2025年数据科学与大数据技术考生能力测试卷及答案.docxVIP

2025年数据科学与大数据技术考生能力测试卷及答案

一、单项选择题（每题2分，共30分）

1.以下关于中心极限定理的描述，正确的是（）。

A.当样本量足够大时，无论总体分布如何，样本均值的分布近似正态分布

B.仅适用于总体为正态分布的情况

C.样本方差的分布趋近于卡方分布

D.要求样本必须来自连续型总体

2.在机器学习中，若模型在训练集上准确率为95%，在测试集上准确率为60%，最可能的原因是（）。

A.数据量不足

B.模型欠拟合

C.模型过拟合

D.特征选择不当

3.以下哪种算法不属于无监督学习？（）

A.K-means聚类

B.主成分分析（PCA）

C.支持向量机（SVM）

D.关联规则挖掘（Apriori）

4.Hadoop生态中，负责资源管理和任务调度的组件是（）。

A.HDFS

B.MapReduce

C.YARN

D.HBase

5.对于时间序列数据，若存在明显的季节性波动，通常优先选择以下哪种模型？（）

A.ARIMA

B.SARIMA

C.LSTM

D.线性回归

6.在关系型数据库中，若要查询“年龄在20-30岁之间且性别为女”的用户，SQL语句的WHERE子句应为（）。

A.WHERE年龄BETWEEN20AND30OR性别=女

B.WHERE年龄IN(20,30)AND性别=女

C.WHERE年龄BETWEEN20AND30AND性别=女

D.WHERE年龄20AND年龄30OR性别=女

7.以下关于特征工程的描述，错误的是（）。

A.缺失值填充时，连续特征可用均值，分类特征可用众数

B.对高基数分类特征（如用户ID）直接进行独热编码会导致维度爆炸

C.标准化（Z-score）会改变特征的分布形状

D.特征交叉可能引入更复杂的模式，但也可能增加过拟合风险

8.在Spark中，RDD的“转换（Transformation）”操作是（）。

A.立即执行并返回结果

B.惰性执行，需触发行动（Action）才会计算

C.只能用于处理结构化数据

D.会改变原始RDD的内容

9.评估分类模型时，若关注“正样本被正确识别的比例”，应选择以下哪个指标？（）

A.准确率（Accuracy）

B.精确率（Precision）

C.召回率（Recall）

D.F1分数

10.以下哪种场景最适合使用决策树模型？（）

A.处理高维稀疏文本数据（如新闻分类）

B.预测连续型数值（如房价）

C.解释性要求高的医疗诊断场景

D.实时流数据的快速分类

11.在Python中，使用Pandas读取CSV文件时，若文件中存在以“”开头的注释行，应设置哪个参数？（）

A.header=None

B.skiprows=lambdax:x.startswith()

C.comment=

D.na_values=

12.以下关于梯度下降的描述，错误的是（）。

A.批梯度下降（BGD）计算全局梯度，收敛稳定但速度慢

B.随机梯度下降（SGD）每次仅用一个样本计算梯度，噪声大但可能跳出局部极小值

C.小批量梯度下降（MBGD）结合了BGD和SGD的优点，是实际中最常用的方法

D.所有梯度下降方法都能保证收敛到全局最优解

13.在Hive中，若要将查询结果存储到新表中，应使用（）。

A.INSERTINTO

B.CREATETABLE...ASSELECT

C.UPDATE...SET

D.ALTERTABLE

14.对于不平衡数据集（正样本占比1%），以下哪种处理方式最不合理？（）

A.对正样本进行过采样（Oversampling）

B.对负样本进行欠采样（Undersampling）

C.调整模型损失函数的类别权重（ClassWeight）

D.直接使用准确率作为评估指标

15.以下关于K近邻（KNN）算法的描述，正确的是（）。

A.K值越小，模型复杂度越低，越容易欠拟合

B.需预先定义核函数

C.对特征尺度敏感，需进行标准化处理

D.适用于大规模数据集，计算效率高

二、填空题（每题2分，共20分）

1.统计学中，反映数据离散程度的常用指标有方差、标准差和__________。

2.机器学习中