2025年数据建模工程师考试题库（附答案和详细解析）（1220）.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）

以下哪种模型最适合处理线性可分的二分类问题？

A.支持向量机（核函数为RBF）

B.逻辑回归

C.随机森林

D.K近邻（K=3）

答案：B

解析：逻辑回归是基于线性回归的分类模型，假设数据线性可分，通过sigmoid函数输出概率，最适合线性可分场景。A选项的RBF核SVM适用于非线性数据；C选项随机森林是集成模型，适用于复杂非线性关系；D选项KNN依赖数据分布，对线性可分问题效率较低。

特征工程中，信息价值（IV值）主要用于评估：

A.特征的缺失率

B.特征与目标变量的相关性

C.特征的离散程度

D.特征的多重共线性

答案：B

解析：IV值（InformationValue）是衡量特征对目标变量预测能力的指标，值越大表示特征与目标的相关性越强。A是缺失值统计指标；C常用方差或标准差衡量；D用VIF（方差膨胀因子）评估。

分类模型评估中，F1分数的计算基于：

A.准确率和召回率

B.精确率和准确率

C.精确率和召回率

D.召回率和AUC-ROC

答案：C

解析：F1分数是精确率（Precision）和召回率（Recall）的调和平均值，公式为(F1=2)。准确率是整体正确分类比例，AUC-ROC是综合正负样本区分能力的指标，均不直接参与F1计算。

以下哪种方法最不能缓解模型过拟合？

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.增加正则化参数λ

D.对输入数据进行标准化

答案：D

解析：数据标准化（如Z-score）仅调整特征尺度，不影响模型复杂度或泛化能力，无法缓解过拟合。A通过增加数据多样性提升泛化；B减少模型拟合噪声的能力；C通过正则化惩罚复杂模型，均能缓解过拟合。

处理数值型特征的缺失值时，若数据分布存在严重右偏，最合理的填充方法是：

A.均值填充

B.中位数填充

C.众数填充

D.随机值填充

答案：B

解析：中位数对极端值不敏感，适合偏态分布数据；均值易受极端值影响（右偏时均值大于中位数），会扭曲数据分布；众数适用于分类型特征；随机填充引入噪声，不可取。

随机森林（RandomForest）的核心思想属于：

A.Bagging

B.Boosting

C.Stacking

D.迁移学习

答案：A

解析：随机森林通过自助采样（Bootstrap）生成多个独立决策树，最终结果由投票或平均得到，属于Bagging（BootstrapAggregating）方法。Boosting（如XGBoost）是串行优化弱模型；Stacking是模型融合；迁移学习是跨领域建模。

在小样本场景下，最适合的交叉验证方法是：

A.简单交叉验证（7:3划分）

B.K折交叉验证（K=5）

C.留一交叉验证（LOOCV）

D.分层交叉验证

答案：C

解析：留一交叉验证每次用n-1个样本训练，1个测试，无数据浪费，适合小样本（n≤100）。A/B会损失部分数据；D用于类别不平衡，不直接解决小样本问题。

模型部署时，以下哪种格式支持跨框架模型转换（如PyTorch转TensorFlow）？

A.HDF5

B.ONNX

C.SavedModel

D.Joblib

答案：B

解析：ONNX（开放神经网络交换格式）是跨框架的模型表示标准，支持不同框架间的模型迁移。A是HDF5存储格式；C是TensorFlow专属；D是Python对象序列化工具。

L1正则化（Lasso）的主要作用是：

A.防止梯度消失

B.使模型参数更稀疏（很多参数为0）

C.降低模型偏差

D.加速模型训练

答案：B

解析：L1正则化在损失函数中加入参数绝对值之和，会迫使部分参数趋近于0，实现特征选择（稀疏解）。L2正则化（Ridge）使参数更小但非零；防止梯度消失需调整激活函数或初始化；降低偏差需增加模型复杂度；加速训练靠优化器或硬件。

ARIMA模型中参数d表示：

A.自回归阶数

B.移动平均阶数

C.差分次数

D.季节周期

答案：C

解析：ARIMA(p,d,q)中，p是自回归阶数（AR部分），d是差分次数（消除非平稳性），q是移动平均阶数（MA部分）。季节周期由SARIMA的参数s表示。

二、多项选择题（共10题，每题2分，共20分）

以下属于特征选择的常用方法有：

A.卡方检验

B.方差膨胀因子（VIF）

C.互信息（MI）

D.随机森林特征重要性

答案：ACD

解析：卡方检验（分类特征与目标的相关性）、互信息（衡量变量间依赖程度）、随机森林重要性（基于特征分裂时的信息增益）均是特征选择方法。VIF用于检测多重共线性，属于特征质量评估，非选择方法。

模型出现过拟合时，可能的表现有：

A.