2025年数据建模工程师考试题库（附答案和详细解析）（1216）.docxVIP

数据建模工程师专业能力考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪种数据预处理方法最适用于非线性关系的缺失值填补？

A.均值填补法

B.随机森林填补法

C.删除缺失值记录

D.K近邻（KNN）填补法

答案：B

解析：随机森林填补法通过构建模型预测缺失值，能捕捉变量间的非线性关系，适用于复杂数据场景（正确）；均值填补法假设数据呈正态分布，可能破坏原有分布（错误）；删除缺失值记录会导致数据量损失（错误）；KNN填补法计算成本高且对高维数据不敏感（错误）。

在分类任务中，当正负样本比例为1:99时，最不适合的评估指标是？

A.准确率（Accuracy）

B.F1分数

C.ROC-AUC

D.召回率（Recall）

答案：A

解析：准确率在类别极不平衡时会因多数类主导而虚高（如全部预测为负样本时准确率仍达99%），无法反映模型对少数类的识别能力（错误）；F1、ROC-AUC、召回率均能有效评估不平衡数据（正确）。

以下哪种方法不能有效缓解过拟合？

A.增加训练数据量

B.降低模型复杂度（如减少决策树深度）

C.对输入数据进行标准化

D.应用L2正则化

答案：C

解析：标准化是数据预处理步骤，用于消除量纲影响，与过拟合无直接关联（错误）；增加数据量、降低复杂度、正则化均是经典的过拟合缓解方法（正确）。

特征工程中，“将连续变量年龄划分为[0-18,19-35,36-60,61+]”属于？

A.特征构造

B.特征选择

C.特征离散化

D.特征标准化

答案：C

解析：离散化是将连续变量分段转化为类别变量的过程（正确）；构造是生成新特征（如年龄×收入），选择是筛选重要特征，标准化是归一化处理（错误）。

以下模型中，最适合处理高维稀疏文本数据的是？

A.逻辑回归（LR）

B.支持向量机（SVM）

C.K-均值聚类（K-Means）

D.决策树（DT）

答案：A

解析：逻辑回归对高维稀疏数据计算效率高，且可通过L1正则化实现特征选择（正确）；SVM在高维下易过拟合，K-Means依赖距离计算，决策树对稀疏数据不敏感（错误）。

模型部署时，以下哪个步骤不属于在线监控范畴？

A.数据漂移检测（DataDrift）

B.模型性能衰减预警

C.训练集重采样

D.预测结果异常值报警

答案：C

解析：训练集重采样是离线训练阶段的操作（错误）；数据漂移、性能衰减、异常报警均属于在线监控的核心内容（正确）。

衡量数据质量的关键指标不包括？

A.完整性（Completeness）

B.一致性（Consistency）

C.多样性（Diversity）

D.准确性（Accuracy）

答案：C

解析：数据质量通常关注完整性（无缺失）、一致性（格式统一）、准确性（与真实值匹配）（正确）；多样性是数据分布的特性，非质量指标（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降低模型偏差，L2降低模型方差

D.L1适用于小数据，L2适用于大数据

答案：A

解析：L1正则化通过L1范数惩罚权重，促使部分权重为0（稀疏解）；L2通过L2范数惩罚，使权重更平滑（正确）；两者无任务限制，均降低方差（错误）。

集成学习中，随机森林（RandomForest）的“随机”不体现在？

A.随机选择样本（Bootstrap采样）

B.随机选择特征子集

C.随机初始化树的分裂阈值

D.随机设置树的最大深度

答案：D

解析：随机森林的随机性体现在样本Bootstrap、特征子集选择（正确）；树的深度通常由超参数设定，非随机（错误）。

时间序列建模中，“白噪声”的核心特征是？

A.存在显著的自相关性

B.均值为0，方差恒定，无自相关性

C.具有季节性波动

D.包含趋势项和周期项

答案：B

解析：白噪声是平稳随机序列，均值和方差恒定，且各时间点无自相关（正确）；自相关、季节性、趋势均是白噪声的反面特征（错误）。

二、多项选择题（共10题，每题2分，共20分）（每题至少2个正确选项）

以下属于特征选择方法的有？

A.卡方检验（Chi-squareTest）

B.递归特征消除（RFE）

C.主成分分析（PCA）

D.LASSO回归

答案：ABD

解析：卡方检验（过滤法）、RFE（包装法）、LASSO（嵌入法）均为特征选择方法（正确）；PCA是特征降维（提取新特征），非选择（错误）。

分类模型评估中，常用的指标包括？

A.均方误差（MSE）

B.F1分数

C.ROC曲线下面积（AUC）

D.平均绝对误差（MAE）

答案：BC

解析：F1（综合精确率与召回率）、AUC（衡量分类阈值稳定性）是分类任务核心指