2025年高级数据分析师考试题库（附答案和详细解析）（1201）.docxVIP

高级数据分析师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项是数据挖掘的核心任务？

A.数据清洗与预处理

B.构建预测模型

C.数据可视化展示

D.数据库存储优化

答案：B

解析：数据挖掘的核心是从数据中发现潜在模式或规律，构建预测模型（如分类、回归）是其主要任务。A是数据预处理步骤，C是结果展示手段，D属于数据库管理范畴，均非核心任务。

在分类模型评估中，F1分数综合考虑了以下哪两个指标？

A.准确率（Accuracy）和召回率（Recall）

B.精确率（Precision）和召回率（Recall）

C.精确率（Precision）和特异度（Specificity）

D.准确率（Accuracy）和FPR（假阳性率）

答案：B

解析：F1分数是精确率（预测为正且实际为正的比例）和召回率（实际为正且被正确预测的比例）的调和平均数，公式为(F1=2)。其他选项中，准确率未区分正负样本，特异度和FPR是针对负样本的指标，均不直接参与F1计算。

以下哪种情况最可能导致数据偏移（DataDrift）？

A.训练集与测试集来自同一分布

B.模型上线后用户行为随季节变化

C.特征工程中对连续变量进行分箱

D.使用交叉验证划分训练集和验证集

答案：B

解析：数据偏移指模型部署后，输入数据的分布（如用户行为、环境因素）与训练数据分布不一致。B选项中用户行为随季节变化属于典型的概念偏移（ConceptDrift）。A是理想情况，C是特征处理手段，D是模型验证方法，均不会导致数据偏移。

AB测试中，“统计显著性”的本质是？

A.实验结果由随机误差导致的概率

B.实验组与对照组的绝对差异大小

C.实验结论对业务的实际影响程度

D.样本量是否达到最小要求

答案：A

解析：统计显著性（通常用p值表示）指“在原假设（两组无差异）成立的情况下，观察到当前或更极端结果的概率”。p值越小，越拒绝原假设。B是效应量（EffectSize）的范畴，C是业务显著性，D是样本量计算的前提，均非统计显著性的本质。

时间序列分析中，ARIMA(p,d,q)模型的参数d表示？

A.自回归阶数（AutoregressiveOrder）

B.差分阶数（DifferencingOrder）

C.移动平均阶数（MovingAverageOrder）

D.季节周期数（SeasonalPeriod）

答案：B

解析：ARIMA模型中，d是使时间序列平稳所需的差分次数（如d=1表示一阶差分）。p是自回归项的阶数（使用前p期值预测当前值），q是移动平均项的阶数（使用前q期误差预测当前值），季节周期数属于SARIMA模型的参数。

特征工程中，“WOE（证据权重）”主要用于以下哪种场景？

A.连续变量离散化后的特征重要性评估

B.高维稀疏特征的降维处理

C.非结构化文本数据的向量化

D.时间序列的滞后特征生成

答案：A

解析：WOE（WeightofEvidence）用于衡量分箱后特征值对目标变量的区分能力，公式为(WOE=())，常用于风控模型的分箱评估。B是PCA或LDA的应用场景，C是TF-IDF或词嵌入的任务，D是滞后特征生成方法，均与WOE无关。

以下哪种机器学习算法属于集成学习中的“提升（Boosting）”方法？

A.随机森林（RandomForest）

B.XGBoost

C.k-近邻（k-NN）

D.支持向量机（SVM）

答案：B

解析：Boosting通过串行训练弱分类器，重点关注前一轮错误样本，代表算法有AdaBoost、GBDT、XGBoost。随机森林是Bagging（并行训练多棵决策树），k-NN是惰性学习，SVM是基于间隔最大化的分类器，均非Boosting。

数据仓库（DataWarehouse）的核心特性不包括？

A.面向主题（SubjectOriented）

B.实时更新（Real-timeUpdate）

C.集成性（Integrated）

D.时变性（TimeVariant）

答案：B

解析：数据仓库主要用于支持决策分析，数据以批量方式定期加载（如每日ETL），而非实时更新。其核心特性包括面向主题（按业务主题组织数据）、集成性（整合多源数据）、时变性（保留历史数据）。实时更新是OLTP数据库的特性。

因果推断中，“工具变量（InstrumentalVariable）”的作用是？

A.控制混淆变量（Confounder）的影响

B.替代无法观测的核心变量

C.减少选择偏差（SelectionBias）

D.验证因果关系的时间顺序

答案：A

解析：工具变量需满足与混淆变量相关、与误差项无关、直接影响自变量但不直接