2025年数据科学与大数据技术考试及答案.docxVIP

2025年数据科学与大数据技术考试及答案

一、单项选择题（每题2分，共40分）

1.在分析某电商用户年龄分布时，若数据中存在极端值（如120岁），最适合描述集中趋势的统计量是：

A.均值

B.中位数

C.众数

D.方差

答案：B

解析：极端值会显著影响均值，而中位数对异常值不敏感，更适合描述存在极端值时的集中趋势。

2.以下哪项不属于数据清洗的主要任务？

A.处理缺失值

B.纠正数据错误

C.特征标准化

D.去除重复记录

答案：C

解析：特征标准化属于特征工程中的数据变换，数据清洗主要解决数据质量问题（缺失、错误、重复）。

3.某分类模型在测试集上的准确率为85%，但召回率仅为30%，最可能的原因是：

A.类别分布严重不平衡（正类占比小）

B.模型欠拟合

C.学习率设置过高

D.特征维度过低

答案：A

解析：类别不平衡时，模型可能因正类样本少而忽略其预测，导致召回率低但准确率高（因负类占多数）。

4.关于K-means聚类算法，以下说法错误的是：

A.需要预先指定聚类数k

B.对初始质心选择敏感

C.适用于非凸形状的簇

D.基于欧氏距离计算样本相似性

答案：C

解析：K-means假设簇为凸形状，对非凸簇（如环形分布）聚类效果差。

5.在HadoopMapReduce中，以下哪项操作发生在Shuffle阶段？

A.Map任务输出键值对

B.对键进行分区（Partition）

C.Reduce任务处理输入数据

D.用户自定义Map函数执行

答案：B

解析：Shuffle阶段包括分区、排序、合并等操作，确保相同键的数据发送到同一Reduce任务。

6.某数据集包含“用户ID”“购买时间”“商品类别”“支付金额”四个字段，其中属于时序数据特征的是：

A.用户ID

B.购买时间

C.商品类别

D.支付金额

答案：B

解析：时序数据的核心是时间维度，“购买时间”直接体现事件发生的顺序。

7.以下哪种数据降维方法属于线性变换？

A.t-SNE

B.主成分分析（PCA）

C.局部线性嵌入（LLE）

D.自编码器（Autoencoder）

答案：B

解析：PCA通过线性变换将高维数据投影到低维空间，其他选项为非线性降维方法。

8.在Spark中，以下哪项操作属于行动（Action）操作？

A.map()

B.filter()

C.reduce()

D.flatMap()

答案：C

解析：Action操作触发计算并返回结果（如reduce()计算聚合值），其他为转换（Transformation）操作。

9.评估回归模型性能时，均方误差（MSE）与平均绝对误差（MAE）的主要区别是：

A.MSE对异常值更敏感

B.MAE计算更复杂

C.MSE更关注预测值的方向

D.MAE是无偏估计量

答案：A

解析：MSE计算误差的平方，异常值会导致平方项显著增大，因此对异常值更敏感。

10.以下哪项是HBase的核心特性？

A.支持SQL查询

B.基于行式存储

C.适用于实时读写

D.强一致性事务

答案：C

解析：HBase是列式存储的NoSQL数据库，优化了实时随机读写，不支持复杂SQL和强事务。

11.在A/B测试中，若将对照组与实验组的样本量从1000增加到5000，最可能的影响是：

A.第一类错误（α错误）概率增加

B.统计功效（Power）提高

C.效应量（EffectSize）增大

D.置信区间变宽

答案：B

解析：样本量增加会提高统计功效（检测到真实差异的能力），同时缩小置信区间，不影响α或效应量。

12.特征重要性分析中，使用随机森林的基尼不纯度（GiniImpurity）减少量来评估特征重要性，其本质是衡量：

A.特征与目标变量的线性相关性

B.特征对节点分裂后不纯度降低的贡献

C.特征在决策树中的出现次数

D.特征的方差大小

答案：B

解析：基尼不纯度减少量反映了该特征在分裂节点时降低数据混乱程度的能力，是随机森林评估特征重要性的核心指标。

13.处理时间序列数据时，若存在季节性波动（如季度性销售高峰），最有效的预处理方法是：

A.差分（Differencing）

B.季节性分解（SeasonalDecomposition）

C.标准化（Z-score）

D.对数变换（LogTransformation