2025年高级数据分析师考试题库（附答案和详细解析）（1127）.docxVIP

高级数据分析师考试试卷（总分100分）

一、单项选择题（共10题，每题1分，共10分）

以下哪种数据挖掘方法属于有监督学习？

A.K-means聚类

B.决策树分类

C.Apriori关联规则

D.基于距离的异常检测

答案：B

解析：有监督学习需要标签数据进行训练，决策树分类（B）通过标签数据学习分类规则，属于有监督学习。K-means（A）、Apriori（C）和异常检测（D）均无需标签，属于无监督学习。

在机器学习模型评估中，F1-score主要用于衡量：

A.模型对正类样本的召回能力

B.精确率与召回率的调和平均

C.模型整体预测准确率

D.负类样本的分类效果

答案：B

解析：F1-score是精确率（Precision）和召回率（Recall）的调和平均值，公式为(F1=2)，用于平衡两者的表现（B正确）。A是召回率的定义，C是准确率（Accuracy），D与F1无关。

以下哪种情况最可能导致数据集中出现“辛普森悖论”？

A.数据存在大量缺失值

B.未考虑分组变量的影响

C.特征间存在多重共线性

D.样本量远小于特征数量

答案：B

解析：辛普森悖论指分组数据与整体数据的趋势相反，通常由未控制关键分组变量（如性别、地区）导致（B正确）。A是数据质量问题，C影响模型稳定性，D可能导致过拟合，均与辛普森悖论无关。

AB测试中，若将显著性水平α从0.05调整为0.01，最可能的结果是：

A.第一类错误概率增加

B.统计功效（Power）提高

C.所需样本量增加

D.第二类错误概率降低

答案：C

解析：α是拒绝原假设的阈值，α减小（更严格）会降低第一类错误概率（A错误），但需要更大的样本量来保证统计功效（C正确）。统计功效（Power=1-β）可能因样本量不足而降低（B错误），第二类错误概率β会增加（D错误）。

时间序列分析中，“季节性”指的是：

A.数据随时间呈现的长期增长或下降趋势

B.固定周期（如12个月）内的重复模式

C.由随机因素引起的短期波动

D.不同时间点数据的自相关性

答案：B

解析：季节性（Seasonality）定义为固定周期内的重复模式（如年度、季度）（B正确）。A是趋势（Trend），C是噪声（Noise），D是自相关（Autocorrelation）。

特征工程中，“分箱（Binning）”的主要目的是：

A.消除特征间的多重共线性

B.减少连续变量的噪声影响

C.提高模型的线性表达能力

D.增加特征的稀疏性

答案：B

解析：分箱通过将连续变量离散化为区间，可降低噪声对模型的影响（B正确）。A通过VIF检验或PCA解决，C分箱可能降低线性表达能力（需结合独热编码），D分箱通常减少稀疏性。

以下哪种机器学习偏差属于“选择偏差”？

A.训练数据集中某类样本比例远高于真实分布

B.模型对训练数据过拟合，泛化能力差

C.特征提取时忽略关键变量导致的预测误差

D.不同评估者对标签的定义不一致

答案：A

解析：选择偏差指训练数据无法代表真实分布（如某类样本比例失衡）（A正确）。B是过拟合（方差问题），C是遗漏变量偏差，D是测量偏差。

大数据处理框架Hadoop中，HDFS的核心设计目标是：

A.支持低延迟的交互式查询

B.处理海量非结构化数据的高可靠性存储

C.提供实时流数据处理能力

D.实现内存计算的高效迭代

答案：B

解析：HDFS（Hadoop分布式文件系统）设计目标是存储海量数据，通过多副本机制保证高可靠性（B正确）。A是HBase或Hive的特点，C是SparkStreaming或Flink，D是Spark内存计算的优势。

商业分析中，RFM模型的三个核心指标是：

A.注册时间、消费频率、客单价

B.最近消费时间、消费频率、消费金额

C.用户活跃度、复购率、转化率

D.生命周期阶段、留存率、流失率

答案：B

解析：RFM模型（Recency最近消费时间、Frequency消费频率、Monetary消费金额）是衡量客户价值的经典模型（B正确）。其他选项均未准确对应RFM的定义。

数据可视化中，“欺骗性图表”最可能由以下哪种操作导致？

A.使用对数坐标轴展示指数增长

B.调整图表的y轴刻度范围（非从0开始）

C.用柱状图比较不同类别的均值

D.为多变量数据选择散点图

答案：B

解析：y轴刻度不从0开始会夸大数据差异（如将0-100的柱状图截断为50-100），导致视觉误导（B正确）。A是合理展示指数数据的方法，C和D是正确的图表选择。

二、多项选择题（共10题，每题2分，共20分）

关于混淆矩阵（ConfusionMatrix）的描述，正确的有：

A.TP（TruePositive）是真实正类被正确分类的样本数