2025年数据科学专业认证(CDSP)考试题库（附答案和详细解析）（1026）.docxVIP

数据科学专业认证（CDSP）考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项是处理数据集中少量缺失值（缺失率5%）的合理方法？

A.对数值型特征用众数填充

B.直接删除包含缺失值的行

C.对时间序列特征用随机数填充

D.保留缺失值直接输入模型训练

答案：B

解析：处理少量缺失值时，直接删除包含缺失值的行（列表删除法）是常用方法（B正确）。数值型特征应使用均值/中位数填充，众数适用于分类型（A错误）；时间序列通常用插值法（如前向填充），随机数会破坏时序性（C错误）；多数模型无法直接处理缺失值，需填充或删除（D错误）。

在逻辑回归中，以下哪个指标用于衡量模型对分类边界的置信度？

A.准确率（Accuracy）

B.对数损失（LogLoss）

C.F1分数

D.ROC曲线下面积（AUC）

答案：B

解析：对数损失（LogLoss）衡量预测概率与真实标签的差异，值越小表示模型对分类结果越有信心（B正确）。准确率是分类正确比例，不反映置信度（A错误）；F1是精确率与召回率的调和平均（C错误）；AUC衡量模型区分正负类的能力（D错误）。

以下哪种数据可视化方法最适合展示多个变量间的相关性？

A.箱线图（BoxPlot）

B.散点矩阵（ScatterMatrix）

C.折线图（LineChart）

D.柱状图（BarChart）

答案：B

解析：散点矩阵可同时展示多变量两两之间的散点图，直观反映变量间的线性或非线性关系（B正确）。箱线图用于展示单变量分布（A错误）；折线图适合时序数据（C错误）；柱状图用于比较分类变量的数值（D错误）。

假设检验中，若原假设为“μ=μ?”，当实际μ≠μ?但未拒绝原假设时，发生了：

A.第一类错误（α错误）

B.第二类错误（β错误）

C.正确决策

D.统计功效不足

答案：B

解析：第二类错误（β错误）指原假设为假时未拒绝原假设（B正确）。第一类错误是原假设为真时拒绝原假设（A错误）；正确决策需原假设与结论一致（C错误）；统计功效（1-β）反映拒绝错误原假设的能力（D错误）。

以下哪项属于非监督学习任务？

A.预测客户是否会流失（二分类）

B.识别图像中的手写数字（多分类）

C.将用户分为不同兴趣群体（聚类）

D.预测房价（回归）

答案：C

解析：聚类（如K-means）是典型的非监督学习，无需标签（C正确）。分类（A、B）和回归（D）均为监督学习，需标签数据训练。

在特征工程中，对“月份”特征（1-12月）进行编码时，最合理的方法是：

A.独热编码（One-HotEncoding）

B.标签编码（LabelEncoding）

C.循环编码（CyclicEncoding）

D.目标编码（TargetEncoding）

答案：C

解析：月份具有周期性（12月与1月相邻），循环编码（如用sin/cos转换）能保留周期性关系（C正确）。独热编码会增加12维特征，可能丢失周期性（A错误）；标签编码将月份视为有序数值（12…12），不符合实际（B错误）；目标编码依赖标签，可能过拟合（D错误）。

以下哪个数据库适合存储实时数据流（如传感器数据）？

A.关系型数据库（MySQL）

B.文档型数据库（MongoDB）

C.列存储数据库（HBase）

D.时序数据库（InfluxDB）

答案：D

解析：时序数据库（如InfluxDB）优化了时间序列数据的写入和查询性能，适合实时数据流（D正确）。关系型数据库适合结构化事务数据（A错误）；文档型适合半结构化数据（B错误）；列存储适合批量分析（C错误）。

在随机森林（RandomForest）中，以下哪项不是其关键特性？

A.基于决策树的集成学习

B.对每个节点分裂时随机选择特征子集

C.可输出特征重要性

D.必须使用Boosting方法组合基模型

答案：D

解析：随机森林使用Bagging（自助采样）组合基决策树，而非Boosting（D错误）。其他选项均为随机森林的核心特性（A、B、C正确）。

以下哪种评估指标不适用于不平衡数据集的分类任务？

A.精确率（Precision）

B.召回率（Recall）

C.准确率（Accuracy）

D.F1分数

答案：C

解析：准确率在不平衡数据中会因多数类占比高而虚高（如99%负样本时，全预测负类准确率99%，但无实际价值）（C错误）。精确率、召回率、F1关注正类表现，更适合不平衡数据（A、B、D正确）。

数据科学项目中，“数据探索（EDA）”的核心目标是：

A.直接构建预测模型

B.发现数据中的模式、异常和关系

C.完成数据清洗

D.生成最终报告

答案：B

解析：数据探索（EDA）通过统计和可视化分析数据分布、特征关系及异