2025年數(shù)據(jù)挖掘測試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪種數(shù)據(jù)預(yù)處理方法最適用于處理時(shí)間序列數(shù)據(jù)中的缺失值？A.均值填充B.前向填充（FFill）C.回歸填充D.眾數(shù)填充2.在特征工程中，對(duì)類別型特征進(jìn)行獨(dú)熱編碼（One-HotEncoding）時(shí)，若某特征有k個(gè)不同取值，通常會(huì)提供多少個(gè)新特征？A.kB.k-1C.k+1D.2k3.以下哪項(xiàng)不是集成學(xué)習(xí)中提升（Boosting）方法的典型特征？A.基學(xué)習(xí)器之間存在依賴關(guān)系B.通過加權(quán)投票組合基學(xué)習(xí)器C.重點(diǎn)關(guān)注前序模型錯(cuò)誤分類的樣本D.通常降低偏差而非方差4.評(píng)估分類模型時(shí)，若正類樣本極稀有（如1%），最不適合使用的指標(biāo)是？A.準(zhǔn)確率（Accuracy）B.F1分?jǐn)?shù)C.ROC-AUCD.召回率（Recall）5.某決策樹模型在訓(xùn)練集上的準(zhǔn)確率為98%，測試集上為65%，最可能的原因是？A.學(xué)習(xí)率過高B.樹的深度過深C.正則化參數(shù)過大D.特征維度不足6.關(guān)聯(lián)規(guī)則挖掘中，支持度（Support）的計(jì)算公式是？A.包含X和Y的事務(wù)數(shù)/總事務(wù)數(shù)B.包含X的事務(wù)數(shù)中同時(shí)包含Y的比例C.包含Y的事務(wù)數(shù)中同時(shí)包含X的比例D.（包含X和Y的事務(wù)數(shù)）2/（包含X的事務(wù)數(shù)×包含Y的事務(wù)數(shù)）7.K-means聚類的目標(biāo)函數(shù)是最小化？A.樣本到質(zhì)心的曼哈頓距離之和B.樣本到質(zhì)心的歐氏距離平方和C.類間方差與類內(nèi)方差的比值D.輪廓系數(shù)的絕對(duì)值8.以下哪種算法屬于提供式模型？A.邏輯回歸B.支持向量機(jī)（SVM）C.樸素貝葉斯D.隨機(jī)森林9.在神經(jīng)網(wǎng)絡(luò)中，使用ReLU激活函數(shù)的主要目的是？A.解決梯度消失問題B.增加模型非線性表達(dá)能力C.提高計(jì)算效率D.以上都是10.時(shí)間序列預(yù)測中，若數(shù)據(jù)存在明顯的季節(jié)性波動(dòng)（周期為12個(gè)月），應(yīng)優(yōu)先考慮添加以下哪種特征？A.滯后1期特征（t-1）B.滯后12期特征（t-12）C.移動(dòng)平均（MA）窗口大小為3D.指數(shù)平滑系數(shù)α=0.5二、填空題（每題2分，共20分）1.數(shù)據(jù)清洗中處理異常值的常用方法包括（）、（）和轉(zhuǎn)換處理（如對(duì)數(shù)變換）。2.特征選擇的主要方法可分為過濾法、（）和（）。3.隨機(jī)森林中的“隨機(jī)”體現(xiàn)在（）和（）兩個(gè)層面。4.評(píng)估回歸模型的常用指標(biāo)有均方誤差（MSE）、（）和（）。5.K近鄰（KNN）算法的核心假設(shè)是（）。6.主成分分析（PCA）的目標(biāo)是找到一組（）的正交變量，使得數(shù)據(jù)在這些變量上的（）最大。7.梯度提升樹（GBM）中，每一輪迭代擬合的是（）。8.聚類算法中，DBSCAN的核心參數(shù)是（）和（）。9.協(xié)同過濾推薦系統(tǒng)分為（）和（）兩種類型。10.文本數(shù)據(jù)挖掘中，TF-IDF的計(jì)算公式為（）。三、簡答題（每題8分，共40分）1.簡述數(shù)據(jù)預(yù)處理中“數(shù)據(jù)標(biāo)準(zhǔn)化”與“數(shù)據(jù)歸一化”的區(qū)別，并說明各自的適用場景。2.解釋過擬合與欠擬合的定義，分別列舉三種解決方法。3.對(duì)比決策樹與神經(jīng)網(wǎng)絡(luò)在可解釋性、計(jì)算復(fù)雜度和泛化能力上的差異。4.說明如何通過混淆矩陣計(jì)算精確率（Precision）、召回率（Recall）和F1分?jǐn)?shù)，并解釋F1分?jǐn)?shù)的意義。5.描述K-means算法的步驟，并分析其優(yōu)缺點(diǎn)（至少各兩點(diǎn)）。四、編程題（20分）使用Python的scikit-learn庫，基于“銀行客戶churn預(yù)測”數(shù)據(jù)集（假設(shè)已加載為DataFrame，命名為df，特征包括年齡、賬戶余額、信用評(píng)分、是否有信用卡等，目標(biāo)變量為“是否流失（churn，1表示流失）”），完成以下任務(wù)：（1）對(duì)類別型特征進(jìn)行編碼，數(shù)值型特征進(jìn)行標(biāo)準(zhǔn)化處理；（2）劃分訓(xùn)練集和測試集（測試集占比20%，隨機(jī)種子設(shè)為42）；（3）使用隨機(jī)森林分類器訓(xùn)練模型，調(diào)整n_estimators（候選值[50,100,200]）和max_depth（候選值[5,10,None]）參數(shù)，通過5折交叉驗(yàn)證選擇最優(yōu)參數(shù)；（4）在測試集上評(píng)估模型性能，輸出準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)和ROC-AUC值；（5）繪制特征重要性圖（至少包含前10個(gè)重要特征）。答案一、單項(xiàng)選擇題1.B（時(shí)間序列數(shù)據(jù)具有時(shí)序依賴性，前向填充能保留時(shí)間連續(xù)性）2.B（避免多重共線性，通常去掉一個(gè)類別）3.B（提升方法通過加權(quán)誤差更新樣本權(quán)重，而非加權(quán)投票）4.A（正類稀有導(dǎo)致準(zhǔn)確率被負(fù)類主導(dǎo)，無法反映真實(shí)性能）5.B（過擬合表現(xiàn)為訓(xùn)練集效果遠(yuǎn)好于測試集，樹深度過深易導(dǎo)致過擬合）6.A（支持度=同時(shí)包含X和Y的事務(wù)數(shù)/總事務(wù)數(shù)）7.B（K-means目標(biāo)是最小化樣本到所屬質(zhì)心的歐氏距離平方和）8.C（樸素貝葉斯通過學(xué)習(xí)聯(lián)合概率分布提供樣本，屬于提供式模型）9.D（ReLU同時(shí)解決梯度消失、增加非線性、計(jì)算高效）10.B（季節(jié)性周期為12，滯后12期能捕捉年度重復(fù)模式）二、填空題1.刪除異常值；視為缺失值處理2.包裹法；嵌入法3.樣本隨機(jī)抽樣（自助采樣）；特征隨機(jī)選擇4.均方根誤差（RMSE）；決定系數(shù)（R2）5.相似樣本具有相似的輸出6.不相關(guān)（或正交）；方差7.前一輪模型的殘差（或負(fù)梯度）8.鄰域半徑（eps）；最小樣本數(shù)（min_samples）9.用戶協(xié)同過濾；物品協(xié)同過濾10.TF（詞頻）×IDF（逆文檔頻率，log(總文檔數(shù)/(包含該詞的文檔數(shù)+1))）三、簡答題1.區(qū)別：標(biāo)準(zhǔn)化（Z-score）將數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布，公式為(X-μ)/σ；歸一化（Min-Max）將數(shù)據(jù)縮放到[0,1]區(qū)間，公式為(X-X_min)/(X_max-X_min)。適用場景：標(biāo)準(zhǔn)化適用于數(shù)據(jù)分布未知或存在異常值（對(duì)量綱不敏感），如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等需要梯度優(yōu)化的模型；歸一化適用于需要保留數(shù)據(jù)原始范圍的場景（如圖像像素值）或模型對(duì)特征范圍敏感（如KNN）。2.過擬合：模型在訓(xùn)練集上表現(xiàn)好，但測試集上泛化能力差（學(xué)習(xí)了噪聲）；欠擬合：模型在訓(xùn)練集和測試集上表現(xiàn)均差（未捕捉數(shù)據(jù)規(guī)律）。解決過擬合方法：增加數(shù)據(jù)量、正則化（L1/L2）、降低模型復(fù)雜度（如決策樹剪枝）、早停法。解決欠擬合方法：增加模型復(fù)雜度（如神經(jīng)網(wǎng)絡(luò)加層）、特征工程（添加高階特征）、減少正則化強(qiáng)度。3.可解釋性：決策樹通過樹結(jié)構(gòu)和分裂規(guī)則直接解釋，可解釋性高；神經(jīng)網(wǎng)絡(luò)是“黑箱”，需通過SHAP、LIME等方法間接解釋。計(jì)算復(fù)雜度：決策樹訓(xùn)練復(fù)雜度為O(nmlogn)（n樣本數(shù)，m特征數(shù)），神經(jīng)網(wǎng)絡(luò)（尤其是深度模型）涉及大量參數(shù)迭代，計(jì)算復(fù)雜度更高。泛化能力：決策樹易過擬合（需剪枝），隨機(jī)森林等集成方法可提升泛化；神經(jīng)網(wǎng)絡(luò)通過正則化（Dropout、權(quán)重衰減）和批量歸一化可獲得強(qiáng)泛化能力，但依賴數(shù)據(jù)量和調(diào)參。4.混淆矩陣包含TP（真正例）、FP（假正例）、TN（真反例）、FN（假反例）。精確率=TP/(TP+FP)（預(yù)測為正的樣本中實(shí)際為正的比例）；召回率=TP/(TP+FN)（實(shí)際為正的樣本中被正確預(yù)測的比例）；F1=2×(精確率×召回率)/(精確率+召回率)。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均，用于平衡兩者的重要性，尤其在類別不平衡時(shí)比準(zhǔn)確率更合理。5.步驟：①隨機(jī)選擇k個(gè)初始質(zhì)心；②將每個(gè)樣本分配到最近質(zhì)心的簇；③重新計(jì)算各簇質(zhì)心；④重復(fù)②-③直到質(zhì)心不再變化或迭代次數(shù)達(dá)到上限。優(yōu)點(diǎn)：計(jì)算效率高（線性時(shí)間復(fù)雜度）、易于實(shí)現(xiàn)、適用于大規(guī)模數(shù)據(jù)。缺點(diǎn)：對(duì)初始質(zhì)心敏感（可能陷入局部最優(yōu)）、需預(yù)設(shè)簇?cái)?shù)k、對(duì)非凸形狀或大小差異大的簇效果差、受異常值影響大（質(zhì)心易偏移）。四、編程題```pythonimportpandasaspdimportnumpyasnpfromsklearn.preprocessingimportStandardScaler,OneHotEncoderfromposeimportColumnTransformerfromsklearn.model_selectionimporttrain_test_split,GridSearchCVfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportaccuracy_score,precision_score,recall_score,f1_score,roc_auc_scorefromsklearn.pipelineimportPipelineimportmatplotlib.pyplotasplt假設(shè)df已加載，分離特征和目標(biāo)X=df.drop('churn',axis=1)y=df['churn']（1）特征處理：區(qū)分類別型和數(shù)值型特征（示例假設(shè)類別型為['是否有信用卡']，其余為數(shù)值型）cat_features=['是否有信用卡']實(shí)際需根據(jù)數(shù)據(jù)調(diào)整num_features=[colforcolinX.columnsifcolnotincat_features]preprocessor=ColumnTransformer(transformers=[('num',StandardScaler(),num_features),('cat',OneHotEncoder(drop='first'),cat_features)])（2）劃分訓(xùn)練測試集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)（3）隨機(jī)森林參數(shù)調(diào)優(yōu)param_grid={'n_estimators':[50,100,200],'max_depth':[5,10,None]}rf=RandomForestClassifier(random_state=42)grid_search=GridSearchCV(estimator=rf,param_grid=param_grid,cv=5,scoring='f1')注意：需先對(duì)訓(xùn)練集進(jìn)行預(yù)處理（避免數(shù)據(jù)泄露）X_train_processed=preprocessor.fit_transform(X_train)X_test_processed=preprocessor.transform(X_test)測試集用訓(xùn)練集的參數(shù)轉(zhuǎn)換grid_search.fit(X_train_processed,y_train)best_rf=grid_search.best_estimator_（4）測試集評(píng)估y_pred=best_rf.predict(X_test_processed)y_proba=best_rf.predict_proba(X_test_processed)[:,1]print(f"準(zhǔn)確率:{accuracy_score(y_test,y_pred):.4f}")print(f"精確率:{precision_score(y_test,y_pred):.4f}")print(f"召回率:{recall_score(y_test,y_pred):.4f}")print(f"F1分?jǐn)?shù):{f1_score(y_test,y_pred):.4f}")print(f"ROC-AUC:{roc_auc_score(y_test,y_proba):.4f}")（5）特征重要性繪圖feature_names=preprocessor.get_feature_names_out()獲取處理后的特征名importances=best_rf.feature_impor