2025年統(tǒng)計(jì)學(xué)期末考試題庫(kù)：數(shù)據(jù)可視化與機(jī)器學(xué)習(xí)試題考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題1.以下哪一種圖表最適合展示不同類別數(shù)據(jù)的數(shù)量比較？A.散點(diǎn)圖B.折線圖C.柱狀圖D.熱力圖2.在進(jìn)行探索性數(shù)據(jù)分析時(shí)，以下哪種可視化方法常用于檢查兩個(gè)連續(xù)變量之間的關(guān)系？A.箱線圖B.餅圖C.散點(diǎn)圖D.樹(shù)狀圖3.下列關(guān)于線性回歸模型的表述，錯(cuò)誤的是？A.線性回歸模型假設(shè)因變量與自變量之間存在線性關(guān)系。B.最小二乘法是估計(jì)線性回歸模型參數(shù)的常用方法。C.線性回歸模型對(duì)異常值非常敏感。D.線性回歸可以處理分類自變量。4.邏輯回歸模型主要用于解決哪種類型的問(wèn)題？A.回歸問(wèn)題B.聚類問(wèn)題C.分類問(wèn)題D.降維問(wèn)題5.K-Means聚類算法是一種什么樣的學(xué)習(xí)算法？A.監(jiān)督學(xué)習(xí)算法B.無(wú)監(jiān)督學(xué)習(xí)算法C.半監(jiān)督學(xué)習(xí)算法D.強(qiáng)化學(xué)習(xí)算法6.評(píng)估一個(gè)分類模型性能時(shí)，如果希望盡可能減少對(duì)少數(shù)類樣本的漏報(bào)，應(yīng)該重點(diǎn)關(guān)注哪個(gè)指標(biāo)？A.準(zhǔn)確率(Accuracy)B.精確率(Precision)C.召回率(Recall)D.F1分?jǐn)?shù)7.在特征工程中，將分類變量轉(zhuǎn)換為數(shù)值表示的“標(biāo)簽編碼”（LabelEncoding）適用于哪種機(jī)器學(xué)習(xí)算法？A.適用于所有算法B.僅適用于決策樹(shù)類算法C.僅適用于線性模型，不適用于樹(shù)模型D.可能導(dǎo)致模型過(guò)擬合，應(yīng)避免使用8.以下哪種技術(shù)不屬于正則化方法？A.Lasso回歸B.Ridge回歸C.增加數(shù)據(jù)量D.Dropout（用于神經(jīng)網(wǎng)絡(luò)）9.交叉驗(yàn)證（Cross-Validation）的主要目的是什么？A.提高模型的訓(xùn)練速度B.減少模型訓(xùn)練所需的樣本量C.更可靠地評(píng)估模型的泛化能力D.減少模型參數(shù)的數(shù)量10.以下哪個(gè)不是數(shù)據(jù)可視化設(shè)計(jì)應(yīng)遵循的基本原則？A.清晰性B.一致性C.復(fù)雜性D.準(zhǔn)確性二、填空題1.可視化設(shè)計(jì)原則中，強(qiáng)調(diào)圖表應(yīng)準(zhǔn)確無(wú)誤地傳達(dá)數(shù)據(jù)信息的是______原則。2.在機(jī)器學(xué)習(xí)中，將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集的目的是為了______。3.決策樹(shù)模型通過(guò)遞歸地分割數(shù)據(jù)空間來(lái)構(gòu)建決策規(guī)則，其常見(jiàn)的分割標(biāo)準(zhǔn)有______和信息增益率。4.對(duì)于具有大量類別的分類問(wèn)題，使用決策樹(shù)可能會(huì)導(dǎo)致模型過(guò)擬合，可以考慮使用______來(lái)集成多個(gè)決策樹(shù)。5.在處理缺失值時(shí)，簡(jiǎn)單的刪除含有缺失值的樣本可能會(huì)導(dǎo)致______的問(wèn)題。6.箱線圖可以用來(lái)展示數(shù)據(jù)的______、中位數(shù)、四分位數(shù)和異常值。7.評(píng)估回歸模型性能時(shí)，常用的指標(biāo)除了平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)外，還有______。8.無(wú)監(jiān)督學(xué)習(xí)中，K-Means算法需要預(yù)先指定聚類的數(shù)量______。9.將連續(xù)變量通過(guò)設(shè)定閾值轉(zhuǎn)換為分類變量的方法稱為_(kāi)_____。10.為了減少模型對(duì)訓(xùn)練數(shù)據(jù)中的噪聲敏感，可以提高數(shù)據(jù)可視化時(shí)圖表的______（例如，使用平滑曲線替代散點(diǎn)圖）。三、判斷題1.()折線圖不僅可以顯示數(shù)據(jù)的變化趨勢(shì)，還可以精確地表示每個(gè)數(shù)據(jù)點(diǎn)的具體值。2.()任何數(shù)據(jù)都應(yīng)該首先用散點(diǎn)圖進(jìn)行探索性分析。3.()邏輯回歸模型的輸出可以直接解釋為屬于某個(gè)類別的概率。4.()K-Means聚類算法總能找到全局最優(yōu)的聚類結(jié)果。5.()在特征工程中，特征縮放（如歸一化）對(duì)于所有機(jī)器學(xué)習(xí)算法都是必要的。6.()過(guò)擬合是指模型在訓(xùn)練集上表現(xiàn)良好，但在測(cè)試集上表現(xiàn)差。7.()相關(guān)性分析是數(shù)據(jù)探索的重要步驟，它可以幫助發(fā)現(xiàn)變量之間的關(guān)系。8.()餅圖適合展示不同部分占整體的比例，但不宜用于比較多個(gè)餅圖之間的部分差異。9.()交叉驗(yàn)證通過(guò)多次隨機(jī)劃分?jǐn)?shù)據(jù)集來(lái)評(píng)估模型的穩(wěn)定性。10.()使用交互式可視化工具，用戶可以動(dòng)態(tài)地篩選和探索數(shù)據(jù)，增強(qiáng)分析的深度。四、簡(jiǎn)答題1.簡(jiǎn)述過(guò)擬合和欠擬合的概念，并分別提出一種解決方法。2.解釋什么是特征工程，并列舉至少三種常見(jiàn)的特征工程方法。3.說(shuō)明使用散點(diǎn)圖進(jìn)行數(shù)據(jù)探索時(shí)，可能發(fā)現(xiàn)哪些類型的信息？4.在應(yīng)用機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測(cè)前，為什么通常需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理？請(qǐng)列舉至少三種預(yù)處理步驟。五、綜合應(yīng)用題1.假設(shè)你正在分析一份關(guān)于客戶滿意度調(diào)查的數(shù)據(jù)。數(shù)據(jù)中包含客戶的年齡（連續(xù)變量）、性別（分類變量：男/女）、購(gòu)買(mǎi)頻率（分類變量：低/中/高）以及滿意度評(píng)分（連續(xù)變量，1-10分）。請(qǐng)說(shuō)明你會(huì)使用哪些可視化方法來(lái)探索這份數(shù)據(jù)，并簡(jiǎn)要說(shuō)明每個(gè)圖表的目的。例如，你可以考慮使用哪些圖表來(lái)查看滿意度評(píng)分的分布、年齡與滿意度的關(guān)系、不同性別和購(gòu)買(mǎi)頻率的客戶分布等。2.假設(shè)你需要構(gòu)建一個(gè)機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)客戶的滿意度評(píng)分（這是一個(gè)回歸問(wèn)題）。請(qǐng)簡(jiǎn)述你會(huì)采取的步驟，包括至少以下方面：*數(shù)據(jù)預(yù)處理（如處理缺失值、特征編碼等）。*選擇合適的回歸模型。*如何評(píng)估你構(gòu)建的模型的性能。---試卷答案一、選擇題1.C2.C3.D4.C5.B6.C7.B8.C9.C10.C二、填空題1.準(zhǔn)確性2.評(píng)估模型的泛化能力3.信息增益(或Gini不純度)4.集成學(xué)習(xí)方法(或隨機(jī)森林/梯度提升樹(shù))5.樣本偏差(或丟失信息)6.分布特征(或范圍/離散程度)7.決定系數(shù)(R2或R-squared)8.K9.分箱(或二值化)10.折線圖/平滑度三、判斷題1.×2.×3.√4.×5.×6.√7.√8.√9.×10.√四、簡(jiǎn)答題1.過(guò)擬合是指模型在訓(xùn)練數(shù)據(jù)上學(xué)習(xí)得太好，不僅掌握了數(shù)據(jù)中的模式，還包括了噪聲，導(dǎo)致其在未見(jiàn)過(guò)的數(shù)據(jù)（測(cè)試集）上表現(xiàn)很差。欠擬合是指模型過(guò)于簡(jiǎn)單，未能捕捉到數(shù)據(jù)中的基本模式，導(dǎo)致在訓(xùn)練集和測(cè)試集上都表現(xiàn)不佳。解決過(guò)擬合的方法包括：增加訓(xùn)練數(shù)據(jù)量、使用更簡(jiǎn)單的模型、應(yīng)用正則化（如Lasso、Ridge）、使用交叉驗(yàn)證、早停法。解決欠擬合的方法包括：使用更復(fù)雜的模型、增加特征、減少特征選擇、減少正則化強(qiáng)度。2.特征工程是指從原始數(shù)據(jù)中提取或構(gòu)建新的、更有信息量的特征的過(guò)程，目的是提高模型的表現(xiàn)。常見(jiàn)的特征工程方法包括：特征編碼（如獨(dú)熱編碼、標(biāo)簽編碼）、特征縮放（如歸一化、標(biāo)準(zhǔn)化）、特征變換（如對(duì)數(shù)變換、平方）、特征創(chuàng)建（如根據(jù)現(xiàn)有特征計(jì)算新特征，如交互特征、多項(xiàng)式特征）、特征選擇（如過(guò)濾法、包裹法、嵌入法）。3.使用散點(diǎn)圖進(jìn)行數(shù)據(jù)探索時(shí)，可能發(fā)現(xiàn)的信息包括：兩個(gè)變量之間的相關(guān)性（正相關(guān)、負(fù)相關(guān)、不相關(guān)）、數(shù)據(jù)點(diǎn)的分布范圍和集中趨勢(shì)、是否存在異常值或離群點(diǎn)、是否存在非線性關(guān)系、數(shù)據(jù)是否存在分組或簇狀結(jié)構(gòu)。4.應(yīng)用機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測(cè)前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理是因?yàn)樵紨?shù)據(jù)往往存在不規(guī)整、不完整、不一致等問(wèn)題，直接使用可能導(dǎo)致模型性能低下甚至無(wú)法運(yùn)行。預(yù)處理步驟包括：處理缺失值（刪除、填充）、處理類別特征（編碼）、特征縮放（歸一化、標(biāo)準(zhǔn)化）、處理不平衡數(shù)據(jù)（采樣）、數(shù)據(jù)清洗（去除噪聲、重復(fù)值）、特征工程（創(chuàng)建新特征）。五、綜合應(yīng)用題1.可視化方法及目的：*滿意度評(píng)分分布圖（如直方圖或核密度圖）：目的：了解滿意度評(píng)分的整體分布情況，如集中趨勢(shì)（平均分、眾數(shù)）、離散程度、是否近似正態(tài)分布，以及是否存在極端評(píng)分。*年齡與滿意度評(píng)分關(guān)系圖（如散點(diǎn)圖，可加趨勢(shì)線）：目的：探索年齡與滿意度評(píng)分之間是否存在關(guān)聯(lián)，是正相關(guān)、負(fù)相關(guān)還是無(wú)關(guān)，以及關(guān)系是否線性。*性別與滿意度評(píng)分關(guān)系圖（如箱線圖）：目的：比較男性和女性客戶的滿意度評(píng)分分布差異，觀察中位數(shù)、四分位數(shù)和異常值是否存在顯著不同。*購(gòu)買(mǎi)頻率與滿意度評(píng)分關(guān)系圖（如分組箱線圖或小提琴圖）：目的：比較不同購(gòu)買(mǎi)頻率（低、中、高）的客戶群體的滿意度評(píng)分差異。*性別與購(gòu)買(mǎi)頻率交叉分布圖（如交叉表或堆疊柱狀圖）：目的：分析不同性別客戶在購(gòu)買(mǎi)頻率上的分布情況，以及是否存在性別和購(gòu)買(mǎi)頻率的特定組合。*特征分布圖（如年齡的直方圖，購(gòu)買(mǎi)頻率的餅圖/條形圖）：目的：了解各連續(xù)和分類特征本身的分布特性。2.構(gòu)建回歸模型的步驟：*數(shù)據(jù)預(yù)處理：*檢查并處理缺失值（例如，年齡用均值/中位數(shù)填充，性別/購(gòu)買(mǎi)頻率用眾數(shù)填充或模型處理）。*對(duì)分類特征進(jìn)行編碼（例如，性別用0/1表示，購(gòu)買(mǎi)頻率可用獨(dú)熱編碼）。*對(duì)連續(xù)特征（年齡）進(jìn)行縮放（例如，使用標(biāo)準(zhǔn)化或歸一化）。*檢查數(shù)據(jù)是否存在嚴(yán)重不平衡，考慮是否需要進(jìn)行過(guò)采樣或欠采樣。*選擇合適的回歸模型：根據(jù)數(shù)據(jù)探索結(jié)果和特征類型，初步選擇模型?？梢钥紤]：線性回歸（如果關(guān)系近似線性，且無(wú)明顯多重共線性）、決策樹(shù)回歸（能處理非線性關(guān)系）、隨機(jī)森林回歸（集成方法，魯棒性強(qiáng)，泛化能力好）、梯度提升樹(shù)回歸（通常性能更優(yōu)）。*模型訓(xùn)練與調(diào)優(yōu)：將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)