2025年互联网营销师分类算法（决策树、逻辑回归）在用户预测中的应用专题试卷及解析.pdfVIP

2025年互联网营销师分类算法（决策树、逻辑回归）在用户预测中的应用专题试卷及解析1

2025年互联网营销师分类算法（决策树、逻辑回归）在用

户预测中的应用专题试卷及解析

2025年互联网营销师分类算法（决策树、逻辑回归）在用户预测中的应用专题试

卷及解析

第一部分：单项选择题（共10题，每题2分）

1、在用户流失预测场景中，决策树算法通过什么方式来划分用户群体？

A、随机分配

B、计算信息增益或基尼系数

C、按用户ID排序

D、均匀分布

【答案】B

【解析】正确答案是B。决策树通过计算信息增益或基尼系数来选择最优分裂节点，

从而有效划分用户群体。A选项随机分配违背了算法原理；C选项用户ID排序与预测

无关；D选项均匀分布无法体现用户特征差异。知识点：决策树分裂准则。易错点：容

易混淆随机森林的随机性与决策树的选择性。

2、逻辑回归在用户购买预测中主要解决什么问题？

A、用户聚类

B、二分类问题

C、时间序列预测

D、关联规则挖掘

【答案】B

【解析】正确答案是B。逻辑回归本质上是线性分类模型，特别适合解决用户是否

购买这类二分类问题。A选项聚类是无监督学习；C选项时间序列需要专门模型；D选

项关联规则属于无监督关联分析。知识点：逻辑回归应用场景。易错点：容易误认为逻

辑回归能处理多分类问题。

3、决策树过拟合时，通常不会采取以下哪种措施？

A、增加树的最大深度

B、进行剪枝处理

C、设置最小叶子节点样本数

D、使用随机森林

【答案】A

【解析】正确答案是A。增加树深度会加剧过拟合，其他选项都是防止过拟合的有

效手段。B剪枝直接控制复杂度；C最小样本数限制分裂条件；D随机森林通过集成降

低方差。知识点：决策树过拟合控制。易错点：容易混淆深度与模型复杂度的关系。

2025年互联网营销师分类算法（决策树、逻辑回归）在用户预测中的应用专题试卷及解析2

4、逻辑回归的输出值代表什么？

A、具体购买金额

B、用户类别标签

C、购买概率

D、特征重要性

【答案】C

【解析】正确答案是C。逻辑回归通过sigmoid函数将线性组合转换为01之间的概

率值。A金额预测需要回归模型；B类别标签需要阈值判断；D特征重要性需要专门分

析。知识点：逻辑回归输出解释。易错点：容易混淆概率值与类别标签。

5、在用户细分中，决策树相比逻辑回归的主要优势是？

A、计算速度更快

B、可解释性更强

C、处理高维数据更优

D、内存占用更小

【答案】B

【解析】正确答案是B。决策树可以生成可视化规则，业务人员容易理解。A逻辑回

归通常更快；C逻辑回归更适合高维稀疏数据；D决策树可能占用更多内存。知识点：

算法可解释性对比。易错点：容易忽视业务场景对可解释性的需求。

6、逻辑回归处理缺失值时，最常用的方法是？

A、直接删除

B、用均值填充

C、作为单独类别处理

D、不做处理

【答案】B

【解析】正确答案是B。均值填充是逻辑回归处理缺失值的常用方法。A删除会损

失信息；C更适合决策树；D不做处理会影响模型效果。知识点：缺失值处理策略。易

错点：容易混淆不同算法对缺失值的处理方式。

7、决策树中信息增益最大的特征意味着？

A、该特征最不重要

B、该特征对分类贡献最大

C、该特征缺失值最多

D、该特征数值最大

【答案】B

【解析】正确答案是B。信息增益衡量特征带来的不确定性减少程度，越大说明分

类能力越强。A重要性最低对应信息增益最小；C缺失值多反而可能降低信息增益；D

2025年互联网营销师分类算法（决策树、逻辑回归）在用户预测中的应用专题试卷及解析3

数值大小与信息增益无关。知识点：特征选择指标。易错点：容易混淆信息增益与特征

数值的关系。

8、逻辑回归适合处理什么类型的用户数据？

A、图像数据

B、文本数据

C、结构化表格数据

D、音频数据

【答案】C

【解析】正确答案是C。逻辑回归最适合处理结构化表格数据。A图像需要CNN；

B文本需要N