数据挖掘期末考试题及参考答案.docxVIP

数据挖掘期末考试题及参考答案

数据挖掘期末考试题

考试时间：120分钟满分：100分

一、单项选择题（每题3分，共30分）

下列不属于数据挖掘核心任务的是（）

A.分类与回归B.聚类分析C.数据采集D.关联规则挖掘

在决策树算法中，用于衡量特征重要性的指标不包括（）

A.信息增益B.基尼系数C.支持度D.信息增益比

以下关于K-Means聚类算法的描述，错误的是（）

A.K值需要提前设定B.对初始聚类中心敏感C.适合处理非球形分布的数据D.计算复杂度较低

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在总事务中出现的比例D.项集B在总事务中出现的比例

下列哪种算法属于监督学习算法（）

A.K-MeansB.层次聚类C.随机森林D.DBSCAN

数据预处理中，处理缺失值的常用方法不包括（）

A.删除记录B.均值填充C.特征标准化D.回归填充

关于过拟合问题，下列说法正确的是（）

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.降低模型复杂度会加重过拟合

D.过拟合只存在于分类算法中

协同过滤推荐算法的核心思想是（）

A.基于物品的属性进行推荐B.基于用户的历史行为相似性推荐

C.基于内容特征匹配推荐D.基于规则库进行推荐

以下哪种距离度量方法不适合用于连续型数据（）

A.欧氏距离B.曼哈顿距离C.汉明距离D.切比雪夫距离

在数据挖掘模型评估中，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)

二、简答题（每题8分，共40分）

简述数据挖掘与传统数据分析的区别与联系。

说明决策树算法的基本原理和主要优缺点。

什么是聚类分析？请列举两种常用的聚类算法，并简要说明其适用场景。

解释关联规则挖掘中的“置信度”和“支持度”，并说明为什么需要同时考虑这两个指标。

数据预处理在数据挖掘中的作用是什么？主要包含哪些步骤？

三、应用分析题（每题15分，共30分）

某电商平台想要通过数据挖掘优化商品推荐策略，现有用户的购买记录、浏览记录、商品分类信息等数据。请回答以下问题：

（1）该场景下适合采用哪种数据挖掘方法进行推荐？说明理由。

（2）在数据预处理阶段，需要重点处理哪些问题？（至少列举3点）

（3）如何评估推荐算法的效果？请给出2-3个核心评估指标及含义。

某银行想要构建一个信用风险评估模型，用于判断客户的贷款违约概率。现有客户的基本信息（年龄、收入、职业）、信贷历史（还款记录、逾期次数）等数据。请回答以下问题：

（1）该问题属于数据挖掘中的哪类任务？适合选择哪些算法进行建模？（至少列举2种）

（2）如果数据中存在部分客户的收入信息缺失，应如何处理？请说明不同处理方法的适用情况。

（3）模型训练完成后，如何验证模型的有效性？请设计一个简单的验证方案。

参考答案

一、单项选择题（每题3分，共30分）

C2.C3.C4.B5.C

C7.B8.B9.C10.C

二、简答题（每题8分，共40分）

区别：传统数据分析侧重描述性分析和诊断性分析，基于已知假设验证结论，数据量较小；数据挖掘侧重预测性分析和发现性分析，无需预先设定假设，自动从海量数据中挖掘隐藏模式，数据量更大、类型更复杂。

联系：数据挖掘是传统数据分析的延伸和深化，两者都以数据为基础，都需要数据预处理、分析建模等步骤，传统数据分析的结果可作为数据挖掘的假设依据，数据挖掘的发现可通过传统数据分析进一步验证。

基本原理：以树形结构表示决策规则，根节点为全部样本，每个内部节点对应一个特征测试，分支为测试结果，叶节点为分类/回归结果；通过递归划分样本空间，使每个子空间的样本尽可能属于同一类别（分类）或目标值相近（回归）。

优点：直观易懂、可解释性强，无需特征标准化，能处理离散型和连续型数据，对异常值不敏感。

缺点：容易过拟合，对噪声数据敏感，处理不平衡数据效果较差，多分类问题中复杂度较高。

聚类分析：将无标签数据按相似度划分为不同簇，同一簇内样本相似度高，不同簇间样本相似度低的过程，属于无监督学习。

常用算法及适用场景：

（1）K-Means：适用于数据分布较均匀、簇