数据仓库与数据挖掘技术考试试题及答案

数据仓库与数据挖掘技术考试试题及答案一、单项选择题（每题2分，共20分）1.数据仓库的数据具有四个基本特征，下列哪个不属于这些特征？A.面向主题B.集成性C.实时性D.时变性答案C解析数据仓库的基本特征是面向主题、集成性、时变性和非易失性，实时性不是其基本特征。2.在数据仓库的ETL过程中，"T"代表的含义是？A.抽取B.转换C.加载D.清洗答案B解析ETL分别是Extract（抽取）、Transform（转换）、Load（加载）。3.下列哪项操作属于OLAP的"上卷"（Roll-up）操作？A.从"季度"汇总到"年"B.从"年"下钻到"季度"C.选择某个地区的数据D.交换维度的方向答案A解析上卷是沿着维的概念层次向上聚集，例如从季度汇总到年；下钻是向下细化。4.在Apriori算法中，若某频繁项集的支持度为0.2，置信度阈值为0.6，则规则A⇒A.supportB.supportC.supportD.support答案B解析关联规则A⇒B的置信度定义为5.在决策树算法中，ID3算法使用哪个指标选择划分属性？A.基尼指数B.信息增益率C.信息增益D.均方误差答案C解析ID3使用信息增益作为属性选择度量，C4.5使用信息增益率，CART使用基尼指数。6.K-means聚类算法中，簇中心通常更新为？A.簇内样本的中位数B.簇内样本的均值C.簇内样本的众数D.簇内最远的样本点答案B解析K-means每次迭代将簇中心更新为簇内所有样本的均值（质心）。7.对于分类模型，当正负样本极不平衡时，下列哪个评价指标更能反映模型对少数类的识别能力？A.准确率B.召回率C.精确率D.均方误差答案B解析在类别不平衡场景下，准确率容易被多数类主导，召回率更能体现对少数类的识别能力。8.在数据挖掘过程中，CRISP-DM模型的第一阶段是？A.数据准备B.业务理解C.数据理解D.建模答案B解析CRISP-DM的六个阶段依次为业务理解、数据理解、数据准备、建模、评估、部署。9.下列哪种数据仓库模型将事实表放在中心，维度表围绕其周围，形成类似星形的结构？A.雪花模型B.星座模型C.星型模型D.第三范式模型答案C解析星型模型以事实表为中心，维度表直接与事实表关联；雪花模型对维度表进一步规范化。10.朴素贝叶斯分类器假设各特征之间满足什么条件？A.线性相关B.相互独立C.完全相关D.不相关但存在高阶关系答案B解析朴素贝叶斯的"朴素"即指假设各特征在给定类别条件下相互独立。二、多项选择题（每题2分，共10分）1.下列属于数据预处理的方法有？A.数据清洗B.数据集成C.数据变换D.数据规约答案ABCD解析数据预处理通常包括数据清洗、数据集成、数据变换和数据规约。2.关于OLAP操作，下列描述正确的有？A.切片（Slice）是在某一维上选定一个值B.切块（Dice）是在多个维上选定一个区间C.旋转（Pivot）是改变维的方向D.下钻（Drill-down）是从低层汇总到高层答案ABC解析下钻是从高层向低层细化，上卷才是从低层汇总到高层，因此D错误。3.下列哪些算法属于无监督学习算法？A.K-meansB.AprioriC.决策树D.主成分分析（PCA）答案ABD解析决策树属于有监督学习；K-means、Apriori和PCA均属于无监督学习。4.关联规则中，下列哪些指标可以用来评估规则的强度？A.支持度B.置信度C.提升度D.信息增益答案ABC解析关联规则主要用支持度、置信度和提升度等指标评估，信息增益用于决策树属性选择。5.下列属于数据仓库常用建模方法的有？A.星型模型B.雪花模型C.事实星座模型D.实体—联系模型答案ABC解析数据仓库常用多维数据模型包括星型模型、雪花模型和事实星座模型；实体—联系模型主要用于OLTP系统设计。三、填空题（每空1分，共10分）1.数据仓库是面向主题的、集成的、不可更新的（非易失的）、随时间不断变化的数据库，用于支持管理决策。2.在ETL过程中，抽取（Extract）负责从源系统读取数据，转换（Transform）负责清洗和格式化，加载（Load）负责将数据写入目标数据仓库。3.在关联规则挖掘中，规则A⇒B的支持度定义为count(4.决策树中，C4.5算法使用信息增益率（GainRatio）来选择划分属性，其目的是克服信息增益偏向于取值较多属性的缺点。5.K-means算法的输入参数是簇个数k和数据集，算法通过迭代优化簇内误差平方和（SSE）来更新簇中心。6.在分类评价中，混淆矩阵包含真正例（TP）、假正例（FP）、真反例（TN）和假反例（FN）四个基本元素。7.数据挖掘中的"啤酒与尿布"案例属于典型的关联规则（购物篮）分析。8.在数据仓库的多维模型中，度量值通常存储在事实表中，而描述性属性存储在维度表中。9.聚类分析中，常用的相似度度量包括欧氏距离、曼哈顿距离和余弦相似度。10.主成分分析（PCA）是一种常用的数据降维（或特征提取）方法，其目标是将高维数据投影到低维空间，同时保留最大的方差。四、判断题（每题1分，共10分）1.数据仓库中的数据通常被定期刷新，因此与操作型数据库中的数据保持一致。答案错误解析数据仓库的数据是时变的，但不要求与操作型数据库实时一致，而是按批次加载历史数据。2.在星型模型中，维度表通常被规范化到第三范式。答案错误解析星型模型中的维度表是非规范化的，雪花模型才将维度表规范化。3.支持度高的关联规则一定具有高置信度。答案错误解析支持度和置信度是两个独立指标，高支持度不一定高置信度。4.决策树模型中，剪枝可以降低过拟合风险。答案正确5.聚类分析属于有监督学习。答案错误解析聚类属于无监督学习，训练数据没有类别标签。6.在K-means算法中，初始聚类中心的选择不会影响最终聚类结果。答案错误解析K-means对初始中心敏感，不同初始中心可能得到不同局部最优解。7.数据仓库的"时变性"指的是数据只保留当前状态，不保存历史数据。答案错误解析时变性指数据随时间变化，保存历史快照，用于趋势分析。8.朴素贝叶斯分类器对缺失数据不敏感，可以很好地处理缺失值。答案正确解析朴素贝叶斯在计算概率时可以利用未缺失的数据进行估计，对缺失值有一定的鲁棒性。9.OLAP与OLTP的操作对象相同，只是操作方式不同。答案错误解析OLTP面向事务处理，OLAP面向分析查询，数据模型和存储方式均不同。10.关联规则挖掘中，提升度（Lift）大于1表示规则正相关。答案正确五、简答题（每题5分，共20分）1.简述数据仓库与操作型数据库（OLTP系统）的主要区别。答案(1)用途不同：OLTP面向日常事务处理，数据仓库面向决策分析。(2)数据特征不同：OLTP数据是实时的、细节的；数据仓库数据是历史的、集成的、面向主题的。(3)操作方式不同：OLTP以插入、更新、删除为主；数据仓库以查询为主，很少更新。(4)数据模型不同：OLTP常用实体—联系模型（规范化设计）；数据仓库常用星型、雪花等多维模型。2.简述数据挖掘的一般流程（以CRISP-DM为例）。答案(1)业务理解：明确业务目标和需求。(2)数据理解：收集并探索数据，评估数据质量。(3)数据准备：包括数据清洗、转换、集成、规约等。(4)建模：选择合适的算法建立模型。(5)评估：根据业务目标评估模型效果。(6)部署：将模型应用到实际业务中，并持续监控。3.什么是维度和度量？在数据仓库中它们分别如何存储？答案(1)维度是分析问题的角度，如时间、地区、产品等，用于描述数据的属性。(2)度量是需要分析的数量指标，如销售额、利润、库存量等，是事实表中的数值字段。(3)维度通常存储在维度表中，度量存储在事实表中；事实表通过外键与维度表关联。4.简述关联规则挖掘中支持度、置信度和提升度的含义。答案(1)支持度：规则在所有事务中出现的频率，support((2)置信度：在包含A的事务中同时包含B的条件概率，confidence((3)提升度：lift(A⇒B)六、综合应用题（每题15分，共30分）1.某超市购物篮数据如下表所示，事务中的每一项代表顾客一次购买的商品。事务ID购买商品1牛奶，面包，鸡蛋2面包，尿布，啤酒，鸡蛋3牛奶，尿布，啤酒，可乐4面包，牛奶，尿布，啤酒5面包，牛奶，尿布，可乐设最小支持度阈值为40%，最小置信度阈值为70%。要求：(1)计算所有频繁项集（列出每个频繁项集的支持度）。(2)基于频繁项集，生成强关联规则（支持度和置信度均满足阈值）。答案(1)事务总数N=5，最小支持度计数为(2)生成强关联规则（置信度≥70%）：从频繁2-项集开始：{牛奶，面包}：•牛奶⇒面包：置信度=3/4=75%，支持度0.6→强规则。•面包⇒牛奶：置信度=3/4=75%→强规则。{牛奶，尿布}：•牛奶⇒尿布：3/4=75%→强规则。•尿布⇒牛奶：3/4=75%→强规则。{牛奶，啤酒}：•牛奶⇒啤酒：2/4=50%→不满足。•啤酒⇒牛奶：2/3≈66.7%→不满足。{牛奶，可乐}：•牛奶⇒可乐：2/4=50%→不满足。•可乐⇒牛奶：2/2=100%→强规则。{面包，鸡蛋}：•面包⇒鸡蛋：2/4=50%→不满足。•鸡蛋⇒面包：2/2=100%→强规则。{面包，尿布}：•面包⇒尿布：3/4=75%→强规则。•尿布⇒面包：3/4=75%→强规则。{面包，啤酒}：•面包⇒啤酒：2/4=50%→不满足。•啤酒⇒面包：2/3≈66.7%→不满足。{尿布，啤酒}：•尿布⇒啤酒：3/4=75%→强规则。•啤酒⇒尿布：3/3=100%→强规则。{尿布，可乐}：•尿布⇒可乐：2/4=50%→不满足。•可乐⇒尿布：2/2=100%→强规则。从频繁3-项集生成规则（只考虑右件为单项的规则）：{牛奶，面包，尿布}支持度0.4：•牛奶面包⇒尿布：支持度0.4，置信度=2/3≈66.7%→不满足。•牛奶尿布⇒面包：置信度=2/3≈66.7%→不满足。•面包尿布⇒牛奶：置信度=2/3≈66.7%→不满足。•牛奶⇒面包尿布：置信度=2/4=50%→不满足。•面包⇒牛奶尿布：置信度=2/4=50%→不满足。•尿布⇒牛奶面包：置信度=2/4=50%→不满足。{牛奶，尿布，啤酒}支持度0.4：•牛奶尿布⇒啤酒：置信度=2/3≈66.7%→不满足。•牛奶啤酒⇒尿布：置信度=2/2=100%→强规则（牛奶啤酒⇒尿布，支持度0.4）。•尿布啤酒⇒牛奶：置信度=2/3≈66.7%→不满足。•牛奶⇒尿布啤酒：置信度=2/4=50%→不满足。•尿布⇒牛奶啤酒：置信度=2/4=50%→不满足。•啤酒⇒牛奶尿布：置信度=2/3≈66.7%→不满足。{牛奶，尿布，可乐}支持度0.4：•牛奶尿布⇒可乐：置信度=2/3≈66.7%→不满足。•牛奶可乐⇒尿布：置信度=2/2=100%→强规则（牛奶可乐⇒尿布，支持度0.4）。•尿布可乐⇒牛奶：置信度=2/2=100%→强规则（尿布可乐⇒牛奶，支持度0.4）。•牛奶⇒尿布可乐：置信度=2/4=50%→不满足。•尿布⇒牛奶可乐：置信度=2/4=50%→不满足。•可乐⇒牛奶尿布：置信度=2/2=100%→强规则（可乐⇒牛奶尿布，支持度0.4）。{面包，尿布，啤酒}支持度0.4：•面包尿布⇒啤酒：置信度=2/3≈66.7%→不满足。•面包啤酒⇒尿布：置信度=2/2=100%→强规则（面包啤酒⇒尿布，支持度0.4）。•尿布啤酒⇒面包：置信度=2/3≈66.7%→不满足。•面包⇒尿布啤酒：置信度=2/4=50%→不满足。•尿布⇒面包啤酒：置信度=2/4=50%→不满足。•啤酒⇒面包尿布：置信度=2/3≈66.7%→不满足。综上，强关联规则为：•牛奶⇒面包，置信度75%•面包⇒牛奶，置信度75%•牛奶⇒尿布，置信度75%•尿布⇒牛奶，置信度75%•可乐⇒牛奶，置信度100%•鸡蛋⇒面包，置信度100%•面包⇒尿布，置信度75%•尿布⇒面包，置信度75%•尿布⇒啤酒，置信度75%•啤酒⇒尿布，置信度100%•可乐⇒尿布，置信度100%•牛奶啤酒⇒尿布，置信度100%•牛奶可乐⇒尿布，置信度100%•尿布可乐⇒牛奶，置信度100%•可乐⇒牛奶尿布，置信度100%•面包啤酒⇒尿布，置信度100%（支持度均为对应项集的支持度，如无特殊说明均满足最小支持度）2.给定如下训练数据集，共14个样本，每个样本包含两个特征：是否有房（HomeOwner）和婚姻状况（MaritalStatus），类别为是否拖欠贷款（Defaulted）。序号是否有房婚姻状况是否拖欠贷款1是单身否2否已婚否3否单身是4是已婚否5否离婚是6否已婚否7是离婚否8否单身是9否已婚否10否单身是11否已婚否12否离婚是13是单身否14否已婚是要求：(1)计算训练数据集关于类别属性的信息熵。(2)分别计算"是否有房"和"婚姻状况"的信息增益。(3)根据信息增益，选择哪个属性作为根节点？并据此构建一棵完整的决策树（可使用ID3算法）。答案(1)类别"是否拖欠贷款"：否的样本数为8，是的样本数为6。信息熵：H(2)属性"是否有房"：-有房（是）：共4个样本，其中"否"4个，"是"0个，