2025年人工智能工程師數(shù)據(jù)科學(xué)考核試題考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.下列關(guān)于中位數(shù)的描述，錯(cuò)誤的是：A.中位數(shù)是排序后位于中間位置的數(shù)值。B.中位數(shù)不受極端值的影響。C.對(duì)于偶數(shù)個(gè)數(shù)據(jù)點(diǎn)，中位數(shù)是中間兩個(gè)數(shù)的平均數(shù)。D.中位數(shù)總比均值更接近數(shù)據(jù)的最大值。2.在處理數(shù)據(jù)集中的缺失值時(shí)，以下哪種方法屬于“刪除”策略？A.使用均值或中位數(shù)填充。B.使用回歸或模型預(yù)測(cè)缺失值。C.將含有缺失值的行或列直接刪除。D.使用K-最近鄰算法填充。3.下列哪種機(jī)器學(xué)習(xí)算法屬于非參數(shù)模型？A.線(xiàn)性回歸。B.邏輯回歸。C.K-均值聚類(lèi)。D.決策樹(shù)。4.在評(píng)估分類(lèi)模型性能時(shí)，當(dāng)不希望模型將大多數(shù)正類(lèi)預(yù)測(cè)為負(fù)類(lèi)時(shí)，以下哪個(gè)指標(biāo)最為關(guān)注？A.準(zhǔn)確率（Accuracy）。B.精確率（Precision）。C.召回率（Recall）。D.F1分?jǐn)?shù)。5.下列關(guān)于交叉驗(yàn)證的說(shuō)法，錯(cuò)誤的是：A.交叉驗(yàn)證可以有效減少模型評(píng)估的方差。B.K折交叉驗(yàn)證將數(shù)據(jù)集分成K個(gè)不重疊的子集。C.在K折交叉驗(yàn)證中，每次使用K-1折數(shù)據(jù)進(jìn)行訓(xùn)練，1折進(jìn)行測(cè)試。D.交叉驗(yàn)證適用于所有大小的數(shù)據(jù)集，無(wú)需考慮數(shù)據(jù)量。6.決策樹(shù)在遇到下列哪種情況時(shí)會(huì)發(fā)生過(guò)擬合？A.樹(shù)的深度過(guò)深。B.樹(shù)的節(jié)點(diǎn)數(shù)過(guò)多。C.樹(shù)的分裂標(biāo)準(zhǔn)過(guò)于寬松。D.樹(shù)的訓(xùn)練數(shù)據(jù)量過(guò)少。7.支持向量機(jī)（SVM）通過(guò)尋找一個(gè)最優(yōu)的超平面來(lái)劃分不同類(lèi)別的數(shù)據(jù)點(diǎn)，該超平面通常具有的特性是：A.將所有數(shù)據(jù)點(diǎn)都正確分類(lèi)。B.與最近的數(shù)據(jù)點(diǎn)距離最遠(yuǎn)。C.使得分類(lèi)間隔最大。D.位于所有數(shù)據(jù)點(diǎn)形成的凸包內(nèi)部。8.在特征工程中，將一個(gè)具有多個(gè)類(lèi)別的分類(lèi)特征轉(zhuǎn)換為多個(gè)二元（0或1）特征的技術(shù)稱(chēng)為：A.特征縮放。B.特征編碼。C.特征抽取。D.特征選擇。9.下列哪個(gè)Python庫(kù)是用于數(shù)據(jù)處理和分析的核心庫(kù)？A.Matplotlib。B.Scikit-learn。C.Pandas。D.TensorFlow。10.如果一個(gè)數(shù)據(jù)科學(xué)家需要將分析結(jié)果以直觀(guān)的方式展示給非技術(shù)人員，以下哪種可視化方法可能最為合適？A.熱力圖。B.散點(diǎn)圖矩陣。C.簡(jiǎn)單的柱狀圖或餅圖。D.等高線(xiàn)圖。二、填空題（每空2分，共20分）1.統(tǒng)計(jì)學(xué)中，用于衡量數(shù)據(jù)離散程度的指標(biāo)除了方差，還有________。2.在進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化時(shí)，常用的一種方法是先將數(shù)據(jù)減去其________，再除以其標(biāo)準(zhǔn)差。3.決策樹(shù)算法中，常用的分裂屬性選擇準(zhǔn)則有________和信息增益率。4.評(píng)估回歸模型性能時(shí)，常用的指標(biāo)有均方誤差（MSE）、均方根誤差（RMSE）和________。5.大數(shù)據(jù)技術(shù)中，Hadoop的核心分布式存儲(chǔ)組件是________。6.在Scikit-learn中，用于實(shí)現(xiàn)邏輯回歸模型的類(lèi)是________。7.數(shù)據(jù)可視化中，使用折線(xiàn)圖主要用來(lái)展示數(shù)據(jù)隨________變化的趨勢(shì)。8.所謂的“特征工程”，指的是對(duì)原始數(shù)據(jù)進(jìn)行處理和轉(zhuǎn)換，目的是為了得到更能________模型學(xué)習(xí)的特征。9.當(dāng)數(shù)據(jù)量非常大時(shí)，為了提高計(jì)算效率，可能會(huì)采用________來(lái)進(jìn)行分布式計(jì)算。10.機(jī)器學(xué)習(xí)模型評(píng)估中，除了留出法、交叉驗(yàn)證外，還有一種稱(chēng)為_(kāi)_______的評(píng)估方法。三、簡(jiǎn)答題（每題5分，共15分）1.簡(jiǎn)述過(guò)擬合和欠擬合的概念，并分別說(shuō)明可能導(dǎo)致這兩種情況的原因。2.解釋什么是特征交叉（FeatureInteraction），并舉例說(shuō)明它在哪些場(chǎng)景下可能很重要。3.簡(jiǎn)述使用K折交叉驗(yàn)證評(píng)估模型性能的基本步驟。四、計(jì)算題（每題10分，共20分）1.假設(shè)有以下一組樣本數(shù)據(jù)：[3,7,5,13,20,23,39,23,40,23,14,12,56,23,29]。計(jì)算該數(shù)據(jù)集的均值、中位數(shù)和方差（結(jié)果保留兩位小數(shù)）。2.假設(shè)我們使用邏輯回歸模型對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，模型輸出了一個(gè)概率值P=0.75。如果我們將閾值（Threshold）設(shè)為0.6，那么這個(gè)樣本會(huì)被分類(lèi)為哪個(gè)類(lèi)別？請(qǐng)解釋你的判斷依據(jù)。五、分析論述題（15分）假設(shè)你正在參與一個(gè)電商平臺(tái)的用戶(hù)購(gòu)買(mǎi)行為分析項(xiàng)目。你的任務(wù)是利用歷史訂單數(shù)據(jù)，構(gòu)建一個(gè)模型來(lái)預(yù)測(cè)新用戶(hù)未來(lái)是否會(huì)購(gòu)買(mǎi)某個(gè)特定商品。請(qǐng)簡(jiǎn)要說(shuō)明：1.在構(gòu)建這個(gè)預(yù)測(cè)模型之前，你需要進(jìn)行哪些關(guān)鍵的數(shù)據(jù)預(yù)處理步驟？2.你可能會(huì)考慮使用哪些類(lèi)型的機(jī)器學(xué)習(xí)模型來(lái)構(gòu)建這個(gè)預(yù)測(cè)模型？請(qǐng)至少列舉兩種，并簡(jiǎn)要說(shuō)明選擇它們的理由。3.在評(píng)估模型性能時(shí)，你認(rèn)為應(yīng)該選擇哪些評(píng)估指標(biāo)？為什么？試卷答案一、選擇題1.D解析思路：中位數(shù)是排序后位于中間位置的數(shù)值，其優(yōu)勢(shì)是不受極端值影響。中位數(shù)是中間位置的值，極端值通常位于兩端，因此中位數(shù)一般遠(yuǎn)離最大值。2.C解析思路：刪除策略直接移除含有缺失值的行或列。A、B、D都屬于imputation（填充）策略，嘗試估算或生成缺失值。3.C解析思路：參數(shù)模型有固定的參數(shù)數(shù)量，非參數(shù)模型的參數(shù)數(shù)量在訓(xùn)練過(guò)程中確定，且通常隨數(shù)據(jù)量增加。K-均值聚類(lèi)屬于非參數(shù)模型，其簇?cái)?shù)量K需要預(yù)先指定或通過(guò)其他方式確定，模型復(fù)雜度與數(shù)據(jù)維度有關(guān)。線(xiàn)性回歸和邏輯回歸是參數(shù)模型，決策樹(shù)是樹(shù)模型，通常認(rèn)為是參數(shù)模型（樹(shù)的結(jié)構(gòu)參數(shù)在訓(xùn)練中確定）。4.C解析思路：召回率關(guān)注的是實(shí)際為正類(lèi)的樣本中有多少被正確預(yù)測(cè)為正類(lèi)（TP/(TP+FN)）。當(dāng)不希望模型將多數(shù)正類(lèi)預(yù)測(cè)為負(fù)類(lèi)時(shí)，意味著希望模型能盡可能多地找到真正的正類(lèi)，即避免大量的FalseNegatives，因此關(guān)注召回率。5.D解析思路：交叉驗(yàn)證適用于數(shù)據(jù)量相對(duì)較小的情況，對(duì)于非常大的數(shù)據(jù)集，計(jì)算成本可能過(guò)高，通常更傾向于使用留出法。A、B、C描述均正確。6.A解析思路：樹(shù)過(guò)深會(huì)導(dǎo)致模型學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，泛化能力差。B、C、D描述的情況通常與欠擬合或模型復(fù)雜度不足有關(guān)。7.C解析思路：SVM的目標(biāo)是找到一個(gè)最大化分類(lèi)間隔（Margin）的超平面，這個(gè)間隔是指最近的兩類(lèi)樣本點(diǎn)到超平面的距離之和。最大化間隔可以使模型具有良好的泛化能力。8.B解析思路：將多分類(lèi)特征轉(zhuǎn)換為多個(gè)二分類(lèi)特征的過(guò)程就是特征編碼，常見(jiàn)的有One-Hot編碼等。A是特征縮放，B是特征編碼，C是特征抽取，D是特征選擇。9.C解析思路：Pandas是Python中專(zhuān)門(mén)用于數(shù)據(jù)分析和處理的強(qiáng)大庫(kù)，提供了DataFrame等數(shù)據(jù)結(jié)構(gòu)。Matplotlib是繪圖庫(kù)，Scikit-learn是機(jī)器學(xué)習(xí)庫(kù)，TensorFlow是深度學(xué)習(xí)框架。10.C解析思路：柱狀圖和餅圖適合展示類(lèi)別數(shù)據(jù)的數(shù)量或比例，相對(duì)簡(jiǎn)單直觀(guān)，易于非技術(shù)人員理解。熱力圖、散點(diǎn)圖矩陣、等高線(xiàn)圖通常用于展示更復(fù)雜的數(shù)據(jù)關(guān)系或連續(xù)變量，可能需要一定的專(zhuān)業(yè)知識(shí)才能解讀。二、填空題1.標(biāo)準(zhǔn)差解析思路：標(biāo)準(zhǔn)差是方差的平方根，是衡量數(shù)據(jù)分散程度最常用的指標(biāo)之一，與均值具有相同的量綱。2.均值（或平均值）解析思路：標(biāo)準(zhǔn)化的過(guò)程通常包括減去數(shù)據(jù)的均值（或中位數(shù)，但均值更常用）以消除位置偏移。3.信息增益（InformationGain）解析思路：決策樹(shù)常用的分裂準(zhǔn)則還有增益率（GainRatio），它是信息增益除以該特征的固有值，用于克服信息增益偏向選擇取值多的特征的問(wèn)題。題目已給出一個(gè)，填另一個(gè)即可。4.決定系數(shù)（R-squared）或均方根平均誤差（RMSE）解析思路：評(píng)估回歸模型性能的常用指標(biāo)包括MSE、RMSE，以及衡量模型擬合優(yōu)度的R-squared（或決定系數(shù)）。題目已給出MSE和RMSE，填R-squared或RMSE均可。5.HDFS（HadoopDistributedFileSystem）解析思路：HDFS是Hadoop生態(tài)系統(tǒng)中的核心分布式文件系統(tǒng)，用于存儲(chǔ)大規(guī)模數(shù)據(jù)集。6.LogisticRegression解析思路：在Scikit-learn庫(kù)中，實(shí)現(xiàn)邏輯回歸模型的類(lèi)名為L(zhǎng)ogisticRegression。7.時(shí)間解析思路：折線(xiàn)圖非常適合展示數(shù)據(jù)隨時(shí)間或其他有序類(lèi)別變化的趨勢(shì)或模式。8.提高模型學(xué)習(xí)（或表示能力）解析思路：特征工程的目標(biāo)是創(chuàng)建更能有效捕捉數(shù)據(jù)內(nèi)在規(guī)律和特征之間相互關(guān)系的表示，從而幫助機(jī)器學(xué)習(xí)模型更好地進(jìn)行學(xué)習(xí)和預(yù)測(cè)。9.MapReduce或Spark解析思路：處理超大規(guī)模數(shù)據(jù)時(shí)，常采用分布式計(jì)算框架。MapReduce是Hadoop的核心計(jì)算模型。ApacheSpark也是一個(gè)強(qiáng)大的分布式計(jì)算系統(tǒng)，常用于大數(shù)據(jù)處理和機(jī)器學(xué)習(xí)。10.留出法（Hold-outmethod）或保留法解析思路：留出法是將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，用訓(xùn)練集訓(xùn)練模型，用從未參與訓(xùn)練的測(cè)試集評(píng)估模型性能。這是除了交叉驗(yàn)證之外另一種常用的模型評(píng)估方法。三、簡(jiǎn)答題1.簡(jiǎn)述過(guò)擬合和欠擬合的概念，并分別說(shuō)明可能導(dǎo)致這兩種情況的原因。解析思路：*過(guò)擬合（Overfitting）：模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)非常好（誤差很低），但在未見(jiàn)過(guò)的新數(shù)據(jù)上表現(xiàn)很差（泛化能力差）。原因：模型過(guò)于復(fù)雜（如決策樹(shù)過(guò)深、神經(jīng)網(wǎng)絡(luò)層數(shù)或參數(shù)過(guò)多），學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，而非潛在的普遍規(guī)律。*欠擬合（Underfitting）：模型在訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)上都表現(xiàn)不好，誤差都很高。原因：模型過(guò)于簡(jiǎn)單（如線(xiàn)性模型擬合非線(xiàn)性關(guān)系、決策樹(shù)過(guò)淺），未能捕捉到數(shù)據(jù)中的基本模式?；蛘哂?xùn)練數(shù)據(jù)量不足、特征維度不夠、模型未經(jīng)過(guò)充分訓(xùn)練等。2.解釋什么是特征交叉（FeatureInteraction），并舉例說(shuō)明它在哪些場(chǎng)景下可能很重要。解析思路：*特征交叉：指的是輸入特征之間存在的聯(lián)合影響或相互依賴(lài)關(guān)系。在機(jī)器學(xué)習(xí)中，特征交叉指的是模型能夠?qū)W習(xí)到這些特征組合起來(lái)后的新信息，而不僅僅是單個(gè)特征獨(dú)立的影響。例如，模型學(xué)習(xí)到“年齡”和“收入”兩個(gè)特征的乘積項(xiàng)，或者學(xué)習(xí)到同時(shí)滿(mǎn)足“性別=女”和“購(gòu)買(mǎi)=是”的條件。*重要性場(chǎng)景：當(dāng)不同特征之間的組合能夠提供比單個(gè)特征更豐富的信息時(shí)非常重要。例如：*信用評(píng)分：收入和負(fù)債率結(jié)合比單獨(dú)看收入或負(fù)債率更有預(yù)測(cè)性。*銀行營(yíng)銷(xiāo)：年齡和收入水平結(jié)合預(yù)測(cè)客戶(hù)購(gòu)買(mǎi)理財(cái)產(chǎn)品意愿。*網(wǎng)頁(yè)點(diǎn)擊率：用戶(hù)訪(fǎng)問(wèn)時(shí)間（上午/下午）和廣告類(lèi)型結(jié)合比單獨(dú)看其中一項(xiàng)更能預(yù)測(cè)點(diǎn)擊率。3.簡(jiǎn)述使用K折交叉驗(yàn)證評(píng)估模型性能的基本步驟。解析思路：1.將整個(gè)數(shù)據(jù)集隨機(jī)劃分為K個(gè)大小相等（或近似相等）的互不重疊的子集，稱(chēng)為“折”（Fold），通常K取10或5。2.進(jìn)行K輪迭代。在第i輪（i=1,2,...,K）中：*將第i折作為測(cè)試集（TestSet），其余K-1折合并作為訓(xùn)練集（TrainingSet）。*使用這個(gè)訓(xùn)練集訓(xùn)練模型。*使用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，并計(jì)算評(píng)估指標(biāo)（如準(zhǔn)確率、MSE等）。3.對(duì)K輪評(píng)估得到的K個(gè)評(píng)估指標(biāo)值，計(jì)算它們的平均值（或其他統(tǒng)計(jì)量，如標(biāo)準(zhǔn)差），作為該模型在該數(shù)據(jù)集上的最終評(píng)估性能。四、計(jì)算題1.假設(shè)有以下一組樣本數(shù)據(jù)：[3,7,5,13,20,23,39,23,40,23,14,12,56,23,29]。計(jì)算該數(shù)據(jù)集的均值、中位數(shù)和方差（結(jié)果保留兩位小數(shù)）。解析思路：*均值（Mean）：所有數(shù)據(jù)之和除以數(shù)據(jù)個(gè)數(shù)。(3+7+5+13+20+23+39+23+40+23+14+12+56+23+29)/15=325/15=21.67*中位數(shù)（Median）：將數(shù)據(jù)排序后，找到中間位置的數(shù)值。數(shù)據(jù)已排序，共有15個(gè)數(shù)據(jù)點(diǎn)（奇數(shù)個(gè)），中位數(shù)是第(15+1)/2=8個(gè)位置的數(shù)值。排序后數(shù)據(jù)：[3,5,7,12,13,14,20,23,23,23,23,29,39,40,56]中位數(shù)=23*方差（Variance）：先計(jì)算每個(gè)數(shù)據(jù)與均值的差的平方，再求平均。均值=21.67(3-21.67)2+...+(29-21.67)2+(56-21.67)2=(-18.67)2+(-14.67)2+(-10.67)2+(-9.67)2+(-8.67)2+(-7.67)2+(-1.67)2+(1.33)2+(1.33)2+(1.33)2+(1.33)2+(7.33)2+(17.33)2+(18.33)2+(34.33)2=348.5689+215.1889+113.8489+93.5089+75.1689+58.8289+2.7889+1.7689+1.7689+1.7689+1.7689+53.7289+299.9289+334.5889+1178.5889=2890.621方差=2890.621/15≈193.37結(jié)果：均值=21.67，中位數(shù)=23，方差≈193.372.假設(shè)我們使用邏輯回歸模型對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，模型輸出了一個(gè)概率值P=0.75。如果我們將閾值（Threshold）設(shè)為0.6，那么這個(gè)樣本會(huì)被分類(lèi)為哪個(gè)類(lèi)別？請(qǐng)解釋你的判斷依據(jù)。解析思路：*判斷依據(jù)：在邏輯回歸中，通常將概率值P大于或等于預(yù)設(shè)閾值（Threshold）的樣本分類(lèi)為正類(lèi)（通常是1），將小于閾值的樣本分類(lèi)為負(fù)類(lèi)（通常是0）。*判斷過(guò)程：給定的概率值P=0.75，設(shè)定的閾值Threshold=0.6。因?yàn)镻(0.75)>=Threshold(0.6)。*結(jié)論：根據(jù)這個(gè)判斷規(guī)則，該樣本會(huì)被分類(lèi)為正類(lèi)（或類(lèi)別1）。五、分析論述題假設(shè)你正在參與一個(gè)電商平臺(tái)的用戶(hù)購(gòu)買(mǎi)行為分析項(xiàng)目。你的任務(wù)是利用歷史訂單數(shù)據(jù)，構(gòu)建一個(gè)模型來(lái)預(yù)測(cè)新用戶(hù)未來(lái)是否會(huì)購(gòu)買(mǎi)某個(gè)特定商品。請(qǐng)簡(jiǎn)要說(shuō)明：1.在構(gòu)建這個(gè)預(yù)測(cè)模型之前，你需要進(jìn)行哪些關(guān)鍵的數(shù)據(jù)預(yù)處理步驟？解析思路：*數(shù)據(jù)清洗：處理缺失值（決定丟棄還是填充，以及填充策略）、處理異常值（識(shí)別并決定處理方式，如修正或刪除）、處理重復(fù)數(shù)據(jù)。*數(shù)據(jù)整合：如果數(shù)據(jù)分散在多個(gè)表格（如用戶(hù)表、商品表、訂單表），需要將相關(guān)數(shù)據(jù)進(jìn)行合并，形成統(tǒng)一的特征矩陣。例如，將用戶(hù)基本信息、商品信息與訂單信息關(guān)聯(lián)起來(lái)。*數(shù)據(jù)類(lèi)型轉(zhuǎn)換：確保各字段的類(lèi)型正確（如將日期字段轉(zhuǎn)換為日期類(lèi)型、將分類(lèi)文本轉(zhuǎn)換為數(shù)值類(lèi)型）。*特征構(gòu)造/選擇：根據(jù)業(yè)務(wù)理解和數(shù)據(jù)分析，可能需要?jiǎng)?chuàng)建新的特征（如用戶(hù)歷史購(gòu)買(mǎi)頻率、商品類(lèi)別、用戶(hù)注冊(cè)時(shí)長(zhǎng)等）。同時(shí)，需要進(jìn)行特征選擇，剔除不相關(guān)或冗余的特征，以提高模型效率和性能。2.你可能會(huì)考慮使用哪些類(lèi)型的機(jī)器學(xué)習(xí)模型來(lái)構(gòu)建這個(gè)預(yù)測(cè)模型？請(qǐng)至少列舉兩種，并簡(jiǎn)要說(shuō)明選擇它們的理由。解析思路：*邏輯回歸（LogisticRegression）：*理由：邏輯回歸是預(yù)測(cè)二元分類(lèi)問(wèn)題（購(gòu)買(mǎi)/不購(gòu)買(mǎi)）的經(jīng)典且高效的基礎(chǔ)模型。它易于實(shí)現(xiàn)、計(jì)算成本低、結(jié)果可解釋性強(qiáng)（可以輸出購(gòu)買(mǎi)概率及各特征對(duì)概率的影響程度），適合作為基線(xiàn)模型進(jìn)行比較。*梯度提升決策樹(shù)（如XGBoost,LightGBM）：*理由：梯度提升樹(shù)類(lèi)模型通常在表格數(shù)據(jù)分類(lèi)任務(wù)中表現(xiàn)優(yōu)異，能夠自動(dòng)學(xué)習(xí)特征間的復(fù)雜非線(xiàn)性關(guān)系和交互作用。它們通常具有很高的預(yù)測(cè)精度，并且可以通過(guò)調(diào)參進(jìn)行優(yōu)化。雖然可能需要更多的調(diào)參和注意過(guò)擬合問(wèn)題，但其強(qiáng)大的性能使其成為非常有競(jìng)爭(zhēng)力的選擇。*（可選補(bǔ)充）隨機(jī)森林（RandomForest）：理由：作為集成學(xué)習(xí)方法，隨機(jī)森林能提供