2025年数据科学专业认证(CDSP)考试题库（附答案和详细解析）（1106）.docxVIP

数据科学专业认证（CDSP）考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项是处理数据集中缺失值的常用方法？

A.直接删除包含缺失值的整列

B.用数据集的最大值填充缺失值

C.基于相关特征构建模型预测缺失值

D.将缺失值标记为“未知”后直接建模

答案：C

解析：处理缺失值的常用方法包括删除法（删除行/列）、插补法（均值/中位数填充、模型预测）、保留法（标记特殊值）。选项A错误，因删除整列可能丢失关键信息；选项B错误，最大值可能偏离数据分布；选项C正确，如用KNN或回归模型预测缺失值是高级插补方法；选项D错误，直接标记可能导致模型误判。

在机器学习中，以下哪项属于监督学习任务？

A.客户分群（Clustering）

B.情感分析（SentimentAnalysis）

C.异常检测（AnomalyDetection）

D.主成分分析（PCA）

答案：B

解析：监督学习需要标签数据，任务包括分类、回归；无监督学习无标签，任务包括聚类、降维、异常检测。选项B情感分析是文本分类任务（需标注“积极/消极”标签），属于监督学习；其他选项均为无监督学习。

以下哪项是评估分类模型性能的最合理指标组合？

A.均方误差（MSE）+R2分数

B.准确率（Accuracy）+F1分数

C.轮廓系数（SilhouetteScore）+互信息（MI）

D.调整兰德指数（ARI）+均绝对误差（MAE）

答案：B

解析：分类模型评估常用准确率、精确率、召回率、F1分数；回归模型用MSE、MAE、R2；聚类模型用轮廓系数、ARI、MI。选项B正确，适用于分类任务；A为回归指标，C、D为聚类指标。

关于数据可视化，以下描述正确的是？

A.箱线图（BoxPlot）主要用于展示数据分布的偏态

B.热力图（Heatmap）适合展示时间序列数据的趋势

C.散点图（ScatterPlot）无法反映变量间的相关性

D.折线图（LineChart）不适合展示多个变量的变化对比

答案：A

解析：箱线图通过四分位数展示数据分布（包括偏态）；热力图适合展示矩阵数据的相关性或频率；散点图可通过点的分布反映变量相关性（如正/负相关）；折线图可通过多线条对比多变量趋势。选项A正确，其他选项均错误。

在SQL中，以下哪条语句可以查询“年龄大于30岁且职业为教师”的用户？

A.SELECT*FROMusersWHEREage30,job=‘教师’

B.SELECT*FROMusersWHEREage30ORjob=‘教师’

C.SELECT*FROMusersWHEREage30ANDjob=‘教师’

D.SELECT*FROMusersWHEREage30XORjob=‘教师’

答案：C

解析：SQL中逻辑与用AND，逻辑或用OR，逗号在WHERE子句中无意义。选项C正确，需同时满足两个条件；A语法错误，B为“或”关系，D为异或（仅满足其一）。

以下哪种机器学习算法属于生成式模型？

A.逻辑回归（LogisticRegression）

B.支持向量机（SVM）

C.朴素贝叶斯（NaiveBayes）

D.随机森林（RandomForest）

答案：C

解析：生成式模型关注数据生成过程（联合概率P(X,Y)），判别式模型关注条件概率P(Y|X)。朴素贝叶斯基于贝叶斯定理计算联合概率，属于生成式；其他选项均为判别式模型。

数据清洗中“处理重复值”的核心目的是？

A.减少数据存储成本

B.避免模型因重复数据过拟合

C.提高数据可视化的美观度

D.增加数据集中的样本数量

答案：B

解析：重复值可能导致模型训练时对某些样本过度依赖（过拟合），或统计指标（如均值）失真。处理重复值的核心是保证数据独立性和模型泛化能力。选项B正确，A是次要目的，C、D错误。

以下哪项是时间序列数据的典型特征？

A.样本间独立同分布（i.i.d.）

B.存在自相关性（Autocorrelation）

C.特征维度远大于样本量（高维小样本）

D.数据服从严格的正态分布

答案：B

解析：时间序列数据的核心特征是样本按时间顺序排列，相邻样本存在相关性（自相关）；独立同分布是传统机器学习数据的假设，高维小样本常见于生物信息学，正态分布非必要。选项B正确。

在特征工程中，“独热编码（One-HotEncoding）”适用于以下哪种类型的变量？

A.连续型变量（如温度）

B.有序分类变量（如学历：高中/本科/硕士）

C.无序分类变量（如性别：男/女）

D.文本型变量（如用户评论）

答案：C

解析：独热编码将无序分类变量转换为二进制向量（避免引入顺序含义）；连续变量通常