2025年数据科学专业认证(CDSP)考试题库（附答案和详细解析）（1129）.docxVIP

数据科学专业认证（CDSP）考试试卷

一、单项选择题（共10题，每题1分，共10分）

若某数据集的均值大于中位数，则数据分布呈现：

A.左偏态（负偏态）

B.右偏态（正偏态）

C.正态分布

D.均匀分布

答案：B

解析：均值受极端值影响较大，右偏态分布中右侧存在较大极端值，会拉高均值，因此均值＞中位数；左偏态则相反（均值＜中位数）。正态分布均值等于中位数，均匀分布无明显偏态。

在分类任务中，F1分数的计算基于以下哪两个指标的调和平均？

A.准确率（Accuracy）和错误率（ErrorRate）

B.精确率（Precision）和特异度（Specificity）

C.召回率（Recall）和特异度（Specificity）

D.精确率（Precision）和召回率（Recall）

答案：D

解析：F1分数定义为精确率（TP/(TP+FP)）和召回率（TP/(TP+FN)）的调和平均，公式为(F1=2)。其他选项中，特异度是TN/(TN+FP)，与F1无关。

机器学习中，L2正则化的主要作用是：

A.防止过拟合

B.解决类别不平衡

C.提升计算效率

D.处理缺失值

答案：A

解析：L2正则化通过在损失函数中添加权重参数的平方和（(w^2)），限制模型复杂度，避免模型过度拟合训练数据中的噪声。其他选项中，类别不平衡需用SMOTE等方法，计算效率与算法优化相关，缺失值处理需填充或删除。

以下哪种场景最需要对数据进行标准化（Z-score标准化）？

A.决策树模型训练

B.计算类别特征的众数

C.基于梯度下降的线性回归

D.统计分类型变量的频率分布

答案：C

解析：标准化（Z-score）通过((x-)/)将数据转换为均值0、标准差1的分布，适用于依赖特征尺度的算法（如梯度下降、支持向量机）。决策树、统计频率等对特征尺度不敏感，无需标准化。

模型过拟合的典型表现是：

A.训练集和测试集准确率都很低

B.训练集准确率低，测试集准确率高

C.训练集和测试集准确率都很高

D.训练集准确率高，测试集准确率低

答案：D

解析：过拟合时模型过度学习训练数据的细节（包括噪声），导致对新数据（测试集）的泛化能力差，因此训练集准确率高但测试集准确率低。训练集和测试集都低是欠拟合，都高是理想状态。

以下哪项属于特征工程中的“特征构造”？

A.用均值填充缺失的年龄值

B.用卡方检验筛选与目标变量相关的特征

C.从“出生日期”字段计算“年龄”字段

D.用主成分分析（PCA）降维

答案：C

解析：特征构造是通过现有特征生成新特征（如日期转年龄、消费金额转人均消费）；A是数据清洗（缺失值处理），B是特征选择，D是特征提取（降维）。

时间序列数据的四大组成部分不包括：

A.长期趋势（Trend）

B.季节变动（Seasonality）

C.循环波动（Cycle）

D.异方差性（Heteroscedasticity）

答案：D

解析：时间序列的经典分解包括长期趋势（T）、季节变动（S）、循环波动（C）和随机波动（I）。异方差性是指误差项的方差随时间变化，属于数据特性而非组成部分。

决策树算法中，ID3算法常用的分裂准则是：

A.Gini指数

B.信息增益

C.均方误差（MSE）

D.交叉熵损失

答案：B

解析：ID3算法基于信息论，选择信息增益最大的特征作为分裂节点；CART算法用Gini指数，回归树用MSE，交叉熵损失常见于逻辑回归。

关联规则分析中，“支持度（Support）”的定义是：

A.包含项集X和Y的交易数占总交易数的比例

B.包含X的交易中同时包含Y的比例

C.规则X→Y的置信度与Y的支持度的比值

D.包含X或Y的交易数占总交易数的比例

答案：A

解析：支持度(Support(X→Y)=P(XY))，即同时包含X和Y的交易比例；B是置信度（Confidence），C是提升度（Lift），D是并集比例，无实际意义。

Hadoop生态中，HDFS（Hadoop分布式文件系统）的核心功能是：

A.分布式计算

B.海量数据存储

C.资源调度管理

D.实时流处理

答案：B

解析：HDFS是Hadoop的存储层，负责将大文件分块存储在集群节点中；分布式计算由MapReduce负责，资源调度由YARN负责，实时流处理由Storm/Flink等工具实现。

二、多项选择题（共10题，每题2分，共20分）

以下属于数据清洗常见操作的有：

A.处理缺失值（如删除、插值填充）

B.检测并修正异常值（如Z-score法、IQR法）

C.对连续变量进行分箱（离散化）

D.去除重复记录（如完全重复或主键重复）

答案：ABD

解析：数据清洗的核心是解决数据“不完