原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
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）
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）与召回率（Recall）
B.精确率（Precision）与召回率（Recall）
C.精确率（Precision）与准确率（Accuracy）
D.召回率（Recall）与特异度（Specificity）
答案：B
解析：F1分数是精确率（Precision）和召回率（Recall）的调和平均，公式为(F1=2)。准确率（Accuracy）是整体正确分类的比例，特异度（Specificity）是负样本正确分类的比例，均不直接参与F1计算。
以下哪项是解决模型过拟合的有效方法？
A.减少训练数据量
B.增加模型复杂度（如加深神经网络层数）
C.添加L2正则化项
D.降低学习率（LearningRate）
答案：C
解析：过拟合的本质是模型对训练数据过度学习，泛化能力差。L2正则化通过在损失函数中添加权重平方和的惩罚项，限制模型参数的大小，从而降低复杂度，缓解过拟合。减少训练数据会加剧过拟合（A错误）；增加模型复杂度会进一步过拟合（B错误）；降低学习率影响训练速度而非过拟合（D错误）。
对于类别特征“学历”（取值：高中、本科、硕士、博士），最适合的编码方法是？
A.标签编码（LabelEncoding）
B.独热编码（One-HotEncoding）
C.标准化（Standardization）
D.分箱（Binning）
答案：B
解析：类别特征无顺序关系时（如“学历”的高中、本科等属于名义变量），独热编码通过创建虚拟变量（0/1）消除隐含的顺序假设，更适合。标签编码会引入顺序（如高中=1，本科=2），可能误导模型（A错误）；标准化用于数值特征（C错误）；分箱用于连续变量离散化（D错误）。
数据标准化（Z-score）的主要目的是？
A.使数据服从均匀分布
B.消除不同特征的量纲差异
C.减少数据中的噪声
D.提高模型的可解释性
答案：B
解析：标准化通过(z=)将特征转换为均值0、标准差1的分布，消除量纲（如“身高（cm）”与“体重（kg）”的单位差异）对模型的影响。标准化不改变分布形态（A错误）；减少噪声需数据清洗（C错误）；可解释性与特征工程相关（D错误）。
以下哪项属于监督学习任务？
A.K-means聚类
B.主成分分析（PCA）
C.决策树分类
D.关联规则挖掘（Apriori）
答案：C
解析：监督学习需要标签数据（输入-输出对），决策树分类通过训练数据（特征+类别标签）学习分类规则，属于监督学习。K-means（无标签聚类）、PCA（无监督降维）、Apriori（无监督关联分析）均为无监督学习（A/B/D错误）。
偏差-方差权衡（Bias-VarianceTradeoff）中，“高偏差”通常对应？
A.模型欠拟合
B.模型过拟合
C.训练误差小，测试误差大
D.模型复杂度过高
答案：A
解析：高偏差指模型对真实关系的近似能力不足（如线性模型拟合非线性数据），表现为训练误差和测试误差均较高（欠拟合）。过拟合对应高方差（B错误）；训练误差小、测试误差大是高方差的表现（C错误）；模型复杂度过高会导致高方差（D错误）。
数据降维（如PCA）的核心目的是？
A.提高模型训练速度
B.完全保留原始数据信息
C.增加特征的可解释性
D.消除数据中的多重共线性
答案：A
解析：降维通过保留主要信息减少特征数量，可降低计算复杂度，加速模型训练。PCA无法完全保留原始信息（会损失部分方差，B错误）；降维后的特征（主成分）通常难以直接解释（C错误）；消除多重共线性是降维的间接效果，非核心目的（D错误）。
L1正则化与L2正则化的主要区别是？
A.L1更易得到稀疏解，L2更平滑
B.L1用于分类任务，L2用于回归任务
C.L1惩罚权重的平方，L2惩罚权重的绝对值
D.L1降低偏差，L2降低方差
答案：A
解析：L1正则化（惩罚权重绝对值）会使部分权重变为0，产生稀疏解（特征选择效果）；L2正则化（惩罚权重平方）使权重趋近于0但不为0，模型更平滑。正则化类型与任务类型无关（B错误）；C选项描述相反（L1是绝对值，L2是平方）；正则化主要降低方差（过拟合），与偏差无关（D错误）。
决策树分裂时，信息增益（InformationGain）基于以下哪个指标？
A.基尼系数（GiniIndex）
B.熵（Entropy）
C.均方误差（MSE）
D.互信息（MutualInformation）
答案：B
解析：信息增益定义为父节点的熵减去子节点的加权熵，公式为(
文档评论（0）