2025年数据挖掘试题与答案.docxVIP

2025年数据挖掘试题与答案

一、单项选择题（每题2分，共20分）

1.在处理高维稀疏数据时，以下哪种降维方法更适合保留数据的局部结构特征？

A.主成分分析（PCA）

B.线性判别分析（LDA）

C.局部线性嵌入（LLE）

D.奇异值分解（SVD）

2.某电商平台用户行为数据中，“购买商品A且购买商品B”的支持度为0.15，“购买商品A”的支持度为0.3，“购买商品B”的支持度为0.4，则商品A到商品B的置信度为？

A.0.375

B.0.425

C.0.5

D.0.6

3.以下哪种算法属于基于密度的聚类方法？

A.K-means

B.DBSCAN

C.层次聚类（凝聚法）

D.高斯混合模型（GMM）

4.在分类任务中，若样本类别严重不平衡（正类占比1%），以下哪种评估指标最能反映模型对正类的识别能力？

A.准确率（Accuracy）

B.F1-score

C.召回率（Recall）

D.精确率（Precision）

5.随机森林（RandomForest）中，以下哪种操作不是其降低过拟合风险的关键？

A.对样本进行自助采样（Bootstrap）

B.对特征进行随机子集选择

C.使用基尼系数（GiniIndex）作为分裂指标

D.多棵决策树的投票机制

6.在时间序列预测中，若数据存在明显的季节性波动（周期为12个月），以下哪种模型最适合捕捉该特征？

A.ARIMA(p,d,q)

B.SARIMA(p,d,q)(P,D,Q)??

C.指数平滑法（SES）

D.支持向量回归（SVR）

7.数据清洗过程中，对于“年龄”字段中出现的“-5”和“200”两个异常值，最合理的处理方式是？

A.直接删除包含这两个值的记录

B.用字段均值替换这两个值

C.用字段中位数替换这两个值

D.结合业务逻辑判断合理性后修正或删除

8.在关联规则挖掘中，若最小支持度设为0.2，最小置信度设为0.6，以下哪条规则可能被保留？

A.支持度0.18，置信度0.7

B.支持度0.22，置信度0.55

C.支持度0.25，置信度0.65

D.支持度0.15，置信度0.8

9.以下关于XGBoost和LightGBM的描述，错误的是？

A.XGBoost使用预排序算法计算分裂点，LightGBM使用直方图算法

B.LightGBM支持类别特征的直接输入，XGBoost需要先进行独热编码

C.两者均支持正则化以防止过拟合

D.XGBoost是梯度提升树，LightGBM是随机森林的改进版

10.在文本数据挖掘中，若需捕捉词与词之间的上下文依赖关系（如“苹果”在“吃苹果”和“苹果公司”中的不同含义），最适合的特征表示方法是？

A.词袋模型（BagofWords）

B.TF-IDF

C.Word2Vec（Skip-gram）

D.BERT预训练模型

二、填空题（每题2分，共10分）

1.数据预处理中，将类别型变量“性别（男/女）”转换为数值型变量的常用方法是________。

2.K-means聚类的目标函数是最小化所有样本到其所属簇中心的________之和。

3.在决策树构建中，信息增益（InformationGain）的计算公式为父节点的熵减去________的熵加权和。

4.评估回归模型性能时，均方根误差（RMSE）的计算公式为________。

5.联邦学习（FederatedLearning）的核心目标是在不传输________的前提下，联合多个参与方训练模型。

三、简答题（每题8分，共40分）

1.简述数据预处理中“归一化（Normalization）”和“标准化（Standardization）”的区别，并说明各自适用的场景。

2.解释“过拟合（Overfitting）”的含义，列举3种常见的解决方法，并说明其原理。

3.对比K-means和DBSCAN两种聚类算法的优缺点，说明各自适用的数据集特征。

4.什么是提升（Boosting）和装袋（Bagging）？分别举例说明其代表算法，并比较两者在偏差-方差分解上的差异。

5.在电商用户购买预测任务中，若训练集和测试集的用户分布存在差异（如训练集多为老用户，测试集多为新用户），可能导致什么问题？如何检测和解决这一问题？

四、综合题（每题15分，共30分）

1.某金融机构需构建信用卡欺诈检测模型，已知正类（欺诈交易）占比0.5%