2025年大學(xué)《信息與計(jì)算科學(xué)》專業(yè)題庫——信息與計(jì)算科學(xué)中的知識發(fā)現(xiàn)技術(shù)考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分。請將正確選項(xiàng)的字母填在題后的括號內(nèi)）1.在知識發(fā)現(xiàn)過程（KDD）中，通常被認(rèn)為是數(shù)據(jù)量最大、最費(fèi)時的階段是？(A)數(shù)據(jù)選擇(B)數(shù)據(jù)預(yù)處理(C)數(shù)據(jù)轉(zhuǎn)換(D)模型構(gòu)建與評估2.下列哪種技術(shù)主要用于處理數(shù)據(jù)中的缺失值？(A)數(shù)據(jù)規(guī)范化(B)數(shù)據(jù)集成(C)數(shù)據(jù)離散化(D)填補(bǔ)缺失值（如均值、中位數(shù)、眾數(shù)、回歸等）3.決策樹算法中，常用的用于選擇分裂屬性（特征）的指標(biāo)是？(A)相關(guān)系數(shù)(B)熵（Entropy）或信息增益（InformationGain）(C)方差分析（ANOVA）(D)皮爾遜相關(guān)系數(shù)4.在分類問題中，混淆矩陣主要用于評估分類模型的性能。其中，真陽性（TP）是指？(A)被模型正確預(yù)測為正類的正類樣本數(shù)(B)被模型正確預(yù)測為負(fù)類的正類樣本數(shù)(C)被模型錯誤預(yù)測為正類的負(fù)類樣本數(shù)(D)被模型錯誤預(yù)測為負(fù)類的負(fù)類樣本數(shù)5.聚類分析的目標(biāo)是將數(shù)據(jù)劃分為若干個組（簇），使得同一簇內(nèi)的數(shù)據(jù)點(diǎn)相似度高，不同簇之間的數(shù)據(jù)點(diǎn)相似度低。衡量簇內(nèi)相似性的一個常用指標(biāo)是？(A)距離矩陣(B)類別標(biāo)簽(C)簇間距離(D)簇內(nèi)平方和（Within-ClusterSumofSquares,WCSS）6.Apriori算法的核心思想是利用項(xiàng)集的先驗(yàn)性質(zhì)，即頻繁項(xiàng)集的所有非空子集也必須是頻繁的。它主要適用于挖掘哪種類型的模式？(A)序列模式(B)關(guān)聯(lián)規(guī)則(C)聚類模式(D)分類規(guī)則7.異常檢測（AnomalyDetection）旨在識別與大多數(shù)數(shù)據(jù)顯著不同的數(shù)據(jù)點(diǎn)或模式。與分類任務(wù)相比，異常檢測通常面臨的主要挑戰(zhàn)是？(A)需要大量的標(biāo)記訓(xùn)練數(shù)據(jù)(B)正類（異常）樣本通常遠(yuǎn)少于負(fù)類（正常）樣本(C)需要設(shè)計(jì)復(fù)雜的分類邊界(D)模型解釋性要求通常較低8.特征選擇的目標(biāo)是？(A)增加數(shù)據(jù)的維度(B)減少數(shù)據(jù)的維度，同時保留最有信息量的特征(C)對所有特征進(jìn)行歸一化(D)對所有特征進(jìn)行標(biāo)準(zhǔn)化9.交叉驗(yàn)證（Cross-Validation）是一種常用的模型評估方法，其主要目的是？(A)提高模型的過擬合程度(B)減少模型的訓(xùn)練時間(C)評估模型在未知數(shù)據(jù)上的泛化能力(D)選擇最優(yōu)的模型參數(shù)10.以下哪種算法屬于無監(jiān)督學(xué)習(xí)算法？(A)支持向量機(jī)（SVM）用于分類(B)決策樹用于回歸(C)K-Means聚類算法(D)線性回歸用于預(yù)測二、填空題（每空1分，共15分。請將答案填在橫線上）1.知識發(fā)現(xiàn)過程（KDD）通常包括數(shù)據(jù)選擇、______、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)挖掘、模型評估和知識表示等主要步驟。2.在處理高維數(shù)據(jù)時，可能出現(xiàn)“維度災(zāi)難”問題，常用的降維方法有主成分分析（PCA）和______。3.決策樹模型具有易于理解、能處理混合類型屬性等優(yōu)點(diǎn)，但其缺點(diǎn)是容易______，即對于訓(xùn)練數(shù)據(jù)中的噪聲點(diǎn)或異常點(diǎn)過于敏感。4.用于衡量數(shù)據(jù)點(diǎn)之間相似度或距離的度量有多種，例如______距離、歐氏距離和曼哈頓距離等。5.關(guān)聯(lián)規(guī)則挖掘中，“支持度”表示一個項(xiàng)集在所有事務(wù)中出現(xiàn)的頻率，“______”表示一個項(xiàng)集被同時購買或出現(xiàn)在一個事務(wù)中的所有其他項(xiàng)集的頻率。6.在分類任務(wù)中，如果一個模型對訓(xùn)練數(shù)據(jù)學(xué)習(xí)得非常好，但對新的、未見過的數(shù)據(jù)表現(xiàn)很差，則稱該模型存在______問題。7.聚類算法K-Means的核心思想是迭代地選擇數(shù)據(jù)點(diǎn)作為聚類中心，并將其他數(shù)據(jù)點(diǎn)分配給距離最近的聚類中心，直到聚類中心不再改變或達(dá)到預(yù)設(shè)的迭代次數(shù)。8.對于不平衡的數(shù)據(jù)集，即正負(fù)類樣本數(shù)量差異很大，常用的處理方法包括過采樣（如SMOTE）、欠采樣以及調(diào)整______等。9.異常檢測方法主要分為三大類：基于統(tǒng)計(jì)的方法、基于距離的方法和基于密度的方法。DBSCAN算法屬于______方法。10.特征選擇方法根據(jù)其是否考慮特征間的相關(guān)性，可以分為過濾法、包裹法和______。三、簡答題（每題5分，共20分。請簡明扼要地回答下列問題）1.簡述數(shù)據(jù)預(yù)處理在知識發(fā)現(xiàn)過程中的重要性。2.簡要說明決策樹算法中的“過擬合”現(xiàn)象及其產(chǎn)生的原因。3.解釋關(guān)聯(lián)規(guī)則中的“置信度”指標(biāo)的含義。4.K-Means聚類算法的基本步驟是什么？四、計(jì)算題（每題10分，共20分。請寫出詳細(xì)的計(jì)算過程和結(jié)果）1.給定一個簡化后的數(shù)據(jù)集如下（特征為A和B，類別為C1和C2）：|A|B|C||---|---|---||1|1|C1||1|2|C1||2|1|C2||2|2|C2||1|1|C1|假設(shè)要使用K=2的K-Means算法進(jìn)行聚類，初始聚類中心隨機(jī)選擇為（1,1）和（2,2）。請完成第一輪的聚類分配和聚類中心更新（計(jì)算新的中心坐標(biāo)）。（提示：計(jì)算距離時可使用歐氏距離）2.假設(shè)有一個關(guān)聯(lián)規(guī)則挖掘任務(wù)，發(fā)現(xiàn)項(xiàng)集{牛奶,豆?jié){}的支持度為0.6（即60%的事務(wù)中包含牛奶和豆?jié){），置信度為0.8。請解釋這兩個指標(biāo)的數(shù)值含義，并說明這個關(guān)聯(lián)規(guī)則{牛奶,豆?jié){}=>{豆?jié){}具有怎樣的實(shí)際意義？（無需計(jì)算）五、算法設(shè)計(jì)題（15分。請描述算法的基本思想并給出主要步驟）設(shè)計(jì)一個簡單的基于距離的異常檢測算法框架。說明你將如何定義“異常”點(diǎn)，并簡述檢測過程。你需要考慮如何選擇合適的距離度量以及如何設(shè)定異常閾值。試卷答案一、選擇題1.B解析：知識發(fā)現(xiàn)過程（KDD）中，數(shù)據(jù)預(yù)處理階段（包括數(shù)據(jù)清洗、集成、轉(zhuǎn)換、規(guī)約）通常涉及的數(shù)據(jù)量最大，因?yàn)樵紨?shù)據(jù)往往是海量的且質(zhì)量參差不齊，需要花費(fèi)大量時間進(jìn)行清洗和整理。2.D解析：處理數(shù)據(jù)中的缺失值是數(shù)據(jù)預(yù)處理的重要環(huán)節(jié)，常用的方法包括刪除含有缺失值的記錄、填充缺失值（如使用均值、中位數(shù)、眾數(shù)、回歸預(yù)測等）以及使用模型預(yù)測缺失值。3.B解析：決策樹算法在選擇分裂屬性時，常用的指標(biāo)是信息增益（InformationGain）或其變種（如信息增益率、基尼不純度）。這些指標(biāo)衡量了分裂前后數(shù)據(jù)集不確定性（不純度）的減少程度。4.A解析：在混淆矩陣中，真陽性（TP）表示被模型正確預(yù)測為正類的正類樣本數(shù)量。它是衡量模型識別出真正正類樣本能力的關(guān)鍵指標(biāo)之一。5.D解析：衡量簇內(nèi)相似性的常用指標(biāo)是簇內(nèi)平方和（WCSS），它表示一個簇內(nèi)所有數(shù)據(jù)點(diǎn)到該簇中心的距離（通常是平方距離）之和。WCSS越小，表示簇內(nèi)數(shù)據(jù)點(diǎn)越緊密。6.B解析：Apriori算法是一種經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法，其核心思想是基于項(xiàng)集的先驗(yàn)性質(zhì)，即頻繁項(xiàng)集的所有非空子集也必須是頻繁的。它主要用于發(fā)現(xiàn)數(shù)據(jù)項(xiàng)之間頻繁同時出現(xiàn)的關(guān)聯(lián)關(guān)系。7.B解析：異常檢測通常面臨的主要挑戰(zhàn)是正負(fù)類樣本不平衡，即正常樣本（負(fù)類）數(shù)量遠(yuǎn)多于異常樣本（正類）。這使得模型很容易被大量正常樣本“淹沒”，難以有效識別出少數(shù)異常樣本。8.B解析：特征選擇的目標(biāo)是從原始特征集中選擇出最具代表性和區(qū)分能力的子集，以降低數(shù)據(jù)維度，減少冗余信息，提高模型性能和可解釋性。9.C解析：交叉驗(yàn)證的主要目的是通過將數(shù)據(jù)集劃分為多個子集，交替使用不同子集作為驗(yàn)證集和訓(xùn)練集，來更可靠地評估模型在未知數(shù)據(jù)上的泛化能力，減少單一劃分帶來的偶然性。10.C解析：K-Means聚類算法是一種無監(jiān)督學(xué)習(xí)算法，它將數(shù)據(jù)點(diǎn)根據(jù)特征空間的距離劃分為若干個簇，不需要預(yù)先標(biāo)記的訓(xùn)練數(shù)據(jù)。其他選項(xiàng)中的算法（SVM分類、決策樹回歸、線性回歸）都是監(jiān)督學(xué)習(xí)算法。二、填空題1.數(shù)據(jù)預(yù)處理解析：知識發(fā)現(xiàn)過程（KDD）的第一步通常是數(shù)據(jù)選擇，接著是數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)清洗、集成、轉(zhuǎn)換和規(guī)約，這是最耗時也往往是關(guān)鍵的一步。2.降維技術(shù)（或特征抽取）解析：高維數(shù)據(jù)會帶來“維度災(zāi)難”，使得計(jì)算復(fù)雜度增加，模型性能下降。降維技術(shù)（如PCA）和特征抽取方法（如LDA）是常用的處理手段。3.過擬合解析：決策樹容易生成非常復(fù)雜的樹結(jié)構(gòu)，能夠完美擬合訓(xùn)練數(shù)據(jù)，但同時也可能學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲和隨機(jī)波動，導(dǎo)致在新數(shù)據(jù)上表現(xiàn)不佳，這就是過擬合。4.（任意一種，如）馬氏解析：衡量數(shù)據(jù)點(diǎn)之間相似度或距離的度量有多種，常用的有馬氏距離、歐氏距離、曼哈頓距離等。題目要求填一種即可。5.提升度（Lift）解析：關(guān)聯(lián)規(guī)則挖掘中，“支持度”衡量項(xiàng)集的普遍性，“提升度”衡量項(xiàng)集A和項(xiàng)集B同時出現(xiàn)的概率與項(xiàng)集B單獨(dú)出現(xiàn)的概率相比，提升或降低的程度。Lift=P(B|A)/P(B)。6.過擬合解析：模型對訓(xùn)練數(shù)據(jù)學(xué)習(xí)得非常好，說明其復(fù)雜度可能過高，學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲，而對新數(shù)據(jù)泛化能力差，即存在過擬合問題。7.（任意合理描述，如）迭代更新中心點(diǎn)并分配樣本解析：K-Means算法的核心是迭代過程：首先隨機(jī)選擇K個點(diǎn)作為初始聚類中心，然后根據(jù)樣本到各中心的距離將樣本分配給最近的中心，接著根據(jù)各簇樣本計(jì)算新的中心點(diǎn)，重復(fù)直到中心點(diǎn)不再變化或達(dá)到最大迭代次數(shù)。8.類別平衡（或類別權(quán)重）解析：處理不平衡數(shù)據(jù)集的方法包括過采樣、欠采樣以及調(diào)整模型訓(xùn)練過程中的類別權(quán)重等，目的是使模型不過分偏向多數(shù)類，能更好地識別少數(shù)類（異?；蛏贁?shù)類）。9.基于密度的解析：異常檢測方法主要分為基于統(tǒng)計(jì)的方法、基于距離的方法和基于密度的方法。DBSCAN算法屬于基于密度的方法，它將密度大的區(qū)域劃分為簇，而密度小的區(qū)域中的點(diǎn)被視為異常點(diǎn)。10.嵌入法（或綜合法）解析：特征選擇方法根據(jù)是否考慮特征間的相關(guān)性，可以分為過濾法（不考慮）、包裹法（考慮）、嵌入法（在模型訓(xùn)練過程中自動進(jìn)行特征選擇）。三、簡答題1.數(shù)據(jù)預(yù)處理在知識發(fā)現(xiàn)過程中的重要性體現(xiàn)在：原始數(shù)據(jù)通常是龐大、雜亂且包含噪聲的，直接進(jìn)行數(shù)據(jù)挖掘效果往往不佳甚至無法進(jìn)行。數(shù)據(jù)預(yù)處理通過清洗（處理缺失值、異常值）、集成（合并多個數(shù)據(jù)源）、轉(zhuǎn)換（規(guī)范化、離散化）和規(guī)約（維度約簡）等步驟，可以提高數(shù)據(jù)的質(zhì)量，減少噪聲干擾，使數(shù)據(jù)更適合后續(xù)的挖掘算法，從而提高知識發(fā)現(xiàn)的效率和準(zhǔn)確性，最終保證知識發(fā)現(xiàn)過程的成功和有效性。2.決策樹算法中的“過擬合”現(xiàn)象是指模型學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中包含的噪聲和隨機(jī)波動，導(dǎo)致模型對訓(xùn)練數(shù)據(jù)擬合得非常好（訓(xùn)練誤差很?。珔s失去了對未見過的數(shù)據(jù)的泛化能力，在測試數(shù)據(jù)或新數(shù)據(jù)上表現(xiàn)很差（測試誤差很大）。產(chǎn)生的原因通常包括：決策樹的生長策略傾向于無限分裂，直到每個葉子節(jié)點(diǎn)只包含一個樣本或滿足停止條件，容易捕捉到訓(xùn)練數(shù)據(jù)中的細(xì)節(jié)和噪聲；缺乏對樹復(fù)雜度的約束，導(dǎo)致生成的樹過于龐大。3.關(guān)聯(lián)規(guī)則中的“置信度”指標(biāo)衡量的是在購買（或出現(xiàn)）了項(xiàng)集A的情況下，同時購買（或出現(xiàn)）項(xiàng)集B的可能性。其計(jì)算公式為：置信度(A=>B)=P(B|A)=支持度(AUB)/支持度(A)。置信度越高，表示規(guī)則A=>B越可靠，即當(dāng)A發(fā)生時，B發(fā)生的概率越大。例如，置信度為80%表示在包含A的事務(wù)中，有80%也同時包含了B。4.K-Means聚類算法的基本步驟如下：(1)初始化：隨機(jī)選擇K個數(shù)據(jù)點(diǎn)作為初始聚類中心。(2)分配：計(jì)算每個數(shù)據(jù)點(diǎn)到所有K個聚類中心的距離，將每個數(shù)據(jù)點(diǎn)分配給距離最近的聚類中心，形成K個簇。(3)更新：對于每個簇，計(jì)算該簇中所有數(shù)據(jù)點(diǎn)的均值（或中心點(diǎn)），并將該均值作為新的聚類中心。(4)重復(fù)：重復(fù)步驟(2)和步驟(3)，即重新分配數(shù)據(jù)點(diǎn)到新的聚類中心，然后更新聚類中心，直到聚類中心不再發(fā)生變化，或者達(dá)到預(yù)設(shè)的最大迭代次數(shù)。最終得到的K個聚類中心即為結(jié)果簇中心。四、計(jì)算題1.第一輪聚類分配：*計(jì)算各點(diǎn)到初始中心（1,1）和（2,2）的距離：*(1,1):距離(1,1)=sqrt((1-1)2+(1-1)2)=0;距離(2,2)=sqrt((1-2)2+(1-2)2)=sqrt(2)*(1,2):距離(1,1)=sqrt((1-1)2+(2-1)2)=1;距離(2,2)=sqrt((1-2)2+(2-2)2)=1*(2,1):距離(1,1)=sqrt((2-1)2+(1-1)2)=1;距離(2,2)=sqrt((2-2)2+(1-2)2)=1*(2,2):距離(1,1)=sqrt((2-1)2+(2-1)2)=sqrt(2);距離(2,2)=sqrt((2-2)2+(2-2)2)=0*(1,1):距離(1,1)=0;距離(2,2)=sqrt(2)*分配：根據(jù)最小距離原則，將點(diǎn)分配給最近中心。結(jié)果為：中心(1,1)的簇包含點(diǎn)(1,1),(1,2),(1,1)；中心(2,2)的簇包含點(diǎn)(2,1),(2,2)。*聚類中心更新：*新中心(1,1)：取(1,1),(1,2),(1,1)的平均值，即中心為(1,1+2+1)/3=(1,4/3)=(1,1.333...)。*新中心(2,2)：取(2,1),(2,2)的平均值，即中心為(2+2,1+2)/2=(4,3)/2=(2,1.5)。*結(jié)果：第一輪聚類分配后，兩個簇的中心分別更新為(1,1.333...)和(2,1.5)。2.解釋：*支持度（Support度）：項(xiàng)集{牛奶,豆?jié){}的支持度為0.6，意味著在所有被考察的事務(wù)（例如購物籃）中，同時包含“牛奶”和“豆?jié){”這兩個商品的比例是60%。這表示“牛奶和豆?jié){”同時被購買是一個相對常見的模式。*置信度（Confidence度）：關(guān)聯(lián)規(guī)則{牛奶,豆?jié){}=>{豆?jié){}的置信度為0.8，意味著在所有包含“牛奶”和“豆?jié){”這兩個商品的事務(wù)中，同時包含“豆?jié){”這個商品的比例是80%?；蛘哒f，如果一對顧客同時購買了“牛奶”和“豆?jié){”，那么這80%的顧客也會同時購買“豆?jié){”。*實(shí)際意義：這個關(guān)聯(lián)規(guī)則表明，“牛奶”和“豆?jié){”之間存在較強(qiáng)的關(guān)聯(lián)關(guān)系。商家可以根據(jù)這個規(guī)