2025年数据建模工程师考试题库（附答案和详细解析）（1128）.docxVIP

数据建模工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项是衡量分类模型在正负样本分布不均衡时的关键指标？

A.准确率（Accuracy）

B.F1分数（F1-score）

C.均方误差（MSE）

D.R方值（R2）

答案：B

解析：准确率在样本不均衡时会被多数类主导（如99%负样本时，全预测负样本准确率99%但无意义）；均方误差和R方值是回归模型指标；F1分数综合了精确率和召回率，适用于不均衡场景。

以下哪种方法最适合处理高维数据中的多重共线性问题？

A.主成分分析（PCA）

B.标准化（Z-score）

C.随机森林特征重要性

D.欠采样（Under-sampling）

答案：A

解析：多重共线性指特征间高度相关，PCA通过线性变换将高维数据投影到低维正交空间，消除共线性；标准化仅调整量纲，不解决共线性；特征重要性用于筛选特征；欠采样用于处理类别不平衡。

在逻辑回归模型中，正则化参数λ（Lambda）增大时，模型复杂度会：

A.不变

B.先增大后减小

C.减小

D.增大

答案：C

解析：正则化（如L2）通过惩罚大的权重参数抑制过拟合，λ越大，惩罚力度越强，模型更简单（复杂度降低）。

时间序列建模中，“季节性”指的是：

A.数据随时间呈现的长期递增/递减趋势

B.数据以固定周期重复的模式（如年度、月度）

C.数据中的随机波动部分

D.数据因外部事件产生的突发变化

答案：B

解析：趋势（Trend）是长期变化；季节性（Seasonality）是固定周期的重复模式（如夏季用电量高峰）；随机波动是残差（Residual）；突发变化是异常值（Outlier）。

以下哪项不属于特征工程中的“特征构造”？

A.从日期字段提取“星期几”

B.计算“收入/支出”作为新特征

C.用XGBoost计算特征重要性

D.将“年龄”分箱为“青年/中年/老年”

答案：C

解析：特征构造是生成新特征的过程（A、B、D均为构造）；特征重要性计算属于特征选择，用于筛选已有特征。

评估回归模型时，“平均绝对误差（MAE）”与“均方误差（MSE）”的主要区别是：

A.MAE对异常值更敏感

B.MSE对异常值更敏感

C.MAE是无偏估计，MSE是有偏估计

D.MSE的单位与原数据一致

答案：B

解析：MSE计算误差的平方，会放大异常值的影响（如误差2变为4，误差3变为9）；MAE是绝对误差，对异常值更鲁棒；两者均为无偏估计；MAE单位与原数据一致，MSE单位是平方。

以下哪种场景最适合使用K-means聚类？

A.预测用户是否会购买某商品（二分类）

B.识别客户群体的潜在细分（无监督）

C.预测房价（连续值）

D.检测信用卡交易中的异常操作（异常检测）

答案：B

解析：K-means是无监督学习，用于聚类（分组）；A是分类任务（监督）；C是回归任务（监督）；D通常用孤立森林或LOF（局部离群因子）。

在模型调参中，“网格搜索（GridSearch）”与“随机搜索（RandomSearch）”的主要区别是：

A.网格搜索覆盖所有参数组合，随机搜索随机采样

B.随机搜索计算效率更低

C.网格搜索更适合高维参数空间

D.随机搜索无法找到最优解

答案：A

解析：网格搜索遍历预设参数网格的所有组合（计算成本高，适合低维）；随机搜索随机采样参数组合（效率更高，适合高维）；两者均可能找到近似最优解。

以下哪项是数据清洗中处理缺失值的合理方法？

A.直接删除所有含缺失值的样本（当缺失率50%时）

B.用变量均值填充时间序列数据的缺失值

C.对分类变量用“未知”作为新类别填充

D.对数值变量用最大值填充缺失值

答案：C

解析：缺失率50%时直接删除会丢失大量信息，应考虑插值或模型预测；时间序列需考虑时序性（如前向填充）；用最大值填充可能引入异常值；分类变量用“未知”保留缺失信息是合理方法。

以下哪种模型属于生成式模型？

A.逻辑回归

B.支持向量机（SVM）

C.朴素贝叶斯

D.梯度提升树（GBDT）

答案：C

解析：生成式模型学习联合分布P(X,Y)（如朴素贝叶斯假设特征独立，学习P(X|Y)和P(Y)）；判别式模型学习条件分布P(Y|X)（逻辑回归、SVM、GBDT均属此类）。

二、多项选择题（共10题，每题2分，共20分）

数据预处理中，“数据标准化（Z-score）”的适用场景包括：

A.特征量纲差异大（如身高cm与体重kg）

B.模型对尺度敏感（如SVM、KNN）

C.时间序列数据的趋势分析

D.决策树类模型（如随机森林）

答案：AB

解析：标准化通过（X-μ)/σ消除量纲影响，适用于依赖距离计算的模型（SVM、KNN）；时间序列趋势分析需保留原始尺度；决策树