数据挖掘期末考试题库及答案.docxVIP

数据挖掘期末考试题库及答案

一、单项选择题（每题2分，共20分）

下列不属于数据挖掘核心任务的是（）

A.分类与预测B.聚类分析C.数据存储D.关联规则挖掘

答案：C

解析：数据挖掘核心任务包括分类、预测、聚类、关联规则挖掘等，数据存储是数据库管理系统的功能，不属于数据挖掘范畴。

在数据预处理阶段，处理缺失值的常用方法不包括（）

A.删除法B.均值填充法C.回归填充法D.数据加密法

答案：D

解析：数据加密法用于保障数据安全，与处理缺失值无关，其余三项均为常见的缺失值处理方法。

以下属于监督学习算法的是（）

A.K-MeansB.决策树（ID3/C4.5）C.DBSCAND.层次聚类

答案：B

解析：监督学习需依赖带标签的训练数据，决策树算法通过训练集构建分类模型，属于监督学习；K-Means、DBSCAN、层次聚类均无需标签，属于无监督学习。

关联规则挖掘中，“支持度”的含义是（）

A.包含项集A的事务中同时包含项集B的比例

B.包含项集A和项集B的事务占总事务的比例

C.项集A在所有事务中出现的频率

D.项集B在所有事务中出现的频率

答案：B

解析：支持度计算公式为Support(A→B)=事务中同时包含A和B的数量/总事务数量，反映项集A和B共同出现的频繁程度。

决策树算法中，用于选择最优分裂属性的指标不包括（）

A.信息增益B.信息增益比C.基尼系数D.欧氏距离

答案：D

解析：欧氏距离用于衡量样本间的相似度，常用于聚类算法（如K-Means），信息增益、信息增益比、基尼系数是决策树选择分裂属性的核心指标。

K-Means聚类算法中，K值的确定方式通常不包括（）

A.凭经验设定B.肘部法则（ElbowMethod）C.轮廓系数法D.交叉验证法

答案：D

解析：交叉验证法常用于评估模型泛化能力（如分类模型），K-Means中K值确定可通过经验、肘部法则（通过误差平方和变化找拐点）、轮廓系数法（衡量聚类效果）。

下列关于过拟合的说法，正确的是（）

A.过拟合是模型在训练集上表现差，测试集上表现好

B.增加训练数据量可能缓解过拟合

C.过拟合说明模型复杂度过低

D.过拟合无法通过任何方法改善

答案：B

解析：过拟合是模型过度贴合训练数据，导致在训练集表现好、测试集表现差，通常因模型复杂度过高；增加训练数据、正则化、剪枝等方法可缓解过拟合。

以下属于数值型数据的是（）

A.性别（男/女）B.学历（本科/硕士/博士）C.年龄（18/25/30）D.职业（教师/医生）

答案：C

解析：数值型数据可进行数学运算，年龄为连续或离散的数值；性别、学历、职业均为分类数据（非数值型）。

数据规约的主要目的是（）

A.增加数据量，提升模型精度B.减少数据规模，降低计算成本

C.加密数据，保障隐私D.处理重复数据

答案：B

解析：数据规约通过减少数据维度或数量，在保留关键信息的前提下降低计算复杂度和存储成本，A、C、D均非其主要目的。

在分类模型评估中，“准确率（Accuracy）”的计算公式是（）

A.真阳性/(真阳性+假阴性)B.真阴性/(真阴性+假阳性)

C.(真阳性+真阴性)/(总样本数)D.真阳性/(真阳性+假阳性)

答案：C

解析：准确率衡量模型正确分类的样本占总样本的比例，A为召回率（Recall），B为特异度（Specificity），D为精确率（Precision）。

二、填空题（每空1分，共15分）

数据挖掘的流程通常包括数据准备、（数据预处理）、（模式发现）、模式评估与应用四个阶段。

关联规则挖掘中，常用的两个核心度量指标是（支持度）和（置信度）。

数据预处理中的“数据集成”是将多个数据源中的数据合并到（一个统一的数据存储）中，需解决（数据冗余）和数据冲突问题。

聚类分析中，（划分式聚类）算法（如K-Means）需预先指定聚类数量，而（层次式聚类）算法（如AGNES）通过构建层次结构确定聚类结果。

决策树的剪枝操作分为（预剪枝）和（后剪枝），目的是避免模型过拟合。

常用的分类模型评估指标除准确率外，还有（精确率）、（召回率）、F1分数等。

文本数据挖掘中，常用（词袋模型）将文本转换为数值向量，通过统计词语出现频率表示文本特征。

三、简答题（每题5分，共25分）

简述数据预处理的重要性及主要步骤。

答案：数据预处理是数据挖掘的关键环节，原因在于原始数据常存在缺失值、噪声、冗余