原创力文档- 1
- 0
- 约7.01千字
- 约 11页
- 2026-02-12 发布于上海
- 举报
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）
以下哪项是处理缺失值的合理策略？
A.直接删除所有含缺失值的样本
B.对所有数值型特征用均值填充
C.根据业务场景选择删除、填充或建模处理
D.对所有类别型特征用众数填充
答案：C
解析：缺失值处理需结合业务场景：直接删除（样本量充足时）、填充（均值/中位数/众数或模型预测）、建模（将缺失作为独立类别）。A可能丢失关键信息；B忽略特征分布（如偏态分布用中位数更合适）；D未考虑缺失模式（如缺失可能隐含业务含义）。
评估分类模型时，F1-score主要反映以下哪对指标的平衡？
A.准确率与召回率
B.精确率与召回率
C.精确率与准确率
D.召回率与特异度
答案：B
解析：F1-score是精确率（Precision）和召回率（Recall）的调和平均数，公式为(F1=2)，用于平衡两者的重要性。准确率是整体正确比例，特异度是负类正确识别率，均不直接参与F1计算。
以下哪种情况最可能导致模型过拟合？
A.训练数据量远大于测试数据量
B.模型复杂度低且特征数量少
C.训练集准确率95%，测试集准确率60%
D.对特征进行标准化处理
答案：C
解析：过拟合表现为模型在训练集效果好但泛化能力差（测试集效果显著下降）。A不直接导致过拟合；B是欠拟合特征；D是常规预处理，降低模型对尺度的敏感。
特征分箱（Binning）的主要目的是？
A.增加特征维度
B.消除特征噪声，提升模型稳定性
C.减少计算复杂度
D.提高特征的稀疏性
答案：B
解析：分箱通过将连续特征离散化为区间，可降低噪声影响（如异常值）、捕捉非线性关系，并提升模型对数据波动的鲁棒性。A错误（分箱减少维度）；C是降维的目的；D是独热编码的效果。
L2正则化的主要作用是？
A.使模型权重稀疏化
B.防止模型过拟合
C.加速梯度下降收敛
D.解决类别不平衡问题
答案：B
解析：L2正则化通过在损失函数中添加权重平方和（(w^2)），惩罚大权重，限制模型复杂度，从而防止过拟合。A是L1正则化的作用；C是优化器（如动量梯度下降）的功能；D需通过采样或调整类别权重解决。
时间序列建模中，ARIMA(p,d,q)的“d”参数表示？
A.自回归阶数
B.差分次数
C.移动平均阶数
D.季节周期长度
答案：B
解析：ARIMA模型中，p是自回归（AR）阶数，d是差分次数（用于消除非平稳性），q是移动平均（MA）阶数。季节周期长度由SARIMA的参数s表示。
以下哪种算法属于无监督学习？
A.逻辑回归
B.K-means聚类
C.随机森林
D.XGBoost
答案：B
解析：无监督学习无标签数据，K-means通过数据点间距聚类。A、C、D均需标签训练（监督学习）。
数据建模流程中，“特征重要性分析”通常在哪个阶段进行？
A.数据清洗
B.模型训练
C.模型评估
D.特征工程
答案：B
解析：特征重要性分析（如树模型的Gini重要性、线性模型的系数）通常在模型训练后，用于验证特征有效性，指导特征选择或业务解释。
处理类别不平衡数据时，以下哪项策略不合理？
A.对少数类进行过采样（Oversampling）
B.对多数类进行欠采样（Undersampling）
C.调整模型损失函数的类别权重
D.直接删除少数类样本
答案：D
解析：直接删除少数类会丢失关键信息，导致模型忽略少数类模式。A、B、C均为常见平衡策略（需注意过采样可能导致过拟合，欠采样可能丢失信息）。
以下哪项不是模型部署前需要验证的内容？
A.模型推理速度
B.数据输入格式兼容性
C.训练集与生产数据分布一致性
D.模型在训练集上的准确率
答案：D
解析：部署前需验证模型在生产环境的表现（推理速度、输入兼容性、数据分布一致性），训练集准确率仅反映拟合能力，无法说明泛化性。
二、多项选择题（共10题，每题2分，共20分）
数据清洗的主要内容包括？（至少2个正确选项）
A.处理缺失值
B.识别并修正异常值
C.去除重复样本
D.对特征进行标准化
答案：ABC
解析：数据清洗针对“脏数据”（缺失、异常、重复）；D属于数据变换（预处理步骤），非清洗范畴。
以下属于分类任务评估指标的有？
A.均方误差（MSE）
B.精确率（Precision）
C.ROC-AUC
D.决定系数（R2）
答案：BC
解析：分类评估指标包括精确率、召回率、F1、ROC-AUC等；MSE和R2是回归任务指标。
特征选择的常用方法包括？
A.过滤法（Filter）：基于统计量筛选
B.包装法（Wrapper）：基于模型性能筛选
C.嵌入法（Embedded）：模型内置特征选择
D.
文档评论（0）