2025年数据建模工程师考试题库（附答案和详细解析）（1211）.docxVIP

数据建模工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪个指标是精确率（Precision）和召回率（Recall）的调和平均值？

A.ROC-AUC

B.F1-Score

C.准确率（Accuracy）

D.均方误差（MSE）

答案：B

解析：F1-Score定义为精确率和召回率的调和平均（公式：2(PR)/(P+R)），用于平衡两者的表现；ROC-AUC衡量分类器在不同阈值下的整体性能；准确率是正确分类样本占比；MSE是回归任务的损失函数。

以下哪种方法最适合解决线性回归模型的过拟合问题？

A.增加训练数据量

B.提高模型复杂度（如增加多项式特征）

C.降低学习率

D.移除所有正则化项

答案：A

解析：过拟合通常因模型复杂度过高或训练数据不足导致，增加数据量可提升模型泛化能力；提高复杂度会加剧过拟合；降低学习率影响训练速度而非泛化；移除正则化项会削弱对过拟合的抑制。

在特征工程中，“将年龄字段从连续值离散化为‘青年/中年/老年’”属于以下哪类操作？

A.特征缩放

B.特征分箱

C.特征编码

D.特征交互

答案：B

解析：特征分箱（Binning）是将连续特征划分为离散区间；特征缩放（如标准化）调整数值范围；特征编码（如独热编码）处理类别变量；特征交互（如年龄×收入）生成新特征。

逻辑回归模型的损失函数通常采用：

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.Hinge损失

D.指数损失

答案：B

解析：逻辑回归假设样本服从伯努利分布，交叉熵损失与极大似然估计等价；MSE用于回归；Hinge损失是SVM的损失函数；指数损失用于AdaBoost。

时间序列建模中，“ACF（自相关函数）在滞后k处显著非零”通常表示：

A.序列存在k阶周期性

B.序列是白噪声

C.序列均值为0

D.序列方差稳定

答案：A

解析：ACF反映序列与其滞后k项的相关性，显著非零表明存在k阶相关性（如季节性周期）；白噪声的ACF仅在k=0处显著；均值和方差稳定是平稳性要求，与ACF无直接关联。

以下哪项不是集成学习中“Boosting”方法的特点？

A.串行训练基模型

B.每个基模型关注前序模型的错误样本

C.基模型之间强依赖

D.降低模型偏差为主

答案：D

解析：Boosting通过串行训练纠正前序错误，降低偏差；Bagging（如随机森林）并行训练，降低方差；基模型间强依赖是Boosting的典型特征。

在分类任务中，若正负样本比例为1:100（极不平衡），最不适合的评估指标是：

A.F1-Score

B.精确率

C.准确率

D.ROC-AUC

答案：C

解析：准确率在样本不平衡时会被多数类主导（如全预测为负类时准确率99%），无法反映模型对少数类的识别能力；F1、精确率、ROC-AUC均能更合理评估。

以下哪种场景最适合使用K-means聚类？

A.客户分群（无标签）

B.预测用户购买概率（有标签）

C.检测信用卡欺诈（异常检测）

D.文本情感分类（二分类）

答案：A

解析：K-means是无监督学习，用于无标签数据的聚类分群；B、D是监督分类任务；C通常用孤立森林或One-ClassSVM。

正则化（Regularization）的核心目的是：

A.提高模型训练速度

B.减少训练误差

C.抑制模型复杂度，防止过拟合

D.增强模型对缺失值的鲁棒性

答案：C

解析：正则化通过在损失函数中添加参数惩罚项（如L1/L2），限制模型复杂度，降低过拟合风险；训练速度由优化算法决定；训练误差可能因惩罚项增加而上升。

以下哪个步骤不属于模型部署前的关键验证？

A.在线A/B测试

B.离线指标评估（如测试集准确率）

C.模型可解释性分析（如SHAP值）

D.数据漂移监测（DataDrift）

答案：B

解析：离线评估是模型训练阶段的验证，部署前需通过A/B测试验证线上效果，分析可解释性确保业务合规，监测数据漂移预防模型性能下降。

二、多项选择题（共10题，每题2分，共20分）

数据清洗的常见方法包括（）

A.缺失值填充（如均值/中位数填补）

B.异常值检测（如Z-score法）

C.数据标准化（如Z-score标准化）

D.特征重要性排序（如随机森林特征重要度）

答案：ABC

解析：数据清洗关注原始数据质量问题，包括缺失值处理、异常值修正、标准化（属于数据变换）；特征重要性排序是特征工程的分析步骤，非清洗范畴。

以下属于集成学习方法的有（）

A.XGBoost

B.KNN

C.随机森林（RandomForest）

D.逻辑回归

答案：AC

解析：XGBoost是Boosting集成方法，随机森林是Bagging