数据挖掘初级试题及答案

数据挖掘初级试题及答案一、单项选择题（每题2分，共20分）1.数据挖掘中，用于发现数据项之间有趣关联的技术是？A.分类B.聚类C.关联规则挖掘D.回归分析答案C2.以下哪个算法属于无监督学习？A.决策树B.K-meansC.朴素贝叶斯D.线性回归答案B3.在关联规则A→B中，支持度（Support）的定义是？A.同时包含A和B的事务占所有事务的比例B.包含A的事务中同时包含B的比例C.包含B的事务中同时包含A的比例D.包含A的事务占所有事务的比例答案A4.决策树中，ID3算法用于选择划分属性的指标是？A.均方误差B.信息增益C.欧氏距离D.余弦相似度答案B5.K-means算法中，K值表示？A.迭代次数B.聚类簇数C.样本维度D.样本数量答案B6.以下哪种数据预处理方法可以将数据缩放到[0A.Z-score标准化B.Min-Max归一化C.主成分分析D.离散化答案B7.在分类任务中，真正例率（TPR）也被称为？A.精确率（Precision）B.召回率（Recall）C.准确率（Accuracy）D.F1值答案B8.数据挖掘中，KDD的全称是？A.KnowledgeDiscoveryinDatabasesB.KnowledgeDataDiscoveryC.KernelDataDistributionD.KnowledgeDatabaseDesign答案A9.以下哪个不是常用的相似度度量方法？A.欧氏距离B.曼哈顿距离C.余弦相似度D.标准误差答案D10.Apriori算法基于哪个重要性质进行剪枝？A.先验性质B.反单调性C.马尔可夫性质D.贝叶斯定理答案B解析Apriori算法利用频繁项集的"反单调性"——若一个项集是频繁的，则其所有子集也一定是频繁的；反之，若一个项集是非频繁的，则其所有超集也一定是非频繁的。这一性质用于减少候选项集的搜索空间。二、多项选择题（每题2分，共10分）1.以下属于数据预处理步骤的有？A.数据清洗B.数据集成C.数据变换D.数据规约答案ABCD2.以下哪些属于分类算法的评估指标？A.准确率B.精确率C.召回率D.F1值答案ABCD3.以下属于无监督学习算法的有？A.K-meansB.层次聚类C.关联规则挖掘D.决策树答案ABC解析决策树属于有监督学习，需要带类别标签的训练数据。4.关联规则挖掘中，常用的评估指标包括？A.支持度B.置信度C.提升度D.信息增益答案ABC解析信息增益是决策树中用于属性选择的指标，不属于关联规则评估指标。5.下列属于数据降维方法的有？A.主成分分析（PCA）B.奇异值分解（SVD）C.线性判别分析（LDA）D.独热编码答案ABC解析独热编码是一种特征编码方式，会将类别型特征扩展为多个0/1特征，并不降低数据维度。三、填空题（每题2分，共10分）1.数据挖掘的常用技术包括分类、聚类、\\\\、回归和异常检测。答案关联规则挖掘（关联分析）2.在决策树中，ID3算法使用\\\\作为属性选择度量。答案信息增益3.K-means算法的目标是最小化所有样本到其所属簇\\\\的平方距离之和。答案质心（中心点）4.在关联规则A→B中，\\\\表示同时包含A和B的事务占所有事务的比例。答案支持度5.数据预处理的常见步骤包括数据清洗、数据集成、数据变换和\\\\。答案数据规约（数据归约）四、判断题（每题1分，共10分）1.数据挖掘是数据库技术、统计学、机器学习等多学科交叉的领域。答案正确2.聚类属于监督学习方法。答案错误解析聚类是在无类别标签的数据上发现自然分组，属于无监督学习。3.在关联规则中，置信度（Confidence）表示包含A的事务中同时包含B的概率。答案正确4.过拟合是指模型在训练集上表现差，在测试集上表现好。答案错误解析过拟合是指模型在训练集上表现很好，但在未见数据（测试集）上泛化能力差。5.KNN算法不需要显式的训练过程，属于惰性学习算法。答案正确6.信息熵越大，表示数据的不确定性越小。答案错误解析信息熵越大，数据的不确定性越大、纯度越低。7.数据清洗包括处理缺失值、噪声数据和不一致数据。答案正确8.主成分分析（PCA）是一种线性降维方法。答案正确9.在分类评估中，F1值是精确率和召回率的调和平均值。答案正确10.若关联规则A→B成立，则B→A也一定成立。答案错误解析关联规则具有方向性，A→B成立并不保证B→A成立，两者的支持度相同但置信度可能不同。五、简答题（每题5分，共20分）1.简述数据挖掘的主要流程（步骤）。答案数据挖掘的主要流程包括：（1）数据收集：从各数据源获取原始数据；（2）数据预处理：对数据进行清洗、集成、变换和规约，提高数据质量；（3）数据挖掘：选择合适的算法（如分类、聚类、关联规则等）对预处理后的数据进行模式提取；（4）模式评估：根据评估指标对挖掘出的模式进行筛选和评价，去除冗余或无意义的模式；（5）知识表示：将最终发现的模式以可视化或其他形式呈现给用户。2.比较分类和聚类的区别。方面分类聚类学习方式有监督学习无监督学习数据要求需要带类别标签的训练数据不需要标签目标将新样本划分到已知类别发现数据内在的自然分组典型算法决策树、朴素贝叶斯、KNNK-means、层次聚类3.简述Apriori算法的主要步骤。答案（1）扫描数据集，统计每个项的支持度，生成频繁1-项集；（2）由频繁(k−1（3）利用反单调性剪枝：删除包含非频繁子集的候选项集；（4）扫描数据集，计算候选k-项集的实际支持度，筛掉支持度低于最小支持度阈值的项集，得到频繁k-项集；（5）重复步骤（2）至（4），直到无法生成新的频繁项集；（6）由频繁项集生成满足最小置信度阈值的强关联规则。4.什么是过拟合？列举两种避免过拟合的方法。答案过拟合是指模型在训练数据上表现优异，但在未见过的测试数据上泛化能力差的现象，通常是因为模型过于复杂，学习了训练数据中的噪声和细节。避免过拟合的常用方法：（1）增加训练数据量；（2）采用正则化方法（如L1、L2正则化）；（3）决策树剪枝；（4）交叉验证；（5）采用集成学习方法（如随机森林）。六、计算与分析题（每题15分，共30分）1.给定一个小型数据集，包含6个二维样本：(1,1),(1（1）写出第一次迭代后的簇分配结果和新的簇中心；（2）判断是否需要继续迭代，并说明理由；（3）写出最终聚类结果。答案（1）计算每个样本到两个簇中心的欧氏距离，距离公式为：d-样本(1,1)：到C1-样本(1,2)：到-样本(2,1)：到-样本(5,5)：到C1-样本(6,5)：到C1-样本(5,6)：到C1第一次迭代后的簇分配：-簇1：{-簇2：{新的簇中心：CC（2）因为新的簇中心与初始簇中心相比发生了变化，所以需要继续迭代。（3）继续迭代后，各样本到新簇中心C1′和C2′的距离仍保持"属于簇1的样本离最终聚类结果：-簇1：{(1-簇2：{(52.给定一个事务数据库，包含5个事务，设最小支持度计数为2：事务ID项集T1{面包,牛奶}T2{面包,尿布,啤酒}T3{牛奶,尿布,啤酒}T4{面包,牛奶,尿布,啤酒}T5{面包,牛奶,尿布}要求：（1）找出所有频繁项集；（2）从频繁3-项集{牛奶,尿布,啤酒}中生成置信度不低于0.6的关联规则。答案（1）扫描数据集，统计各候选1-项集的支持度计数：•{面包}：4（T1,T2,T4,T5）•{牛奶}：4（T1,T3,T4,T5）•{尿布}：4（T2,T3,T4,T5）•{啤酒}：3（T2,T3,T4）所有1-项集均满足最小支持度计数2，因此均为频繁1-项集。生成候选2-项集并统计支持度计数：•{面包,牛奶}：3（T1,T4,T5）•{面包,尿布}：3（T2,T4,T5）•{面包,啤酒}：2（T2,T4）•{牛奶,尿布}：3（T3,T4,T5）•{牛奶,啤酒}：2（T3,T4）•{尿布,啤酒}：3（T2,T3,T4）所有2-项集均频繁。生成候选3-项集并统计支持度计数：•{面包,牛奶,尿布}：2（T4,T5）•{面包,牛奶,啤酒}：1（T4）→不频繁•{面包,尿布,啤酒}：2（T2,T4）•{牛奶,尿布,啤酒}：2（T3,T4）频繁3-项集为：•{面包,牛奶,尿布}•{面包,尿布,啤酒}•{牛奶,尿布,啤酒}生成候选4-项集：{面包,牛奶,尿布,啤酒}，支持度计数为1（仅T4），不频繁。因此，所有频繁项集为：•频繁1-项集：{面包}，{牛奶}，{尿布}，{啤酒}•频繁2-项集：{面包,牛奶}，{面包,尿布}，{面包,啤酒}，{牛奶,尿布}，{牛奶,啤酒}，{尿布,啤酒}•频繁3-项集：{面包,牛奶,尿布}，{面包,尿布,啤酒}，{牛奶,尿布,啤酒}（2）从频繁项集{牛奶,尿布,啤酒}生成候选关联规则，并计算置信度：规则置信度公式：Confidence-{牛奶}→{尿布,啤酒}：置信度