2026年数据科学专业认证(CDSP)考试题库（附答案和详细解析）（0103）.docxVIP

数据科学专业认证（CDSP）考试试卷

一、单项选择题（共10题，每题1分，共10分）

混淆矩阵中，F1-score的计算基于以下哪两个指标的调和平均？

A.准确率（Accuracy）和精确率（Precision）

B.精确率（Precision）和召回率（Recall）

C.召回率（Recall）和特异度（Specificity）

D.特异度（Specificity）和准确率（Accuracy）

答案：B

解析：F1-score是精确率（查准率）和召回率（查全率）的调和平均，公式为(F1=2)。选项A错误，准确率是总体正确比例；选项C、D中的特异度是负样本正确识别率，与F1无关。

以下哪种数据标准化方法适用于消除量纲影响且保持数据分布形态？

A.最小-最大归一化（Min-MaxScaling）

B.Z-score标准化（StandardScaling）

C.对数变换（LogTransformation）

D.分位数变换（QuantileTransformation）

答案：B

解析：Z-score标准化通过(z=)将数据转换为均值0、标准差1的分布，仅调整量纲，不改变原始分布形态。选项A会将数据压缩到[0,1]区间，改变分布范围；选项C、D会改变数据分布形态（如对数变换处理右偏分布）。

以下哪项是解决过拟合问题的有效方法？

A.增加训练数据量

B.减少模型复杂度

C.增加模型层数

D.降低正则化系数

答案：A

解析：过拟合是模型对训练数据过度学习，泛化能力差。增加训练数据量可提升模型泛化能力（选项A正确）。减少模型复杂度（如减少决策树深度）也是方法，但选项B表述不完整；增加模型层数（选项C）会加剧过拟合；降低正则化系数（选项D）会削弱对模型复杂度的惩罚，同样加剧过拟合。

决策树算法中，信息增益用于衡量特征的分裂能力，其计算基于以下哪个指标？

A.基尼不纯度（GiniImpurity）

B.熵（Entropy）

C.均方误差（MSE）

D.交叉熵损失（Cross-EntropyLoss）

答案：B

解析：信息增益（InformationGain）的定义为父节点的熵减去子节点的加权熵，公式为(IG=H(D)-H(D_i))，其中H(D)是熵。选项A是CART算法的分裂指标；选项C用于回归树；选项D是分类模型的损失函数。

线性回归模型的最小二乘法（OLS）估计的目标是最小化以下哪项？

A.绝对误差和（MAE）

B.均方误差（MSE）

C.对数损失（LogLoss）

hinge损失（HingeLoss）

答案：B

解析：OLS通过最小化预测值与真实值的平方差之和（即MSE）求解参数，公式为(_w(y_i-_i)^2)。选项A是L1损失；选项C用于逻辑回归；选项D用于SVM。

K-means聚类算法的停止条件通常是？

A.所有样本不再改变所属簇

B.簇的数量达到预设值

C.迭代次数超过100次

D.轮廓系数（SilhouetteScore）达到0.8

答案：A

解析：K-means的核心停止条件是质心不再变化或样本所属簇不再更新（选项A正确）。预设簇数量（选项B）是输入参数；迭代次数（选项C）是人为设定的终止条件之一，但非核心；轮廓系数（选项D）是评估指标，非停止条件。

随机森林（RandomForest）中计算特征重要性的常用方法是？

A.特征在树中被选中的次数

B.特征分裂时的信息增益总和

C.特征被删除后模型性能的下降幅度

D.特征的方差大小

答案：B

解析：随机森林通过统计所有树中该特征分裂时的基尼不纯度（或信息增益）的总减少量来计算重要性（选项B正确）。选项A是简单计数，未考虑分裂效果；选项C是置换重要性（PermutationImportance）的计算方法；选项D与特征重要性无关。

关联规则挖掘中，支持度（Support）的定义是？

A.包含前件和后件的事务数占总事务数的比例

B.包含前件的事务中包含后件的比例

C.规则同时覆盖前件和后件的置信度

D.前件和后件同时出现的提升度（Lift）

答案：A

解析：支持度(Support(X→Y)=)，即同时包含X和Y的事务占比（选项A正确）。选项B是置信度（Confidence）；选项C混淆了支持度与置信度；选项D是提升度，衡量规则的有效性。

时间序列数据的组成部分不包括以下哪项？

A.趋势（Trend）

B.季节性（Seasonality）

C.周期性（Cyclical）

D.白噪声（WhiteNoise）

答案：D

解析：时间序列的四大组成部分是趋势（长期变化）、季节性（固定周期波动）、周期性（非固定周期波动）和随机波动