数据挖掘工程师笔试题及参考答案.docxVIP

数据挖掘工程师笔试题及参考答案

一、选择题（每题5分，共30分）

以下哪种算法不属于无监督学习？（）

A.K-Means聚类B.主成分分析（PCA）C.决策树分类D.关联规则挖掘（Apriori）

在决策树构建过程中，用于选择最优分裂属性的指标不包括（）

A.信息增益B.基尼系数C.欧氏距离D.信息增益比

关于过拟合问题，以下说法错误的是（）

A.过拟合是模型在训练集上表现好，测试集上表现差

B.增加训练数据量可能缓解过拟合

C.正则化（L1/L2）的核心是增加模型复杂度

D.决策树剪枝是解决过拟合的常用方法

下列关于协同过滤推荐算法的描述，正确的是（）

A.基于内容的推荐属于协同过滤的一种

B.物品协同过滤是计算用户之间的相似度

C.协同过滤不需要依赖物品或用户的特征信息

D.冷启动问题对协同过滤算法无影响

在关联规则挖掘中，“支持度”的定义是（）

A.包含项集A的事务中同时包含项集B的比例

B.同时包含项集A和B的事务占总事务的比例

C.项集A在总事务中出现的频率

D.项集B在包含A的事务中出现的条件概率

关于PCA降维，以下说法正确的是（）

A.PCA会改变数据的原始分布特征

B.PCA的核心是找到数据方差最大的投影方向

C.降维后的特征个数必须小于原始特征个数

D.PCA可以处理非线性数据的降维需求

二、填空题（每题4分，共20分）

混淆矩阵中，“精确率（Precision）”的计算公式是____________________，“召回率（Recall）”的计算公式是____________________。

K-Means算法中，K值的选择常用方法有____________________和____________________（至少写出两种）。

逻辑回归模型通过____________________函数将线性回归的输出映射到[0,1]区间，其损失函数常用____________________。

数据预处理中，处理缺失值的常用方法包括____________________、和（至少写出三种）。

随机森林算法通过____________________和____________________两种方式降低单棵决策树的方差，提升模型泛化能力。

三、简答题（每题10分，共30分）

请简述决策树与随机森林的区别与联系，说明随机森林为何能提升模型性能。

解释什么是“特征工程”，并列举至少5种常用的特征处理方法。

简述K-Means聚类算法的基本步骤，以及该算法的优缺点。

四、计算题（20分）

已知某二分类模型的预测结果如下表（真实标签1为正例，0为负例）：

真实标签

预测标签

样本数

1

1

45

1

0

15

0

1

10

0

0

30

请计算：

（1）精确率（Precision）、召回率（Recall）和F1分数；

（2）准确率（Accuracy）和Fβ分数（β=2，侧重召回率）。

参考答案

一、选择题

C（决策树分类是有监督学习，其余均为无监督）

C（欧氏距离用于衡量样本相似度，不用于决策树分裂属性选择）

C（正则化的核心是降低模型复杂度，避免过拟合）

C（协同过滤基于用户或物品的交互行为，不依赖特征信息）

B（支持度=包含A∪B的事务数/总事务数）

B（PCA核心是找方差最大的投影方向，保留关键信息）

二、填空题

精确率=TP/(TP+FP)；召回率=TP/(TP+FN)（TP：真阳性，FP：假阳性，FN：假阴性）

肘部法则（ElbowMethod）、轮廓系数（SilhouetteCoefficient）、交叉验证法

Sigmoid（σ(x)=1/(1+e??)）；对数损失函数（LogLoss）

均值/中位数填充、众数填充、删除缺失值、插值法填充、模型预测填充

bootstrap抽样（样本随机）、特征随机选择（列抽样）

三、简答题

区别与联系：

联系：随机森林是基于决策树的集成算法，由多棵决策树组成，最终结果通过投票（分类）或平均（回归）得到。

区别：①单棵决策树易过拟合，随机森林通过多棵树集成降低过拟合风险；②决策树使用全部样本和特征构建，随机森林对样本（bootstrap抽样）和特征（随机选择部分特征）进行随机抽样；③随机森林的方差更低，泛化能力更强。

性能提升原因：通过“集成学习”的思想，利用多棵决策树的多样性抵消单棵树的偏差和方差，减少过拟合，提升模型稳定性和准确率。

特征工程：是将原始数据转化为有效特征的过程，核心目标是提升模型性能，包括特征构建、特征选择、特