數(shù)據(jù)挖掘工程師崗位招聘考試試卷及答案填空題（每題1分，共10分）1.數(shù)據(jù)預(yù)處理的核心步驟包括數(shù)據(jù)清洗、____、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)規(guī)約。2.K-means聚類算法的核心是計算樣本與____的距離。3.決策樹ID3算法使用____作為分裂準(zhǔn)則。4.分類模型精確率（Precision）=TP/____。5.關(guān)聯(lián)規(guī)則A→B的置信度=P(B|A)=____/P(A)。6.支持向量機(jī)（SVM）的核心是尋找____。7.特征選擇的常用方法有過濾法、____和包裹法。8.異常檢測常用算法有孤立森林、____等。9.神經(jīng)網(wǎng)絡(luò)BP算法的核心是____誤差。10.時間序列挖掘常用方法有ARIMA、____等。單項選擇題（每題2分，共20分）1.屬于無監(jiān)督學(xué)習(xí)的是？A.K-meansB.邏輯回歸C.決策樹D.隨機(jī)森林2.不平衡數(shù)據(jù)集分類評估最適合的指標(biāo)是？A.準(zhǔn)確率B.F1分?jǐn)?shù)C.召回率D.精確率3.關(guān)聯(lián)規(guī)則最小支持度過大會導(dǎo)致？A.規(guī)則過多B.精度低C.規(guī)則少D.無影響4.大數(shù)據(jù)挖掘常用工具是？A.ExcelB.SPSSC.SASD.SparkMLlib5.CART決策樹的分裂準(zhǔn)則是？A.信息增益B.基尼不純度C.信息增益率D.均方誤差6.屬于特征轉(zhuǎn)換的方法是？A.標(biāo)準(zhǔn)化B.缺失值填充C.去重D.特征選擇7.孤立森林的核心思想是？A.局部密度B.全局異常點C.隨機(jī)隔離異常點D.距離計算8.回歸問題的評估指標(biāo)是？A.精確率B.召回率C.F1D.MAE9.“維度災(zāi)難”指？A.特征過多導(dǎo)致模型性能下降B.數(shù)據(jù)量過大C.分布不均D.缺失值多10.屬于集成學(xué)習(xí)的是？A.KNNB.隨機(jī)森林C.樸素貝葉斯D.SVM多項選擇題（每題2分，共20分）1.缺失值處理常用方法有？A.均值填充B.刪除所有數(shù)據(jù)C.中位數(shù)填充D.模型預(yù)測填充2.屬于分類算法的有？A.邏輯回歸B.決策樹C.K-meansD.隨機(jī)森林3.關(guān)聯(lián)規(guī)則核心指標(biāo)有？A.支持度B.置信度C.提升度D.準(zhǔn)確率4.聚類評估指標(biāo)有？A.F1分?jǐn)?shù)B.輪廓系數(shù)C.Davies-Bouldin指數(shù)D.精確率5.特征選擇常用方法有？A.卡方檢驗B.互信息C.標(biāo)準(zhǔn)化D.遞歸特征消除6.屬于監(jiān)督學(xué)習(xí)的有？A.SVMB.PCAC.樸素貝葉斯D.線性回歸7.分布式計算框架有？A.HadoopB.SparkC.ExcelD.SPSS8.屬于神經(jīng)網(wǎng)絡(luò)的有？A.CNNB.KNNC.RNND.LSTM9.數(shù)據(jù)挖掘應(yīng)用場景包括？A.客戶細(xì)分B.fraud檢測C.推薦系統(tǒng)D.銷量預(yù)測10.關(guān)于SVM正確的說法有？A.處理高維數(shù)據(jù)B.僅線性可分C.核函數(shù)映射高維D.適合小樣本判斷題（每題2分，共20分）1.決策樹不需要特征縮放。（√）2.K-means結(jié)果與初始中心無關(guān)。（×）3.邏輯回歸是回歸算法非分類算法。（×）4.關(guān)聯(lián)規(guī)則提升度>1有意義。（√）5.PCA是特征選擇方法。（×）6.隨機(jī)森林減少過擬合。（√）7.異常檢測僅屬于無監(jiān)督學(xué)習(xí)。（×）8.SVMRBF核處理非線性問題。（√）9.去重屬于數(shù)據(jù)清洗。（√）10.ARIMA適用于平穩(wěn)時間序列。（√）簡答題（每題5分，共20分）1.簡述數(shù)據(jù)預(yù)處理的必要性及核心步驟。答案：必要性：原始數(shù)據(jù)存在噪聲、缺失、不一致，直接使用影響模型性能。核心步驟：①數(shù)據(jù)清洗（處理缺失、噪聲、重復(fù)）；②數(shù)據(jù)集成（合并多源數(shù)據(jù)）；③數(shù)據(jù)轉(zhuǎn)換（標(biāo)準(zhǔn)化、歸一化）；④數(shù)據(jù)規(guī)約（降維、特征選擇）。解析：原始數(shù)據(jù)質(zhì)量差導(dǎo)致模型泛化弱，清洗解決缺陷，集成整合信息，轉(zhuǎn)換適配算法，規(guī)約降低維度災(zāi)難，保證挖掘有效。2.比較K-means與DBSCAN的差異。答案：K-means是劃分聚類，需指定k，基于距離；DBSCAN是密度聚類，無需指定k，基于密度可達(dá)。K-means對噪聲敏感，適合凸形簇；DBSCAN可發(fā)現(xiàn)任意形狀簇，處理噪聲。解析：K-means依賴初始中心，結(jié)果不穩(wěn)定；DBSCAN通過eps/minPts識別簇，魯棒性強(qiáng)，適合復(fù)雜形狀，但對密度不均數(shù)據(jù)效果差。3.簡述3個分類評估指標(biāo)及適用場景。答案：①準(zhǔn)確率：整體正確比例，適用于平衡數(shù)據(jù)集；②精確率：預(yù)測正例中真實正例比例，適用于正例少的場景（如fraud）；③召回率：真實正例中被預(yù)測正例比例，適用于漏檢影響大的場景（如疾病檢測）。解析：準(zhǔn)確率易受不平衡影響，精確率關(guān)注“預(yù)測對的正例”，召回率關(guān)注“找全正例”，需結(jié)合業(yè)務(wù)選擇。4.什么是過擬合？如何避免？答案：過擬合是模型訓(xùn)練集表現(xiàn)好、測試集差，過度學(xué)習(xí)噪聲。避免方法：①增加訓(xùn)練數(shù)據(jù)；②正則化（L1/L2）；③減少模型復(fù)雜度（決策樹剪枝）；④集成學(xué)習(xí)（隨機(jī)森林）；⑤早停法。解析：過擬合源于模型復(fù)雜度高于數(shù)據(jù)規(guī)律，增加數(shù)據(jù)減少噪聲，正則化約束參數(shù)，集成學(xué)習(xí)降低方差，早停法提升泛化能力。討論題（每題5分，共10分）1.結(jié)合業(yè)務(wù)場景，說明如何選擇分類算法（邏輯回歸、決策樹、SVM、隨機(jī)森林）。答案：①邏輯回歸：線性可分、可解釋性高（如信用評分）；②決策樹：非線性、可解釋性強(qiáng)（如客戶細(xì)分）；③SVM：高維、非線性（如文本分類）；④隨機(jī)森林：非線性、高維、抗過擬合（如fraud檢測）。解析：業(yè)務(wù)需可解釋性選邏輯回歸/決策樹，高維選SVM/隨機(jī)森林，不平衡數(shù)據(jù)選隨機(jī)森林，線性關(guān)系選邏輯回歸，復(fù)雜關(guān)系選決策樹/SVM，需結(jié)合數(shù)據(jù)量、維度、業(yè)務(wù)需求判斷。2.大數(shù)據(jù)挖掘中，Spark與傳統(tǒng)單機(jī)框架的差異及優(yōu)勢？答案：差異：Spark基于內(nèi)存分布式計算，單機(jī)依賴單節(jié)點硬件。優(yōu)勢：①處理PB級數(shù)據(jù)；②速度快（內(nèi)存計算減少IO）；③容錯性好（RDD彈性分布式）；④擴(kuò)展性強(qiáng)（橫向擴(kuò)展節(jié)點）。解析：單機(jī)受硬件限制，Spark通過并行計算、內(nèi)存存儲提升效率，RDD支持容錯，適合電商用戶行為分析等大數(shù)據(jù)場景，解決單機(jī)無法處理的問題。答案匯總填空題答案1.數(shù)據(jù)集成2.聚類中心3.信息增益4.TP+FP5.P(A∩B)6.最優(yōu)超平面7.嵌入法8.LOF9.