2025年高级数据分析师考试题库（附答案和详细解析）（1218）.docxVIP

高级数据分析师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪种数据清洗方法最适用于非线性关系的缺失值填充？

A.均值填充

B.回归填充

C.随机森林填充

D.删除含缺失值的记录

答案：C

解析：随机森林填充通过多棵决策树学习特征间的非线性关系，能更准确捕捉数据模式（尤其适用于高维、非线性场景）；均值填充仅适用于正态分布的数值型变量，忽略数据分布差异；回归填充假设变量间线性关系，可能引入模型偏差；删除记录会导致数据量损失，仅适用于缺失率极低的情况。

在评估分类模型时，若业务场景中“假阳性”（FP）的成本远高于“假阴性”（FN），应优先关注以下哪个指标？

A.准确率（Accuracy）

B.召回率（Recall）

C.F1分数

D.精确率（Precision）

答案：D

解析：精确率（Precision=TP/(TP+FP)）衡量“预测为正例中实际为正例的比例”，当FP成本高时（如垃圾邮件误判为正常邮件），需降低FP，因此优先提升精确率；召回率关注FN（如疾病漏诊），准确率受类别不平衡影响大，F1是精确率与召回率的调和平均，不侧重单一成本。

以下哪项不属于数据挖掘的核心任务？

A.关联规则挖掘

B.聚类分析

C.数据可视化

D.分类与预测

答案：C

解析：数据挖掘的核心任务包括分类、聚类、关联规则、预测等（CRISP-DM流程定义）；数据可视化是数据分析的呈现手段，属于数据展示环节，而非挖掘任务本身。

时间序列分析中，“季节性”的典型周期是？

A.1天

B.1周

C.1年

D.以上均可能

答案：D

解析：季节性指固定周期的重复模式，周期长度由业务场景决定（如零售业日周期、交通流量周周期、能源消耗年周期），因此三种均可能。

特征工程中，“WOE（证据权重）”主要用于？

A.处理类别不平衡

B.衡量特征对目标变量的预测能力

C.降低特征维度

D.处理缺失值

答案：B

解析：WOE（WeightofEvidence）通过计算特征分箱后正负样本的比例差异，衡量特征与目标变量的相关性（常见于信用评分模型）；处理类别不平衡常用过采样/欠采样，降维用PCA等，缺失值处理用填充或删除。

A/B测试中，若实验组与对照组的样本量差异超过20%，最可能导致？

A.统计功效不足

B.选择偏差

C.第一类错误（α错误）增加

D.第二类错误（β错误）减少

答案：B

解析：样本量差异过大可能源于非随机分配（如流量分割错误），导致两组用户特征分布不一致（选择偏差），影响结果的有效性；统计功效与样本量绝对值相关，α错误由显著性水平决定，β错误与功效成反比。

数据仓库的“ETL”流程中，“L”指？

A.Extract（抽取）

B.Transform（转换）

C.Load（加载）

D.Layer（分层）

答案：C

解析：ETL是抽取（Extract）、转换（Transform）、加载（Load）的缩写，加载指将清洗转换后的数据存入目标数据仓库。

以下哪种机器学习算法属于“生成式模型”？

A.逻辑回归

B.支持向量机（SVM）

C.朴素贝叶斯

D.随机森林

答案：C

解析：生成式模型通过学习数据的联合概率分布P(X,Y)（如朴素贝叶斯假设特征独立，计算P(Y|X)=P(X|Y)P(Y)/P(X)）；判别式模型直接学习决策边界P(Y|X)（如逻辑回归、SVM、随机森林）。

衡量用户生命周期价值（LTV）时，核心指标不包括？

A.客户获取成本（CAC）

B.平均订单价值（AOV）

C.客户留存率（RetentionRate）

D.复购频率（PurchaseFrequency）

答案：A

解析：LTV=（AOV×复购频率×生命周期长度）×（1-流失率），CAC是获取客户的成本，用于计算LTV/CAC比值，而非LTV本身的核心指标。

以下哪项是“辛普森悖论”的典型表现？

A.分组数据的趋势与整体数据趋势相反

B.相关关系被误判为因果关系

C.小样本导致统计结论不可靠

D.特征多重共线性影响模型稳定性

答案：A

解析：辛普森悖论指分组分析时呈现的趋势，在合并数据后反转（如某药物在男性和女性子集中有效率更高，但整体有效率更低）；相关与因果的混淆是因果推断问题，小样本是统计功效问题，多重共线性是特征问题。

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）

数据质量评估的核心指标包括？

A.完整性

B.一致性

C.美观性

D.准确性

答案：ABD

解析：数据质量的五大核心指标为完整性（无缺失）、准确性（与真实值一致）、一致性（格式/定义统一）、及时性（更新频率）、有效性（符合业务规则）；美观性属于可视化范畴，与数据质量无关。

以下哪些场景适合使用K-m