2025年數(shù)據(jù)挖掘與分析考試試卷及答案一、單項選擇題（每題2分，共20分）1.以下哪項不屬于數(shù)據(jù)預處理中的常見任務？A.缺失值處理B.特征縮放C.模型調參D.異常值檢測2.在分類問題中，若樣本類別極不均衡（如正類占1%），最不適合的評估指標是？A.準確率B.F1-scoreC.AUC-ROCD.召回率3.關聯(lián)規(guī)則挖掘中，若某規(guī)則的支持度為0.3，置信度為0.8，提升度為1.2，則以下說法正確的是？A.該規(guī)則的發(fā)生完全獨立于項集的先驗概率B.提升度>1說明規(guī)則有效，項集間存在正相關C.支持度0.3表示30%的事務同時包含前件和后件D.置信度0.8表示前件出現(xiàn)時后件出現(xiàn)的概率為20%4.K-means聚類的核心優(yōu)化目標是？A.最小化類內平方和B.最大化類間距離C.最小化輪廓系數(shù)D.最大化DB指數(shù)5.以下哪種算法不屬于集成學習？A.隨機森林B.XGBoostC.邏輯回歸D.AdaBoost6.決策樹中，信息增益的計算基于？A.基尼系數(shù)B.信息熵C.均方誤差D.互信息7.在時間序列預測中，ARIMA模型的“MA”代表？A.自回歸B.移動平均C.差分D.季節(jié)調整8.以下哪種降維方法屬于線性降維？A.t-SNEB.主成分分析（PCA）C.局部線性嵌入（LLE）D.拉普拉斯特征映射9.文本挖掘中，TF-IDF的主要作用是？A.提取文本主題B.衡量詞的重要性C.實現(xiàn)文本分類D.提供詞向量10.若某模型在訓練集上的準確率為95%，測試集上的準確率為60%，最可能的原因是？A.數(shù)據(jù)泄露B.欠擬合C.過擬合D.特征不足二、填空題（每空1分，共15分）1.數(shù)據(jù)清洗中，處理缺失值的方法包括刪除記錄、______、______（列舉兩種）。2.分類模型評估中，精確率（Precision）的計算公式是______，召回率（Recall）的計算公式是______。3.關聯(lián)規(guī)則挖掘中，Apriori算法的核心思想是______。4.聚類算法中，DBSCAN的全稱是______，其關鍵參數(shù)是______和______。5.集成學習的兩種主要框架是______（如隨機森林）和______（如AdaBoost）。6.時間序列的四個基本成分是趨勢、______、______和隨機波動。7.特征工程中，對類別型特征的常用處理方法包括______（如性別→0/1）和______（如地區(qū)→多個二進制特征）。三、簡答題（每題8分，共40分）1.簡述數(shù)據(jù)預處理在數(shù)據(jù)挖掘流程中的重要性，并列舉至少3種預處理技術及其應用場景。2.對比分類任務與回歸任務的異同，各舉一個實際應用案例。3.解釋過擬合的概念，說明其產(chǎn)生原因及3種常用解決方法。4.關聯(lián)規(guī)則中的“支持度-置信度框架”存在哪些局限性？如何通過提升度（Lift）改進？5.簡述K-means算法的步驟，并分析其優(yōu)缺點（各至少2點）。四、應用題（共25分）（一）數(shù)據(jù)預處理（8分）某電商用戶行為數(shù)據(jù)集包含以下字段：用戶ID（整數(shù)）、年齡（缺失率15%）、性別（缺失率5%）、購物金額（存在異常值）、最近一次購物時間（時間戳）。要求：設計一套預處理方案，包括缺失值處理、異常值檢測、時間特征提取的具體方法，并說明選擇依據(jù)。（二）分類模型構建（9分）使用某銀行客戶違約數(shù)據(jù)集（特征包括收入、負債比、歷史逾期次數(shù)等，標簽為是否違約），要求：1.選擇兩種分類算法（如邏輯回歸、隨機森林），簡述其原理差異；2.設計模型評估流程（包括數(shù)據(jù)劃分、評估指標選擇及原因）；3.若模型在訓練集上表現(xiàn)良好但測試集差，提出3種優(yōu)化策略。（三）聚類分析（8分）某零售企業(yè)希望通過客戶購買數(shù)據(jù)（字段：年消費金額、購買頻率、最近一次購買時間間隔）進行分群，要求：1.選擇合適的聚類算法（說明理由）；2.設計特征預處理步驟（包括標準化方法選擇）；3.若聚類結果需業(yè)務解釋，提出2個分析維度（如高價值客戶特征）。答案一、單項選擇題1.C2.A3.B4.A5.C6.B7.B8.B9.B10.C二、填空題1.均值/中位數(shù)填充、回歸預測填充（或熱卡填充等）；2.TP/(TP+FP)、TP/(TP+FN)；3.先驗性質（頻繁項集的所有子集也必須是頻繁的）；4.基于密度的空間聚類應用噪聲、鄰域半徑ε、最小樣本數(shù)MinPts；5.Bagging、Boosting；6.季節(jié)成分、循環(huán)成分；7.標簽編碼、獨熱編碼（或虛擬變量編碼）。三、簡答題1.重要性：原始數(shù)據(jù)通常存在噪聲、缺失、冗余等問題，直接建模會降低模型性能和可靠性。預處理技術：-缺失值處理（如年齡用中位數(shù)填充，因年齡分布可能偏態(tài)）；-異常值檢測（如購物金額用IQR法，因可能存在極端高消費）；-特征標準化（如Z-score標準化，消除量綱影響）。2.相同點：均為監(jiān)督學習，需標簽訓練；不同點：分類輸出離散類別（如用戶是否流失），回歸輸出連續(xù)值（如用戶下季度消費金額）。案例：分類-信用卡欺詐檢測，回歸-房價預測。3.過擬合：模型在訓練集表現(xiàn)好但泛化能力差。原因：模型復雜度高、數(shù)據(jù)量小、噪聲敏感。解決方法：正則化（如L2正則）、增加數(shù)據(jù)、早停法、特征選擇。4.局限性：支持度低的規(guī)則可能被忽略（如小眾但高價值規(guī)則）；置信度未考慮項集自身頻率（如后件本身高頻可能虛增置信度）。提升度=置信度/(后件支持度)，反映規(guī)則的實際增益，>1表示正相關，=1表示獨立，<1表示負相關。5.步驟：①隨機初始化K個質心；②分配樣本到最近質心；③更新質心；④重復至質心不再變化或迭代結束。優(yōu)點：計算高效、易實現(xiàn)；缺點：需預設K值、對初始質心敏感、無法處理非凸形狀簇。四、應用題（一）預處理方案：-缺失值處理：年齡用用戶分組的中位數(shù)填充（如按性別、購物金額分組），因年齡與其他特征可能相關；性別用眾數(shù)填充（缺失率低，性別分布集中）。-異常值檢測：購物金額用IQR法（計算Q1、Q3，定義上下界為Q1-1.5IQR和Q3+1.5IQR），因金額可能存在少量極端值（如大額訂單），不直接刪除而用上下界截斷，保留業(yè)務意義。-時間特征提?。簩⒆罱淮钨徫飼r間轉換為“距離當前天數(shù)”（反映活躍程度），并提取月份、星期（分析季節(jié)性）。（二）分類模型構建：1.邏輯回歸（線性模型，通過sigmoid函數(shù)輸出概率，適用于線性可分數(shù)據(jù)）與隨機森林（集成方法，多棵決策樹投票，能捕捉非線性關系）。2.評估流程：①按7:2:1劃分訓練集、驗證集、測試集（分層抽樣保證類別分布）；②評估指標選F1-score（平衡精確率與召回率，解決類別不平衡）和AUC-ROC（衡量模型區(qū)分能力）。3.優(yōu)化策略：①增加正則化參數(shù)（如邏輯回歸的C，隨機森林的max_depth）；②過采樣/欠采樣處理不平衡數(shù)據(jù)；③特征工程（如添加交互特征、刪除冗余特征）。（三）聚類分析：1.選擇K-means（因數(shù)據(jù)為數(shù)值型，目標是發(fā)現(xiàn)球形簇，且計