2026年数据建模工程师考试题库（附答案和详细解析）（0102）.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）

在分类模型评估中，F1分数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FPR（假正率）

D.FPR（假正率）和TPR（真正率）

答案：B

解析：F1分数是精确率（Precision）和召回率（Recall）的调和平均，公式为(F1=2)。A选项的准确率是整体正确分类比例，不直接影响F1；C和D涉及的FPR/TPR是ROC曲线的指标，与F1无关。

以下哪种数据预处理方法适用于消除特征间量纲差异，但不会改变数据分布形态？

A.归一化（Min-MaxScaling）

B.标准化（Z-ScoreNormalization）

C.对数变换（LogTransformation）

D.分箱（Binning）

答案：B

解析：标准化通过(z=)将数据转换为均值为0、标准差为1的分布，仅调整量纲，不改变原分布形态；归一化会将数据压缩到[0,1]区间，可能改变分布范围；对数变换用于处理偏态分布，会改变形态；分箱是离散化操作，与量纲无关。

当模型在训练集上准确率为95%，测试集上准确率为60%时，最可能的问题是？

A.欠拟合（Underfitting）

B.过拟合（Overfitting）

C.数据不平衡（ClassImbalance）

D.特征缺失（FeatureMissing）

答案：B

解析：过拟合的典型表现是模型在训练集上表现优异，但在未见过的测试集上泛化能力差；欠拟合会导致训练集和测试集表现都差；数据不平衡会导致模型偏向多数类，但不会出现训练-测试性能大幅差异；特征缺失可能影响整体性能，但不会特指训练-测试差异。

决策树算法中，ID3算法选择分裂特征的依据是？

A.信息增益（InformationGain）

B.信息增益率（GainRatio）

C.基尼系数（GiniIndex）

D.均方误差（MSE）

答案：A

解析：ID3算法基于信息增益选择最优分裂特征；C4.5算法使用信息增益率解决ID3对取值多的特征的偏好问题；CART算法分类任务用基尼系数，回归任务用均方误差。

以下哪项属于特征选择（FeatureSelection）而非特征提取（FeatureExtraction）？

A.主成分分析（PCA）降维

B.计算特征的IV值（信息价值）并筛选

C.用嵌入法（L1正则化）自动筛选特征

D.对类别特征进行独热编码（One-HotEncoding）

答案：B

解析：特征选择是从原有特征中筛选重要特征（如基于IV值筛选）；特征提取是通过变换生成新特征（如PCA）；C选项的嵌入法本质是模型训练过程中自动选择特征，属于特征选择；D是特征变换，属于特征工程但非选择/提取。

时间序列建模中，ARIMA模型的“MA”代表？

A.自回归（AutoRegressive）

B.移动平均（MovingAverage）

C.差分（Differencing）

D.整合（Integrated）

答案：B

解析：ARIMA的结构为AR(p)（自回归）+I(d)（差分整合）+MA(q)（移动平均），其中MA(q)表示模型误差项的移动平均部分。

以下哪种集成学习方法属于Boosting类？

A.随机森林（RandomForest）

B.GBDT（梯度提升决策树）

C.极端随机树（ExtraTrees）

D.隔离森林（IsolationForest）

答案：B

解析：Boosting方法通过串行训练弱分类器，逐步修正前序模型的错误（如GBDT）；Bagging方法（随机森林、极端随机树）通过并行训练多个基模型并投票；隔离森林是无监督异常检测算法，不属于集成学习框架。

以下哪项操作最可能导致数据泄露（DataLeakage）？

A.在训练集上进行标准化后，用相同参数标准化测试集

B.在特征工程中使用测试集的统计量（如均值）处理训练集

C.对类别不平衡数据进行SMOTE过采样时仅作用于训练集

D.用交叉验证划分训练集和验证集

答案：B

解析：数据泄露指测试集信息在训练阶段被不当使用。B选项中用测试集统计量处理训练集，导致训练数据包含测试集信息，模型泛化能力被高估；A是正确操作（使用训练集参数标准化测试集）；C和D均为合理步骤。

模型部署到生产环境前，关键的验证步骤不包括？

A.延迟测试（LatencyTest）

B.压力测试（StressTest）

C.概念漂移检测（ConceptDriftDetection）

D.特征重要性分