2026年数据科学家面试要点及答案参考.docxVIP

第PAGE页共NUMPAGES页

2026年数据科学家面试要点及答案参考

一、统计学基础（5题，每题6分）

1.描述性统计与假设检验

题目：某电商平台A和B的月销售额数据如下：A：120,135,150,145,160；B：130,140,145,150,155。假设显著性水平α=0.05，请检验两家平台销售额是否存在显著差异，并说明检验过程。

答案：

（1）计算描述性统计量：

A平台均值=140，标准差=12.91；B平台均值=145，标准差=7.75。

（2）选择检验方法：两组独立样本t检验（因样本量n30且方差未知）。

（3）计算t统计量：

t=(140-145)/(√((12.912/5)+(7.752/5)))=-1.41

（4）查t分布表：自由度df=8，α=0.05双侧检验临界值为2.306。

（5）结论：|t|=1.412.306，未拒绝原假设，两家平台销售额无显著差异。

解析：需注意样本量小且方差不等，t检验比z检验更适用。实际应用中可补充方差齐性检验（如F检验）。

2.相关性与回归分析

题目：某城市出租车单次行程时间（分钟）与行驶距离（公里）数据如下：时间：10,12,15,20,25；距离：5,7,10,15,20。计算两者相关系数，并建立线性回归模型预测时间。

答案：

（1）计算相关系数r：

r=cov(X,Y)/(σxσy)=45/√(175×175)≈0.954

（2）回归方程：

Y?=5+0.9X（时间=5+0.9×距离）

（3）模型解释：相关系数接近1，线性关系强；截距5表示最小时间，斜率0.9说明每公里耗时约0.9分钟。

解析：需警惕共线性问题，实际场景需检验残差正态性。

3.卡方检验应用

题目：某电商A/B测试两种营销方案对转化率的影响（数据表）：

|方案|转化|未转化|总计|

|||--||

|A|30|170|200|

|B|40|160|200|

α=0.05，是否有效？

答案：

（1）计算期望频数：

E11=(200×70)/400=35,E12=(200×230)/400=115

（2）卡方统计量：

χ2=Σ((O-E)2/E)=(30-35)2/35+(170-115)2/115+...≈4.62

（3）临界值：df=(2-1)×(2-1)=1，α=0.05临界值为3.841。

（4）结论：χ2=4.623.841，拒绝原假设，方案B显著更优。

解析：需满足频数1，理论频数5单元格20%的条件。

4.置信区间计算

题目：某外卖平台抽样100份订单，平均配送时间50分钟，标准差8分钟。求95%置信区间。

答案：

（1）标准误：SE=8/√100=0.8

（2）区间计算：50±1.96×0.8=[48.48,51.52]

（3）实际意义：真实平均配送时间在48.48-51.52分钟概率为95%。

解析：大样本可用正态分布，小样本需t分布修正。

5.中心极限定理

题目：某超市客单金额服从均值80元、方差64的分布，随机抽50笔订单，求样本均值超过85元的概率。

答案：

（1）分布转换：样本均值的抽样分布N(80,1.6)

（2）标准化：Z=(85-80)/1.6=6.25

（3）概率：P(Z6.25)≈0（实际为0.0001，但远超正常阈值）

（4）说明：极端值概率极低，可能需重新抽样的合理性。

解析：需判断极端概率是否为抽样误差，或是否存在数据录入错误。

二、机器学习算法（6题，每题7分）

1.决策树算法

题目：某银行客户流失数据包含年龄、收入、信用分，构建决策树预测流失倾向。以下特征优先级排序是否合理？

A：收入B：信用分C：年龄D：婚姻状况

答案：

不合理。正确排序应为：

1.信用分（流失与信用相关性最强）

2.收入（高收入客户流失概率低）

3.年龄（年轻群体更易流失）

4.婚姻状况（关联性最弱）

实际建议：需用信息增益/基尼系数量化，避免先验偏见。

解析：需结合业务理解，如收入对流失的影响可能随年龄段变化。

2.逻辑回归与ROC

题目：某保险理赔模型AUC=0.82，BUC=0.75。解释两指标差异，并说明如何优化。

答案：

（1）差异说明：

-AUC（AreaUnderCurve）覆盖全样本，反映整体区分能力

-BUC（BinaryUpliftCurve）关注高价值群体，对业务转化更直接

（2）优化方向：

-提升右下角（正例多）的预测精度

-调整阈值（如用代价敏感学习）

-增加高价值特征（如客户历史赔付记录）

解