，不符合题意。10.针对不平衡数据集的二分类任务，正类为需要识别的少数类（占总样本的2%），负类为多数类，下列评估指标中最适合衡量模型整体泛化性能的是（）A.准确率AccuracyB.精确率PrecisionC.召回率RecallD.AUC-PR（精确率-召回率曲线下面积）答案：D解析：准确率会因为多数类占比过高失去参考意义，全猜负类即可得到98%的准确率，无法反映模型对少数正类的识别能力，A错误；精确率仅衡量预测为正类的样本中真实正类的比例，召回率仅衡量真实正类中被识别出来的比例，单一指标无法反映整体性能，B、C错误；AUC-PR对类别不平衡不敏感，能够准确反映模型在少数类上的整体区分能力，因此D正确。1.下列属于无监督数据挖掘任务的是（）A.用户消费行为分群B.无标签场景下的恶意交易账号识别C.商品销售价格预测D.文本主题模型LDA训练E.点击通过率预测答案：ABD解析：价格预测和点击通过率预测都是有监督的回归/分类任务，C、E错误；A用户分群是聚类任务，属于无监督，B无标签离群点检测属于无监督挖掘任务，DLDA主题模型是无监督文本挖掘方法，因此ABD正确。2.下列措施中，能够有效缓解分类模型过拟合的是（）A.增加训练样本量B.增加模型的复杂度C.加入L1/L2正则化D.决策树剪枝E.集成学习中的Bagging方法答案：ACDE解析：增加模型复杂度会加剧过拟合，让模型更容易学习到训练数据中的噪声，B错误；增加训练样本可以让模型学习到更真实的数据分布，正则化限制模型参数复杂度，剪枝降低决策树的复杂度，Bagging通过集成降低模型方差，都是缓解过拟合的常用方法，ACDE正确。3.下列关于Apriori算法中支持度和置信度的描述，正确的是（）A.支持度表示项集在数据集中出现的频率B.置信度表示关联规则中，前提项A出现的条件下结论项B出现的概率C.提升度大于1表示A的出现对B的出现有正向促进作用D.最小支持度阈值设置越高，得到的频繁项集数量越多E.有效的关联规则必须同时满足最小支持度和最小置信度要求答案：ABCE解析：最小支持度阈值越高，只有越高频的项集才能满足要求，因此得到的频繁项集数量越少，D错误，ABCE描述正确。4.下列关于集成学习的描述，正确的是（）A.Bagging基于bootstrap采样，基学习器之间相互独立，能够降低模型方差B.Boosting是串行训练基学习器，每一轮调整错分样本权重，能够降低模型偏差C.随机森林是Bagging的扩展，基学习器是决策树，同时引入了特征扰动提升模型泛化能力D.XGBoost和LightGBM都是常用的GBDT实现，LightGBM采用了直方图做差加速，训练速度更快E.大模型时代，集成学习已经被完全淘汰，没有应用场景答案：ABCD解析：集成学习在中小规模结构化数据挖掘任务中仍然是性能最优、成本最低的方案之一，并没有被淘汰，E错误，ABCD描述正确。5.2026年数据挖掘应用中，涉及合规性的要求包括下列哪些（）A.用户个人数据挖掘需要获得用户授权，符合GDPR、《个人信息保护法》等法规要求B.挖掘敏感数据时需要采用脱敏、隐私计算等技术降低隐私泄露风险C.算法挖掘结果用于公共决策或商业授信等场景时，不能存在针对特定群体的算法歧视D.训练数据的版权不需要审核，直接用公开爬取的数据训练即可E.输出的挖掘结果如果涉及商业秘密，需要做加密处理答案：ABCE解析：公开爬取的数据仍然需要审核版权，未经授权使用他人享有版权的数据训练模型属于侵权行为，违反著作权法相关规定，D错误，ABCE符合当前数据合规要求，正确。简答题1.简述Apriori算法的核心思想和优缺点。答案：Apriori算法的核心思想基于两个基本性质：①任何频繁项集的所有非空子集都是频繁项集；②任何非频繁项集的所有超集都是非频繁项集。算法流程分为两步迭代：第一步连接步，通过k-1项频繁项集连接生成k项候选集；第二步剪枝步，利用上述Apriori性质剪去所有子集包含非频繁项集的候选集，之后扫描数据集计算候选集的支持度，筛选出满足最小支持度的k项频繁集，重复上述过程直到无法生成更长的频繁项集为止。Apriori算法的优点：原理简单，易于实现，对硬件要求低，适合中小规模数据集的关联规则挖掘。缺点：①算法需要多次扫描整个数据集，当数据集规模很大时IO开销非常大，运行效率低；②算法需要生成大量候选频繁项集，候选集的存储和计算带来额外的开销，当最小支持度阈值较低时，候选集数量会呈指数级增长，严重影响运行效率。2.什么是K-Means聚类算法？简述K-Means算法收敛的依据，以及K-Means算法的主要缺点。答案：K-Means是一种划分式聚类算法，目标是将n个样本划分为k个互斥的簇，使得每个样本到其所属簇中心的平方误差和最小。算法流程为：首先随机选取k个样本作为初始簇中心，之后重复迭代两个步骤：①分配步骤：将每个样本分配到距离最近的簇中心对应的簇；②更新步骤：重新计算每个簇的样本均值作为新的簇中心，直到簇中心不再发生明显变化或者达到最大迭代次数停止。K-Means算法收敛的依据是：算法每一次迭代都会降低簇内平方误差和SSE，而SSE存在下界，不可能无限降低，因此算法一定会收敛。K-Means的主要缺点包括：①需要提前指定聚类簇数k，实际应用中k的最优取值很难提前确定；②对初始簇中心敏感，不同的初始中心可能得到差异很大的聚类结果，算法容易陷入局部最优；③只能发现凸形状的簇，对非凸形状的簇聚类效果差；④对噪声点和离群点非常敏感，少数离群点就会导致簇中心计算出现很大偏差；⑤不适合处理规模特别大的数据集，每次迭代都需要计算所有样本到所有簇中心的距离，计算开销随k增大线性升高。3.简述数据挖掘中维度灾难的含义，以及常用的降维方法。答案：维度灾难是指随着数据维度的升高，模型计算复杂度呈指数级增长，同时高维空间中数据变得极度稀疏，样本之间的距离趋同，导致模型的泛化性能下降的现象。具体来说，高维情况下，样本量相对于维度来说严重不足，容易引发过拟合；高维数据存储和计算需要更多的内存和计算资源，大幅提升了挖掘成本；高维空间中任意两个样本的距离接近，相似度计算失去意义，导致分类、聚类等任务性能大幅下降。常用的降维方法分为线性降维和非线性降维，线性降维包括：主成分分析PCA、线性判别分析LDA、因子分析等；非线性降维包括：t-SNE、Isomap等距映射、局部线性嵌入LLE、核PCA等，当前大语言模型场景下，也常用自监督预训练得到的低维嵌入作为降维结果，兼顾降维效果和语义信息保留。4.为什么协同过滤算法会出现稀疏性问题？简述常见的解决方法。答案：协同过滤算法核心依赖用户-物品交互矩阵计算相似度，交互矩阵通常维度很高，且绝大多数用户只会和极少数物品产生交互，因此交互矩阵绝大多数元素都是空值，矩阵的稀疏度通常在99%以上，这种特性会导致相似度计算不准确，很多用户或物品因为没有足够的交互无法计算相似度，进而导致推荐效果下降，这就是协同过滤的稀疏性问题。常见的解决方法包括：①利用矩阵分解技术对稀疏交互矩阵做填充，得到低维的用户和物品隐向量，基于隐向量计算相似度，缓解稀疏性；②引入用户的属性信息、物品的内容信息，混合内容推荐和协同过滤，补充交互数据不足的问题；③引入因子分解机、深度学习模型，结合侧信息建模，缓解稀疏性；④对交互矩阵做降维处理，提取低维特征，降低稀疏性的影响；⑤当前大模型时代，可以利用大语言模型生成用户和物品的文本嵌入，作为补充特征加入协同过滤模型，进一步缓解冷启动和稀疏性问题。综合应用题1.给定某超市的5次交易记录，交易记录如下：T1：{面包，牛奶，可乐}，T2：{面包，尿布，啤酒，鸡蛋}，T3：{牛奶，尿布，啤酒，可乐}，T4：{面包，牛奶，尿布，啤酒}，T5：{面包，牛奶，尿布，可乐}，设置最小支持度计数为3（即最小支持度为3/5=0.6），要求用Apriori算法挖掘所有频繁项集，写出详细过程。答案：首先，Apriori算法第一次扫描数据集，得到1项候选集，计算每个项的支持度计数：面包：出现在T1、T2、T4、T5，支持度计数4；牛奶：出现在T1、T3、T4、T5，支持度计数4；可乐：出现在T1、T3、T5，支持度计数3；尿布：出现在T2、T3、T4、T5，支持度计数4；啤酒：出现在T2、T3、T4，支持度计数3；鸡蛋：出现在T2，支持度计数1。筛选出支持度计数≥3的1项频繁集L1：{面包}（4）、{牛奶}（4）、{可乐}（3）、{尿布}（4）、{啤酒}（3）。第二步，连接L1生成2项候选集C2，候选集包括：{面包，牛奶}、{面包，可乐}、{面包，尿布}、{面包，啤酒}、{牛奶，可乐}、{牛奶，尿布}、{牛奶，啤酒}、{可乐，尿布}、{可乐，啤酒}、{尿布，啤酒}。扫描数据集计算每个候选集的支持度计数：{面包，牛奶}：出现在T1、T4、T5，计数3；{面包，可乐}：出现在T1、T5，计数2<3，不满足；{面包，尿布}：出现在T2、T4、T5，计数3；{面包，啤酒}：出现在T2、T4，计数2<3，不满足；{牛奶，可乐}：出现在T1、T3、T5，计数3；{牛奶，尿布}：出现在T3、T4、T5，计数3；{牛奶，啤酒}：出现在T3、T4，计数2<3，不满足；{可乐，尿布}：出现在T3、T5，计数2<3，不满足；{可乐，啤酒}：出现在T3，计数1<3，不满足；{尿布，啤酒}：出现在T2、T3、T4，计数3。筛选得到2项频繁集L2：{面包，牛奶}(3)、{面包，尿布}(3)、{牛奶，可乐}(3)、{牛奶，尿布}(3)、{尿布，啤酒}(3)。第三步，连接L2生成3项候选集C3，连接规则是两个k-1项频繁项集如果前k-2个项相同，就连接生成k项集。L2是2项集，得到所有候选3项集：连接{面包，牛奶}和{面包，尿布}，得到{面包，牛奶，尿布}；连接{面包，牛奶}和{牛奶，可乐}，得到{面包，牛奶，可乐}；连接{面包，牛奶}和{牛奶，尿布}，得到{面包，牛奶，尿布}（去重）；连接{面包，尿布}和{尿布，啤酒}，得到{面包，尿布，啤酒}；连接{牛奶，可乐}和{牛奶，尿布}，得到{牛奶，可乐，尿布}；连接{牛奶，尿布}和{尿布，啤酒}，得到{牛奶，尿布，啤酒}。接下来做剪枝，检查所有3项候选集的所有2项子集是否都属于L2：{面包，牛奶，尿布}的2项子集：{面包，牛奶}(L2)、{面包，尿布}(L2)、{牛奶，尿布}(L2)，全部满足，保留；{面包，牛奶，可乐}的2项子集：{面包，牛奶}(L2)、{面包，可乐}(∉L2)、{牛奶，可乐}(L2)，存在子集不属于L2，剪枝；{面包，尿布，啤酒}的2项子集：{面包，尿布}(L2)、{面包，啤酒}(∉L2)、{尿布，啤酒}(L2)，存在子集不属于L2，剪枝；{牛奶，可乐，尿布}的2项子集：{牛奶，可乐}(L2)、{牛奶，尿布}(L2)、{可乐，尿布}(∉L2)，存在子集不属于L2，剪枝；{牛奶，尿布，啤酒}的2项子集：{牛奶，尿布}(L2)、{牛奶，啤酒}(∉L2)、{尿布，啤酒}(L2)，存在子集不属于L2，剪枝。剪枝后C3只剩下一个候选集{面包，牛奶，尿布}，扫描数据集计算支持度计数：{面包，牛奶，尿布}出现在T4、T5，计数2<3，不满足最小支持度要求，因此L3为空集，算法停止。最终得到的所有频繁项集为：1项频繁集{面包}、{牛奶}、{可乐}、{尿布}、{啤酒}；2项频繁集{面包，牛奶}、{面包，尿布}、{牛奶，可乐}、{牛奶，尿布}、{尿布，啤酒}，没有更长的频繁项集。2.某银行要构建一个信用卡逾期风险识别模型，当前积累的标注数据为：10万条历史用户数据，其中逾期用户（正类）3000条，未逾期用户（负类）97000条，数据包含用户的基本属性、历史消费行为、还款行为共120维特征，请你结合数据挖掘的流程，从数据预处理、模型选择、模型评估三个层面说明该任务的整体解决方案。答案：首先，数据预处理层面：第一步，数据清洗，首先处理缺失值，该数据集是用户行为数据，对于缺失率超过70%的特征直接删除，对于缺失率较低的数值型特征，采用中位数填充，类别型特征采用众数填充，或者单独新增一个“未知”类别，避免丢失缺失本身携带的风险信息；处理异常值，基于箱线法识别数值特征中的离群点，对离群点做截断处理或者对数变换，避免极端异常值影响模型训练；第二步，特征工程，首先做特征编码，对类别型特征做独热编码或者目标编码，对于高基数类别特征采用目标编码避免维度爆炸；然后做特征选择，首先去掉方差接近0的恒定特征，去掉皮尔逊相关性大于0.9的冗余特征，之后可以用卡方检验、互信息或者树模型的特征重要性排序，筛选出