2025年数据科学与大数据技术能力测评试题及答案.docxVIP

2025年数据科学与大数据技术能力测评试题及答案

一、单项选择题（每题2分，共20分）

1.在分析某电商平台用户购买金额分布时，发现数据呈现右偏态（正偏态），则以下统计量关系正确的是：

A.均值中位数众数

B.均值中位数众数

C.中位数均值众数

D.众数均值中位数

答案：A

解析：右偏态分布中，均值受右侧长尾影响较大，通常大于中位数；中位数位于数据中间位置，大于众数（出现频率最高的数值）。

2.以下哪项不是随机森林（RandomForest）相对于梯度提升树（GradientBoostingTree）的典型优势？

A.对异常值不敏感

B.可并行训练

C.天然支持多分类

D.更适合处理高维稀疏数据

答案：D

解析：随机森林通过自助采样（Bootstrap）和特征随机选择降低过拟合，但高维稀疏数据（如文本TF-IDF）中，梯度提升树通过逐步优化损失函数可能更高效，随机森林在此场景下易因特征冗余导致树分裂效率下降。

3.某实时数据流处理系统需支持毫秒级延迟、Exactly-Once语义，且需处理乱序数据（最大延迟30秒），最适合的技术选型是：

A.ApacheSparkStreaming（微批处理）

B.ApacheFlink（事件时间+水印机制）

C.ApacheStorm（原生实时）

D.ApacheKafkaStreams（简单流处理）

答案：B

解析：Flink的事件时间（EventTime）结合水印（Watermark）机制可处理乱序数据，且通过检查点（Checkpoint）实现Exactly-Once语义，延迟可控制在毫秒级；SparkStreaming的微批处理延迟通常在秒级，Storm的At-Least-Once语义需额外处理，KafkaStreams对复杂乱序场景支持较弱。

4.在特征工程中，对“用户注册时间（精确到秒）”字段进行特征构造时，以下哪项操作最不合理？

A.提取“注册小时”作为类别特征

B.计算“注册时间与当前时间的时间差（天）”作为连续特征

C.直接将时间戳（Unix秒数）作为连续特征输入模型

D.对时间戳进行傅里叶变换，提取周期性特征（如周周期）

答案：C

解析：时间戳（如1717238400）作为连续特征时，模型难以直接捕捉时间的周期性（如每天、每周的模式），需通过离散化、周期变换等方式转换；A、B、D均为合理的时间特征构造方法。

5.评估一个二分类模型时，若实际正类样本占比仅0.1%（极不平衡），以下指标中最不适合作为核心评估指标的是：

A.准确率（Accuracy）

B.F1-score

C.AUC-ROC

D.召回率（Recall）

答案：A

解析：极不平衡数据中，模型若全部预测为负类，准确率仍可达99.9%，无法反映模型对正类的识别能力；F1-score综合精确率和召回率，AUC-ROC对类别不平衡不敏感，召回率关注正类覆盖，均更合理。

6.以下关于Hadoop生态组件的描述，错误的是：

A.HBase基于HDFS存储，支持随机读写

B.Hive的底层计算引擎可替换为MapReduce、Tez或Spark

C.ZooKeeper主要用于分布式系统的配置管理和Leader选举

D.Flume仅支持实时数据流的采集，不支持批量数据传输

答案：D

解析：Flume支持实时流（如日志实时采集）和批量数据（通过设置批次大小），其核心是将数据从源（如日志文件）传输到存储（如HDFS、Kafka），支持多种传输模式。

7.在使用PyTorch训练深度学习模型时，若发现训练损失（TrainingLoss）持续下降，但验证损失（ValidationLoss）先下降后上升，最可能的原因是：

A.学习率过小

B.模型过拟合

C.数据未归一化

D.批量大小（BatchSize）过大

答案：B

解析：训练损失下降而验证损失上升，是典型的过拟合现象（模型在训练集上过强，无法泛化到验证集）；学习率过小会导致训练缓慢，数据未归一化可能导致训练不稳定，批量过大可能影响梯度估计准确性，但不会直接导致验证损失上升。

8.某银行需构建反欺诈模型，要求模型能够解释“哪些特征对欺诈判定起关键作用”，以下模型中最不适合的是：

A.逻辑回归（LogisticRegression）

B.梯度提升树（XGBoost）+SHAP值

C.全连接神经网络（FullyConnectedNN）

D.决策树（Decis