数据挖掘笔试题及答案.docx

数据挖掘笔试题

一、选择题（每题3分，共15分）

在数据挖掘的预处理阶段，以下哪种方法不属于缺失值处理策略？（）

A.均值填充B.中位数填充C.随机森林预测填充D.直接删除所有含缺失值的样本（无特殊说明时）

下列算法中，属于无监督学习算法的是（）

A.逻辑回归B.K-means聚类C.支持向量机（SVM）D.决策树分类

在评估分类模型性能时，当数据存在严重不平衡（如正样本占比仅1%），以下哪个评估指标更能反映模型真实性能？（）

A.准确率B.精确率C.召回率D.F1分数

关于关联规则挖掘中的支持度（Support）和置信度（Confidence），以下说法正确的是（）

A.支持度越高，规则越有价值B.置信度越高，规则的可靠性越强

C.支持度和置信度始终正相关D.最小支持度和最小置信度的设置不影响挖掘结果

下列关于主成分分析（PCA）的描述，错误的是（）

A.PCA可用于数据降维B.PCA会改变数据的原有特征含义

C.PCA的核心是寻找数据协方差矩阵的特征向量D.PCA需要对数据进行标准化预处理（通常情况下）

二、填空题（每空2分，共20分）

数据挖掘常用的流程模型是（CRISP-DM），它包含业务理解、数据理解、数据准备、建模、评估和部署六个阶段。

在聚类算法中，（K-means）算法需要预先指定聚类数量，而（DBSCAN）算法无需指定聚类数量，而是通过密度来划分簇。

决策树算法中，常用的特征选择准则有（信息增益）、（信息增益比）和基尼系数。

过拟合是机器学习和数据挖掘中常见的问题，解决过拟合的常用方法有（增加训练数据量）、（正则化）、（剪枝，针对决策树等）等（任写两种即可）。

在协同过滤推荐算法中，根据推荐依据的不同，可分为（基于用户的协同过滤）和（基于物品的协同过滤）两类。

数据离散化的常用方法包括（等宽离散化）和（等频离散化）（任写两种即可）。

三、简答题（每题10分，共30分）

简述K-means聚类算法的基本步骤，并指出该算法的主要缺点。

说明决策树算法与随机森林算法的区别与联系，以及随机森林为何能降低过拟合风险。

什么是关联规则挖掘？请举例说明支持度和置信度在关联规则中的计算方式（假设一个简单的交易数据集）。

四、计算题（每题17.5分，共35分）

已知某数据集包含10个样本，每个样本有2个特征，数据如下表所示。请使用欧氏距离计算样本1（1,2）与样本2（3,4）、样本3（2,1）之间的距离，并判断样本1与哪个样本更相似。

样本编号

特征1

特征2

1

1

2

2

3

4

3

2

1

现有一个二分类问题的数据集，部分样本的真实标签（Y）和模型预测概率（P，预测为正类的概率）如下表所示。若设定分类阈值为0.5（即P≥0.5预测为正类，P0.5预测为负类），请计算该模型的精确率、召回率和F1分数。

样本

真实标签（Y）

预测概率（P）

1

1

0.6

2

1

0.4

3

0

0.7

4

0

0.3

5

1

0.8

6

0

0.2

数据挖掘笔试题答案

一、选择题（每题3分，共15分）

D（解析：直接删除所有含缺失值样本需谨慎，仅在缺失值样本占比极低且对整体数据影响可忽略时使用，并非常规缺失值处理策略；A、B、C均为常见的缺失值填充方法）

B（解析：A、C、D均为监督学习算法，需依赖带标签的训练数据；K-means无需标签，通过数据自身分布聚类，属于无监督学习）

D（解析：数据不平衡时，准确率易受多数类影响，无法反映模型对少数类的预测能力；精确率关注预测为正类的样本中真实正类的比例，召回率关注真实正类被正确预测的比例，F1分数是精确率和召回率的调和平均数，能综合两者反映模型整体性能）

B（解析：支持度高仅说明规则涉及的项集出现频率高，不一定有实际价值，A错误；置信度越高，说明在前提成立的情况下结论成立的概率越高，规则可靠性越强，B正确；支持度和置信度无必然正相关，C错误；最小支持度和最小置信度直接决定挖掘出的关联规则数量和质量，D错误）

B（解析：PCA通过线性变换将数据映射到新的特征空间，新特征是原特征的线性组合，会改变原特征含义，B错误；A、C、D均为PCA的正确描述，PCA降维需基于数据的协方差矩阵，且标准化能消除量纲对结果的影响）

二、填空题（每空2分，共20分）

CRISP-DM

K-means；DBSCAN

信息增益；信息增益比（顺序可互换）

增加训练数据量；正则化（或剪枝、集成学习等，任写两种合理答案即可）

基于用户的协同过滤；基于物品的协同过滤