2026年数据挖掘算法实战演练试题

2026年数据挖掘算法实战演练试题一、单项选择题（本大题共10小题，每小题2分，共20分）1.在数据挖掘过程中，用于评估模型泛化能力的指标是（）A.过拟合度B.训练误差C.测试误差D.特征冗余度解析：本题考查数据挖掘模型评估的核心概念。泛化能力指模型对未见过数据的预测性能，因此测试误差最能反映泛化能力。过拟合度衡量模型对训练数据的过度拟合程度，训练误差仅反映模型在训练集上的表现，特征冗余度属于特征工程范畴。正确答案为C，测试误差。2.决策树算法中，用于选择分裂属性的标准不包括（）A.信息增益B.基尼系数C.逻辑回归系数D.Gini不纯度解析：决策树分裂属性选择标准主要分为贪心算法和启发式算法两类。信息增益和Gini不纯度是贪心算法的典型代表，而逻辑回归系数属于线性模型参数，与决策树分裂标准无关。正确答案为C，逻辑回归系数。3.在聚类算法中，K-means算法的缺点不包括（）A.对初始聚类中心敏感B.无法处理非凸形状簇C.对噪声数据鲁棒性强D.计算复杂度较高解析：K-means算法的典型缺点包括对初始聚类中心敏感（易陷入局部最优）、无法处理非凸形状簇、对噪声数据敏感（易受异常值影响）。计算复杂度较高是其固有属性，但非主要缺点。正确答案为D，计算复杂度较高。4.支持向量机（SVM）中，核函数的主要作用是（）A.降低特征维度B.增强模型泛化能力C.减少训练时间D.处理线性不可分问题解析：核函数通过非线性映射将低维数据映射到高维空间，解决线性不可分问题，从而增强模型泛化能力。特征维度降低属于降维技术范畴，训练时间受多种因素影响，核函数主要作用在于非线性变换。正确答案为B，增强模型泛化能力。5.在关联规则挖掘中，提升度（Lift）衡量的是（）A.项集出现频率B.项集独立性C.项集协同出现强度D.项集支持度解析：提升度衡量一个项集的协同出现强度，即项集A和B同时出现的概率与各自独立出现的概率之比。支持度反映项集在数据集中出现的频率，独立性指项集间无关联，频率属于统计指标而非关联强度。正确答案为C，项集协同出现强度。6.随机森林算法中，用于控制过拟合的主要参数是（）A.树的数量B.最大深度C.最小样本分割D.以上都是解析：随机森林通过集成多个决策树控制过拟合，主要参数包括树的数量（越多越稳定）、最大深度（限制树的生长）、最小样本分割（防止过拟合）。正确答案为D，以上都是。7.在异常检测中，基于密度的算法通常采用（）A.距离度量B.频率统计C.分类标签D.时间序列解析：基于密度的异常检测算法（如DBSCAN）通过密度可达性定义异常点，核心思想是异常点通常位于低密度区域，因此依赖距离度量（如欧氏距离）。频率统计、分类标签和时间序列分析属于其他数据挖掘范畴。正确答案为A，距离度量。8.在文本挖掘中，TF-IDF算法主要解决的问题是（）A.主题建模B.文本分类C.词语权重计算D.情感分析解析：TF-IDF（词频-逆文档频率）通过计算词语在文档中的频率与在所有文档中的稀有度，解决词语权重计算问题。主题建模、文本分类和情感分析属于其他文本挖掘任务。正确答案为C，词语权重计算。9.在关联规则挖掘中，置信度（Confidence）衡量的是（）A.规则的预测准确性B.规则的覆盖范围C.规则的可信程度D.规则的统计显著性解析：置信度衡量规则"如果A出现，那么B也出现"的可信程度，即包含A的记录中B也出现的比例。预测准确性属于分类模型指标，覆盖范围与支持度相关，统计显著性需通过假设检验确定。正确答案为C，规则的可信程度。10.在深度学习模型中，Dropout层的主要作用是（）A.增加网络深度B.减少参数数量C.防止过拟合D.提高计算效率解析：Dropout通过随机置零神经元输出，强制网络学习冗余表示，从而防止过拟合。增加网络深度属于架构设计，减少参数数量可通过剪枝实现，计算效率受硬件影响。正确答案为C，防止过拟合。二、填空题（本大题共10小题，每小题2分，共20分）1.决策树算法中，用于衡量节点分裂质量的指标是__________和__________。解析：决策树分裂质量指标包括信息增益（贪心算法）和基尼不纯度（启发式算法），两者均用于衡量分裂后子节点的纯度提升程度。2.K-means算法中，聚类结果对初始聚类中心的位置敏感，这种现象称为__________。解析：聚类算法中，对初始参数位置敏感的现象称为"随机性"或"敏感性"，在K-means中表现为易陷入局部最优解，可通过多次运行或K-means++初始化解决。3.支持向量机中，用于处理线性不可分问题的技术是__________。解析：支持向量机通过核函数将线性不可分数据映射到高维空间，实现非线性分类，该技术称为"核技巧"或"非线性映射"。4.关联规则挖掘中，衡量规则A→B强度的主要指标是__________和__________。解析：关联规则强度指标包括置信度（衡量规则可信度）和提升度（衡量规则协同强度），两者共同决定规则的实际价值。5.在异常检测中，基于密度的算法DBSCAN的核心参数是__________和__________。解析：DBSCAN算法的核心参数包括邻域半径（eps）和最小样本数（minPts），两者共同决定噪声点和核心点的识别标准。6.文本挖掘中，TF-IDF算法中"TF"代表__________，"IDF"代表__________。解析：TF-IDF中"TF"（TermFrequency）指词频，"IDF"（InverseDocumentFrequency）指逆文档频率，两者乘积反映词语在文档中的重要性。7.在关联规则挖掘中，支持度衡量的是__________，置信度衡量的是__________。解析：支持度衡量项集在数据集中出现的频率，置信度衡量规则的可信程度，即前件出现时后件也出现的概率。8.深度学习模型中，BatchNormalization层的主要作用是__________和__________。解析：BatchNormalization通过归一化激活值和调整学习率，主要作用是防止梯度消失/爆炸和加速模型收敛。9.在聚类算法中，层次聚类算法的缺点是__________。解析：层次聚类算法的缺点是计算复杂度高（通常为O(n^2)），且一旦生成树状图，无法修改聚类结果。10.在异常检测中，基于统计的算法通常假设数据服从__________分布。解析：基于统计的异常检测算法通常假设数据服从高斯分布（正态分布），异常点作为小概率事件被识别。三、判断题（本大题共10小题，每小题2分，共20分）1.决策树算法能够处理连续型和离散型特征。（）解析：决策树算法具有自适应性，可以自然处理连续型和离散型特征，无需特征预处理。正确。2.K-means算法需要预先指定聚类数量K，且结果对K值敏感。（）解析：K-means算法必须指定聚类数量K，且聚类结果与K值密切相关，通常需要通过肘部法则等方法确定。正确。3.支持向量机通过最大化分类间隔来提高模型的泛化能力。（）解析：支持向量机通过寻找最优超平面，最大化不同类别间的分类间隔，从而提高泛化能力。正确。4.关联规则挖掘中，频繁项集一定是强关联规则。（）解析：频繁项集仅满足支持度阈值，未必满足置信度阈值，因此不一定是强关联规则。错误。5.DBSCAN算法能够处理噪声数据，但无法识别局部异常点。（）解析：DBSCAN算法通过核心点、边界点和噪声点的概念处理噪声数据，但主要识别全局异常点，对局部异常点效果较差。错误。6.TF-IDF算法中，停用词的IDF值最大。（）解析：停用词在所有文档中频繁出现，因此其IDF值最小（log(1/文档数)），非停用词的IDF值更大。错误。7.深度学习模型中，Dropout层会随机丢弃部分神经元，因此模型参数数量减少。（）解析：Dropout层仅临时丢弃神经元输出，不改变模型参数数量，但通过多次采样实现平均效果。错误。8.层次聚类算法可以是聚合型也可以是分裂型。（）解析：层次聚类算法分为聚合型（自底向上合并）和分裂型（自顶向下分割），两者均可实现。正确。9.基于密度的异常检测算法对参数设置不敏感。（）解析：基于密度的异常检测算法（如DBSCAN）对参数eps和minPts设置敏感，不当设置可能导致误检或漏检。错误。10.深度学习模型中，BatchNormalization会改变模型的梯度分布。（）解析：BatchNormalization通过归一化激活值，确实会改变梯度分布，但通过调整学习率等方法补偿。正确。四、简答题（本大题共8小题，每小题2分，共16分）1.简述决策树算法的优缺点。答：决策树算法的优点包括：可解释性强（易于理解和可视化）、能处理混合类型特征、对噪声数据鲁棒性较好。缺点包括：易过拟合（需剪枝）、对训练数据顺序敏感、不稳定性（数据微小变化可能导致树结构剧变）。2.描述K-means算法的基本步骤。答：K-means算法步骤：①随机选择K个数据点作为初始聚类中心；②计算每个数据点到各聚类中心的距离，分配到最近聚类；③更新聚类中心为各聚类数据点的均值；④重复②③，直到聚类中心不再变化或达到最大迭代次数。3.解释支持向量机中核函数的作用原理。答：核函数通过非线性映射将低维数据映射到高维空间，使原本线性不可分的数据在高维空间中线性可分。常见核函数包括线性核、多项式核、RBF核等，通过核函数矩阵直接计算高维特征，避免显式计算映射后的数据，提高计算效率。4.关联规则挖掘中，如何平衡规则的频率和强度？答：平衡规则频率和强度需考虑：①设定最小支持度和最小置信度阈值，筛选高频且强关联的规则；②使用提升度（Lift）衡量规则的实际价值，优先选择提升度高的规则；③采用Apriori算法的剪枝策略，仅挖掘频繁项集的强关联规则。5.描述DBSCAN算法的核心思想。答：DBSCAN算法通过密度可达性定义聚类：①识别核心点（邻域内样本数≥minPts）；②从核心点出发，通过密度可达关系扩展聚类；③边界点不属于任何聚类，噪声点被标记为异常。核心思想是聚类由高密度区域形成，噪声点自然被识别。6.解释TF-IDF算法中IDF的计算原理。答：TF-IDF中IDF计算公式为log(N/(n_i+1))，其中N为文档总数，n_i为包含词语i的文档数。IDF反映词语的稀有度，稀有词语（n_i小）的IDF值大，常见词语（n_i大）的IDF值小，从而抑制常见词的权重。7.深度学习模型中，Dropout层如何实现？答：Dropout层通过随机选择一定比例（如p=0.5）的神经元，在训练时临时置零其输出，强制网络学习冗余表示。测试时，通过调整输出权重（乘以p）等效于应用Dropout。Dropout通过多次采样实现模型平均，提高泛化能力。8.层次聚类算法的优缺点是什么？答：优点：可生成聚类树状图（dendrogram），直观展示聚类层次关系；无需预先指定聚类数量。缺点：计算复杂度高（O(n^2)或O(n^3)）；对参数设置敏感；一旦聚类形成，无法修改；对噪声数据敏感。五、应用题（本大题共8小题，每小题4分，共24分）1.某电商平台需要分析用户购买行为，收集到以下交易数据：|用户ID|商品A|商品B|商品C||--------|-------|-------|-------||1|是|否|是||2|否|是|否||3|是|是|否||4|否|否|是||5|是|否|是|假设最小支持度为40%，最小置信度为60%，请挖掘关联规则。解：①计算项集支持度：单项集：{A}:4/5=80%,{B}:3/5=60%,{C}:4/5=80%双项集：{A,B}:2/5=40%,{A,C}:4/5=80%,{B,C}:2/5=40%三项集：{A,B,C}:1/5=20%满足最小支持度（40%）的频繁项集：{A},{B},{C},{A,C}②计算规则置信度：{A}→{C}:支持度80%,置信度80%/80%=100%{C}→{A}:支持度80%,置信度80%/80%=100%{A,C}→{A}:支持度80%,置信度80%/80%=100%{A,C}→{C}:支持度80%,置信度80%/80%=100%③筛选强关联规则（置信度≥60%）：最终规则：{A}→{C}(置信度100%),{C}→{A}(置信度100%),{A,C}→{A}(置信度100%),{A,C}→{C}(置信度100%)2.假设某数据集包含以下特征：年龄（连续型）、性别（离散型）、收入（连续型），请设计一个数据预处理流程用于机器学习建模。解：数据预处理流程：①缺失值处理：-年龄：使用中位数填充（连续型特征适合用中位数）-性别：使用众数填充（离散型特征用众数）-收入：使用均值填充（若异常值少）②特征缩放：-年龄和收入：使用标准化（Z-score）或归一化（Min-Max）-性别：独热编码（One-HotEncoding）③特征工程：-创建收入分段特征（离散化）-计算年龄与收入的交互特征-对连续型特征进行分箱处理（如年龄分段）④异常值检测：-年龄：箱线图法（IQR=1.5倍四分位距）-收入：3σ原则或百分位数法⑤特征选择：-使用相关性分析、Lasso回归或递归特征消除（RFE）3.假设需要使用K-means算法对以下二维数据进行聚类：|X1|X2||--------|--------||1|2||2|1||3|1||4|3||5|4||6|5||7|7||8|8||9|9||10|10|假设K=2，请计算初始聚类中心及第一次迭代后的分配结果。解：①随机选择两个初始聚类中心：C1=(1,2),C2=(7,7)②计算距离并分配：|X|距离C1|距离C2|分配||----|--------|--------|------||(1,2)|0|8.06|C1||(2,1)|1|7.07|C1||(3,1)|2|6.08|C1||(4,3)|3|5.09|C1||(5,4)|4|4.12|C1||(6,5)|5|3.16|C1||(7,7)|6|0|C2||(8,8)|7|1|C2||(9,9)|8|2|C2||(10,10)|9|3|C2|③更新聚类中心：C1=(5,3.6),C2=(8,8.4)4.假设需要使用DBSCAN算法对以下二维数据进行异常检测：|X1|X2||--------|--------||1|2||2|1||3|1||4|3||5|4||6|5||7|7||8|8||9|9||10|10||11|12||12|15|假设eps=2,minPts=3，请识别异常点。解：①识别核心点：-(1,2):邻域内点数=2<3（非核心）-(2,1):邻域内点数=2<3（非核心）-(3,1):邻域内点数=2<3（非核心）-(4,3):邻域内点数=2<3（非核心）-(5,4):邻域内点数=2<3（非核心）-(6,5):邻域内点数=2<3（非核心）-(7,7):邻域内点数=3（核心）-(8,8):邻域内点数=3（核心）-(9,9):邻域内点数=3（核心）-(10,10):邻域内点数=3（核心）-(11,12):邻域内点数=2<3（非核心）-(12,15):邻域内点数=2<3（非核心）②扩展聚类：-从(7,7)出发：无未访问核心点-从(8,8)出发：无未访问核心点-从(9,9)出发：无未访问核心点-从(10,10)出发：无未访问核心点③识别异常点：所有数据点均为核心点或边界点，无噪声点（可能需要增大eps或minPts）5.假设需要使用决策树算法对以下数据进行分类：|年龄|收入|购买||------|------|------||青年|高|是||青年|中|否||中年|高|是||中年|中|否||老年|高|是||老年|中|否|假设使用信息增益作为分裂标准，请构建决策树。解：①计算根节点信息熵：总样本数=6,购买是=3,购买否=3Entropy(S)=-3/6log2(3/6)-3/6log2(3/6)=1②分裂属性选择：-年龄：青年(2是,1否),中年(1是,1否),老年(1是,1否)Entropy(A)=2/60+1/60+1/6log2(1/3)+1/6log2(1/3)≈0.401InfoGain(S,A)=1-0.401=0.599-收入：高(2是,1否),中(1是,1否)Entropy(R)=2/60+1/60+1/6log2(1/2)+1/6log2(1/2)≈0.5InfoGain(S,R)=1-0.5=0.5选择年龄作为分裂属性③构建决策树：```年龄├──青年│├──收入││├──高→是││└──中→否│└──中→否├──中年→是└──老年→是```6.假设需要使用TF-IDF算法处理以下文档集合，请计算"数据挖掘"的TF-IDF值：文档1："数据挖掘是人工智能的重要分支"文档2："数据挖掘技术包括机器学习和深度学习"文档3："人工智能包括自然语言处理和数据挖掘"文档4："深度学习是数据挖掘的应用"假设文档总数N=4，文档1中"数据挖掘"出现2次，文档2中1次，文档3中1次，文档4中0次。解：①计算TF（词频）：TF(数据挖掘)=(2+1+1+0)/4=1②计算IDF（逆文档频率）：n_i=3（文档1,2,3出现）IDF=log(4/(3+1))=log(4/4)=0③计算TF-IDF：TF-IDF=10=07.假设需要使用支持向量机（SVM）对以下数据进行分类：|X1|X2|类别||--------|--------|------||2|3|A||3|2|A||5|7|B||6|6|B||1|1|A||2|2|A|假设使用线性核，请确定最优超平面。解：①特征映射：X=[(2,3),(3,2),(5,7),(6,6),(1,1),(2,2)]Y=[1,1,2,2,1,1]（A=1,B=2）②计算核矩阵K：K=[[1,1,0,0,0.5,0.5],[1,1,0,0,0.5,0.5],[0,0,1,1,0.5,0.5],[0,0,1,1,0.5,0.5],[0.5,0.5,0.5,0.5,1,1],[0.5,0.5,0.5,0.5,1,1]]③计算α：使用SMO算法求解对偶问题，得到α=[0,0,1,1,0.5,0.5]④计算w和b：w=Σα_iy_iX_i=[0,0,1,1,0.5,0.5][1,1,2,2,1,1]=[4,4]b=y_k-wX_k•X_k=1-[4,4]•[2,3]•[2,3]=-3⑤最优超平面：w•X+b=0→4x1+4x2-3=08.假设需要使用深度学习模型预测房价，数据集包含以下特征：-房龄（连续型）-面积（连续型）-学区（离散型）-楼层（离散型）请设计一个深度学习模型架构。解：模型架构设计：①输入层：-房龄：标准化（Min-Max）-面积：标准化（Min-Max）-学区：独热编码（One-HotEncoding，假设3个学区）-楼层：独热编码（One-HotEncoding，假设2个楼层）②隐藏层：-第一层：Dense(64,activation='relu',input_shape=(7,))-第二层：Dense(32,activation='relu')-Dropout(0.3)（防止过拟合）-BatchNormalization③输出层：-Dense(1,activation='linear'）（回归问题）④其他：-损失函数：MSE（均方误差）-优化器：Adam(learning_rate=0.001)-学习率衰减：ReduceLROnPlateau(monitor='val_loss',factor=0.1,patience=5)六、标准答案及解析一、单项选择题1.C解析：测试误差是独立于训练集的样本在测试集上的预测误差，最能反映模型对未见过数据的泛化能力。过拟合度衡量模型对训练数据的拟合程度，训练误差仅反映模型在训练集上的表现，特征冗余度属于特征工程范畴。2.C解析：决策树分裂属性选择标准包括信息增益、基尼不纯度、信息增益率等，逻辑回归系数属于线性回归模型参数，与决策树分裂无关。3.C解析：K-means算法对噪声数据敏感，易将噪声点误判为核心点或边界点，无法有效识别局部异常点。对初始聚类中心敏感、无法处理非凸形状簇、计算复杂度高等是其其他缺点。4.B解析：核函数通过非线性映射将低维数据映射到高维空间，使原本线性不可分的数据在高维空间中线性可分，从而增强模型泛化能力。特征维度降低属于降维技术，减少训练时间可通过优化算法实现。5.C解析：提升度衡量一个项集的协同出现强度，即项集A和B同时出现的概率与各自独立出现的概率之比。支持度反映项集在数据集中出现的频率，独立性指项集间无关联，频率属于统计指标而非关联强度。6.D解析：随机森林通过集成多个决策树控制过拟合，主要参数包括树的数量（越多越稳定）、最大深度（限制树的生长）、最小样本分割（防止过拟合）。三者均起作用。7.A解析：基于密度的异常检测算法（如DBSCAN）通过密度可达性定义聚类，核心思想是聚类由高密度区域形成，噪声点自然被识别，因此依赖距离度量。频率统计、分类标签和时间序列分析属于其他数据挖掘范畴。8.C解析：TF-IDF中"TF"（TermFrequency）指词频，"IDF"（InverseDocumentFrequency）指逆文档频率，两者乘积反映词语在文档中的重要性。主题建模、文本分类和情感分析属于其他文本挖掘任务。9.A解析：置信度衡量规则"如果A出现，那么B也出现"的可信程度，即包含A的记录中B也出现的概率。预测准确性属于分类模型指标，覆盖范围与支持度相关，统计显著性需通过假设检验确定。10.C解析：Dropout通过随机置零神经元输出，强制网络学习冗余表示，从而防止过拟合。增加网络深度属于架构设计，减少参数数量可通过剪枝实现，计算效率受硬件影响。二、填空题1.信息增益；基尼不纯度解析：决策树分裂质量指标包括信息增益（贪心算法）和基尼不纯度（启发式算法），两者均用于衡量分裂后子节点的纯度提升程度。2.随机性解析：聚类算法中，对初始参数位置敏感的现象称为"随机性"或"敏感性"，在K-means中表现为易陷入局部最优解，可通过多次运行或K-means++初始化解决。3.核技巧解析：支持向量机通过核函数将线性不可分数据映射到高维空间，实现非线性分类，该技术称为"核技巧"或"非线性映射"。4.置信度；提升度解析：关联规则强度指标包括置信度（衡量规则可信度）和提升度（衡量规则协同强度），两者共同决定规则的实际价值。5.邻域半径；最小样本数解析：DBSCAN算法的核心参数包括邻域半径（eps）和最小样本数（minPts），两者共同决定噪声点和核心点的识别标准。6.词频；逆文档频率解析：TF-IDF中"TF"（TermFrequency）指词频，"IDF"（InverseDocumentFrequency）指逆文档频率，两者乘积反映词语在文档中的重要性。7.支持度；置信度解析：支持度衡量项集在数据集中出现的频率，置信度衡量规则的可信程度，即前件出现时后件也出现的概率。8.防止梯度消失/爆炸；加速模型收敛解析：BatchNormalization通过归一化激活值，主要作用是防止梯度消失/爆炸和加速模型收敛。9.对参数设置敏感解析：层次聚类算法的缺点是计算复杂度高（通常为O(n^2)或O(n^3)），对参数设置敏感，一旦聚类形成，无法修改，对噪声数据敏感。10.高斯分布（正态分布）解析：基于统计的异常检测算法通常假设数据服从高斯分布（正态分布），异常点作为小概率事件被识别。三、判断题1.√解析：决策树算法具有自适应性，可以自然处理连续型和离散型特征，无需特征预处理。2.√解析：K-means算法必须指定聚类数量K，且聚类结果与K值密切相关，通常需要通过肘部法则等方法确定。3.√解析：支持向量机通过寻找最优超平面，最大化不同类别间的分类间隔，从而提高泛化能力。4.×解析：频繁项集仅满足支持度阈值，未必满足置信度阈值，因此不一定是强关联规则。5.×解析：DBSCAN算法通过密度可达性定义聚类，可以识别局部异常点（通过边界点实现）。6.×解析：停用词在所有文档中频繁出现，因此其IDF值最小（log(1/文档数)），非停用词的IDF值更大。7.×解析：Dropout层仅临时丢弃神经元输出，不改变模型参数数量，但通过多次采样实现平均效果。8.√解析：层次聚类算法分为聚合型（自底向上合并）和分裂型（自顶向下分割），两者均可实现。9.×解析：基于密度的异常检测算法（如DBSCAN）对参数设置敏感，不当设置可能导致误检或漏检。10.√解析：BatchNormalization通过归一化激活值，确实会改变梯度分布，但通过调整学习率等方法补偿。四、简答题1.答：决策树算法的优点包括：可解释性强（易于理解和可视化）、能处理混合类型特征、对噪声数据鲁棒性较好。缺点包括：易过拟合（需剪枝）、对训练数据顺序敏感、不稳定性（数据微小变化可能导致树结构剧变）。2.答：K-means算法步骤：①随机选择K个数据点作为初始聚类中心；②计算每个数据点到各聚类中心的距离，分配到最近聚类；③更新聚类中心为各聚类数据点的均值；④重复②③，直到聚类中心不再变化或达到最大迭代次数。3.答：支持向量机中核函数通过非线性映射将低维数据映射到高维空间，使原本线性不可分的数据在高维空间中线性可分。常见核函数包括线性核、多项式核、RBF核等，通过核函数矩阵直接计算高维特征，避免显式计算映射后的数据，提高计算效率。4.答：平衡规则频率和强度需考虑：①设定最小支持度和最小置信度阈值，筛选高频且强关联的规则；②使用提升度（Lift）衡量规则的实际价值，优先选择提升度高的规则；③采用Apriori算法的剪枝策略，仅挖掘频繁项集的强关联规则。5.答：DBSCAN算法通过密度可达性定义聚类：①识别核心点（邻域内样本数≥minPts）；②从核心点出发，通过密度可达关系扩展聚类；③边界点不属于任何聚类，噪声点被标记为异常。核心思想是聚类由高密度区域形成，噪声点自然被识别。6.答：TF-IDF中IDF计算公式为log(N/(n_i+1))，其中N为文档总数，n_i为包含词语i的文档数。IDF反映词语的稀有度，稀有词语（n_i小）的IDF值大，常见词语（n_i大）的IDF值小，从而抑制常见词的权重。7.答：Dropout层通过随机选择一定比例（如p=0.5）的神经元，在训练时临时置零其输出，强制网络学习冗余表示。测试时，通过调整输出权重（乘以p）等效于应用Dropout。Dropout通过多次采样实现模型平均，提高泛化能力。8.答：层次聚类算法的优点：可生成聚类树状图（dendrogram），直观展示聚类层次关系；无需预先指定聚类数量。缺点：计算复杂度高（O(n^2)或O(n^3)）；对参数设置敏感；一旦聚类形成，无法修改；对噪声数据敏感。五、应用题1.答：①计算项集支持度：单项集：{A}:4/5=80%,{B}:3/5=60%,{C}:4/5=80%双项集：{A,B}:2/5=40%,{A,C}:4/5=80%,{B,C}:2/5=40%三项集：{A,B,C}:1/5=20%满足最小支持度（40%）的频繁项集：{A},{B},{C},{A,C}②计算规则置信度：{A}→{C}:支持度80%,置信度80%/80%=100%{C}→{A}:支持度80%,置信度80%/80%=100%{A,C}→{A}:支持度80%,置信度80%/80%=100%{A,C}→{C}:支持度80%,置信度80%/80%=100%③筛选强关联规则（置信度≥60%）：最终规则：{A}→{C}(置信度100%),{C}→{A}(置信度100%),{A,C}→{A}(置信度100%),{A,C}→{C}(置信度100%)2.答：数据预处理流程：①缺失值处理：-年龄：使用中位数填充（连续型特征适合用中位数）-性别：使用众数填充（离散型特征用众数）-收入：使用均值填充（若异常值少）②特征缩放：-年龄和收入：使用标准化（Z-score）或归一化（Min-Max）-性别：独热编码（One-HotEncoding）③特征工程：-创建收入分段特征（离散化）-计算年龄与收入的交互特征-对连续型特征进行分箱处理（如年龄分段）④异常值检测：-年龄：箱线图法（IQR=1.5倍四分位距）-收入：3σ原则或百分位数法⑤特征选择：-使用相关性分析、Lasso回归或递归特征消除（RFE）3.答：①随机选择两个初始聚类中心：C1=(1,2),C2=(7,7)②计算距离并分配：|X|距离C1|距离C2|分配||----|--------|--------|------||(1,2)|0|8.06|C1||(2,1)|1|7.07|C1||(3,1)|2|6.08|C1||(4,3)|3|5.09|C1||(5,4)|4|4.12|C1||(6,5)|5|3.16|C1||(7,7)|6|0|C2||(8,8)|7|1|C2||(9,9)|8|2|C2||(10,10)|9|3|C2|③更新聚类中心：C1=(5,3.6),C2=(8,8.4)4.答：①识别核心点：-(1,2):邻域内点数=2<3（非核心）-(2,1):邻域内点数=2<3（非核心）-(3,1):邻域内点数=2<3（非核心）-(4,3):邻域内点数=2<3（非核心）-(5,4):邻域内点数=2<3（非核心）-(6,5):邻域内点数=2<3（非核心）-(7,7):邻域内点数=3（核心）-(8,8):邻域内点数=3（核心）-(9,9):邻域内点数=3（核心）-(10,10):邻域内点数=3（核心）-(11,12):邻域内点数=2<3（非核心）-(12,15):邻域内点数=2<3（非核心）②扩展聚类：-从(7,7)出发：无未访问核心点-从(8,8)出发：无未访问核心点-从(9,9)出发：无未访问核心点-从(10,10)出发：无未访问核心点③识别异常点：所有数据点均为核心点或边界点，无噪声点（可能需要增大eps或minPts）5.答：①计算根节点信息熵：总样本数=6,购买是=3,购买否=3Entropy(S)=-3/6log2(3/6)-3/6log2(3/6)=1②分裂属性选择：-年龄：青年(2是,1否),中年(1是,1否),老年(1是,1否)Entropy(A)=2/60+1/60+1/6log2(1/3)+1/6log2(1/3)≈0.401InfoGain(S,A)=1-0.401=0.599-收入：高(2是,1否),中(1是,1否)Entropy(R)=2/60+1/60+1/6log2(1/2)+1/6log2(1/2)≈0.5InfoGain(S,R)=1-0.5=0.5选择年龄作为分裂属性③构建决策树：```年龄├──青年│├──收入││├──高→是││└──中→否│└──中→否├──中年→是└──老年→是```6.答：①计算TF（词频）：TF(数据挖掘)=(2+1+1+0)/4=1②计算IDF（逆文档频率）：n_i=3（文档1,2,3出现）IDF=log(4/(3+1))=log(4/4)=0③计算TF-IDF：TF-IDF=10=07.答：①特征映射：X=[(2,3),(3,2),(5,7),(6,6),(1,1),(2,2)]Y=[1,1,2,2,1,1]（A=1,B=2）②计算核矩阵K：K=[[1,1,0,0,0.5,0.5],[1,1,0,0,0.5,0.5],[0,0,1,1,0.5,0.5],[0,0,1,1,0.5,0.5],[0.5,0.5,0.5,0.5,1,1],[0.5,0.5,0.5,0.5,1,1]]③计算α：使用SMO算法求解对偶问题，得到α=[0,0,1,1,0.5,0.5]④计算w和b：w=Σα_iy_iX_i=[0,0,1,1,0.5,0.5][1,1,2,2,1,1]=[4,4]b=y_k-wX_k•X_k=1-[4,4]•[2,3]•[2,3]=-3⑤最优超平面：w•X+b=0→4x1+4x2-3=08.答：模型架构设计：①输入层：-房龄：标准化（Min-Max）-面积：标准化（Min-Max）-学区：独热编码（One-HotEncoding，假设3个学区）-楼层：独热编码（One-HotEncoding，假设2个楼层）②隐藏层：-第一层：Dense(64,activation='relu',input_shape=(7,))-第二层：Dense(32,activation='relu')-Dropout(0.3)（防止过拟合）-BatchNormalization③输出层：-Dense(1,activation='linear'）（回归问题）④其他：-损失函数：MSE（均方误差）-优化器：Adam(learning_rate=0.001)-学习率衰减：ReduceLROnPlateau(monitor='val_loss',factor=0.1,patience=5)六、标准答案及解析一、单项选择题1.C解析：测试误差是独立于训练集的样本在测试集上的预测误差，最能反映模型对未见过数据的泛化能力。过拟合度衡量模型对训练数据的拟合程度，训练误差仅反映模型在训练集上的表现，特征冗余度属于特征工程范畴。2.C解析：决策树算法分裂属性选择标准包括信息增益、基尼不纯度、信息增益率等，逻辑回归系数属于线性回归模型参数，与决策树分裂无关。3.C解析：K-means算法对噪声数据敏感，易将噪声点误判为核心点或边界点，无法有效识别局部异常点。对初始聚类中心敏感、无法处理非凸形状簇、计算复杂度高等是其其他缺点。4.B解析：核函数通过非线性映射将低维数据映射到高维空间，使原本线性不可分的数据在高维空间中线性可分，从而增强模型泛化能力。特征维度降低属于降维技术，减少训练时间可通过优化算法实现。5.C解析：提升度衡量一个项集的协同出现强度，即项集A和B同时出现的概率与各自独立出现的概率之比。支持度反映项集在数据集中出现的频率，独立性指项集间无关联，频率属于统计指标而非关联强度。6.D解析：随机森林通过集成多个决策树控制过拟合，主要参数包括树的数量（越多越稳定）、最大深度（限制树的生长）、最小样本分割（防止过拟合）。三者均起作用。7.A解析：基于密度的异常检测算法（如DBSCAN）通过密度可达性定义聚类，核心思想是聚类由高密度区域形成，噪声点自然被识别，因此依赖距离度量。频率统计、分类标签和时间序列分析属于其他数据挖掘范畴。8.C解析：TF-IDF中"TF"（TermFrequency）指词频，"IDF"（InverseDocumentFrequency）指逆文档频率，两者乘积反映词语在文档中的重要性。主题建模、文本分类和情感分析属于其他文本挖掘任务。9.A解析：置信度衡量规则"如果A出现，那么B也出现"的可信程度，即包含A的记录中B也出现的概率。预测准确性属于分类模型指标，覆盖范围与支持度相关，统计显著性需通过假设检验确定。10.C解析：Dropout通过随机置零神经元输出，强制网络学习冗余表示，从而防止过拟合。增加网络深度属于架构设计，减少参数数量可通过剪枝实现，计算效率受硬件影响。二、填空题1.信息增益；基尼不纯度解析：决策树分裂质量指标包括信息增益（贪心算法）和基尼不纯度（启发式算法），两者均用于衡量分裂后子节点的纯度提升程度。2.随机性解析：聚类算法中，对初始参数位置敏感的现象称为"随机性"或"敏感性"，在K-means中表现为易陷入局部最优解，可通过多次运行或K-means++初始化解决。3.核技巧解析：支持向量机通过核函数将线性不可分数据映射到高维空间，实现非线性分类，该技术称为"核技巧"或"非线性映射"。4.置信度；提升度解析：关联规则强度指标