Microsoft Word - CDA LEVELⅡ建模分析师模拟题.docx

Size: px

Start display at page:

Download "Microsoft Word - CDA LEVELⅡ建模分析师模拟题.docx"

钧昙齑劳
5 years ago
Views:

1 说明 : 第一二三部分为客观题, 上机答题, 考试时间 90 分钟 ; 第四部分为案例操作题, 闭卷, 考试时间 120 分钟考生自行携带电脑操作 ( 安装好带有数据挖掘功能的软件如 :SQL SPSS MODELER R PYTHON SAS WEKA 等, 进行案例操作分析案例数据将统一提供 CSV 文件 ) 一单选题 ( 共 60 题 ) 1 答案(D) 一般情况下, 以下哪些指标不用于分类模型中的模型评价 : A. 正确率 Accuracy B. 覆盖率 Recallf C. 命中率 Precision D. 轮廓系数 Silhouette Coefficient 解析 : 轮廓系数通常用于聚类模型的评价 2 答案(A) 一般情况下, 以下哪些指标不用于聚类模型评价 A. 正确率 Accuracy B. 簇间不相似度 C.ARI D. 轮廓系数 Silhouette Coefficient 解析 : 正确率常用于分类模型 3 答案(A) 在使用 ROC 曲线判断模型的优劣时, 以下哪个叙述是正确的? A.ROC 曲线下方的面积越大, 说明模型效果越好 B.ROC 曲线下方的面积越小, 说明模型效果越好 C.ROC 曲线越靠近 45 度斜线, 说明模型效果越好 D.ROC 曲线一般在 45 度斜线下方第 1 页, 共 31 页

2 解析 :ROC 曲线下方的面积越大, 说明模型效果越好 4 答案(D) 在使用线性回归模型 (OLS) 时, 无需特别关注的情况是 A. 异方差性 B. 多重共线性 C. 残差自相关性 D. 查全率解析 : 查全率 (Recall) 是分类模型中的概念 5 答案(C) 以下模型中, 不是线性回归模型 (OLS) 所衍生的模型的是? A.ridge B.lasso C.K-Means D. 弹性网络解析 :K-Means 与 OLS 无关 6 答案(D) 为了判断某班级男女身高是否有差异, 可以使用哪种方法? A. 一元线性回归 B.DW 检验 C.ANOVA D.T 检验解析 : 两组样本均值检验, 用 T 检验 7 答案(B) 混淆矩阵 (confusion matrix) 最可能用来检验哪种模型的结果? A. 一元线性回归 B. 朴素贝叶斯第 2 页, 共 31 页

3 C.K-Means D. 关联规则 8 答案(A) 混淆矩阵 (confusion matrix)( ) 部分的数字越大越好? A. 主对角线 B. 主对角线下方 ( 不含主对角线 ) C. 主对角线上方 ( 不含主对角线 ) D. 除主对角线外的所有区域 9 答案(B) 如果准备观察单维连续型数据的分布情况, 优先使用以下哪种图形? A. 条形图 B. 直方图 C. 散点图 D. 折线图解析 : 直方图用来观察分布情况, 条形图不能条形图可以用来观察类别型字段的分布情况 10 答案(B) 两个点在标准坐标系上的绝对轴距总和指的是? A. 欧氏距离 B. 曼哈顿距离 C. 汉明距离 D. 杰卡德距离解析 : 曼哈顿距离的定义 11 答案(A) Apriori 算法, 最有可能可用来解决以下哪个问题? A. 电子商务网站向顾客推荐商品的广告 B. 信用卡欺诈识别第 3 页, 共 31 页

4 C. 电信用户离网预警 D. 预测 GDP 与工业产值之间的关系 12 答案(C) 广为流传的啤酒与尿布的故事, 其背后的模型实际上是哪一类? A. 分类 (Classification) B. 分群 (Clustering) C. 关联 (Association) D. 预测 (Prediction) 13 答案(A) 使用历史数据构造训练 (Train) 集验证 (Validation) 集和检验 (Test) 集后, 使用哪个数据集来训练模型? A. 训练 (Train) 集 B. 验证 (Validation) 集 C. 检验 (Test) 集 D. 以上都不用解析 : 用训练集来训练模型 14 答案(A) 数据清洗阶段, 对于以下哪些处理方式可以用来处理缺失值? 1 用均值填充 2 转换为哑变量 (0,1), 代表数据是否缺失 3 使用回归模型去预测缺失值 A.123 B.23 C.13 D.12 解析 : 三种都可以用来处理缺失值第 4 页, 共 31 页

5 15 答案(C) 对于极值正规化 (Min-Max Normalization) 及 Z- 分数正规化 (Z-Score Normalization) 的结果, 以下判断正确的是 A. 经过 Z-Score Normalization 处理后的数据, 不可能再有小于 0 的值 B. 经过 Z-Score Normalization 处理后的数据, 不可能再有大于 1 的值 C. 经过 Min-Max Normalization 处理后的数据, 不可能再有小于 0 的值 D. 经过 Min-Max Normalization 处理后的数据, 可能还有大于 1 的值解析 :Z-Score Normalization 处理后的数据会在 0 附近, 也有可能取大于 1 的值 Min-Max Normalization 处理后的数据, 只可能在 0 和 1 之间 16 答案(A) 如果准备观察单维数据的异常值, 优先使用以下哪种图形? A. 箱形图 B. 甘特图 C. 雷达图 D.K 线图解析 : 箱形图用来观察数据的基本情况 17 答案(B) 在获取训练 (Train) 集时, 一般使用什么方法? A. 有放回抽样 B. 无放回抽样 C. 取数据的前 60% 部分 D. 取数据的后 60% 部分解析 : 无放回抽样, 并且保证样本尽可能均匀 18 答案(C) 测试 (Test) 集通常用来 A. 计算模型中的参数 B. 预测未知数据第 5 页, 共 31 页

6 C. 比较不同模型的预测准确度, 以便选择模型 D. 构建模型解析 : 测试集用来评价模型的 19 答案(A) 可以通过以下哪种方法, 检验出多重共线性问题? A. 方差膨胀因子 (VIF) B.DW 检验 C. 观察残差自相关图 D. 观察 R2 的大小 20 答案(B) 对于离群值, 一般采用什么方法处理 A. 均值填充 B. 盖帽法填充 C. 众数填充 D. 中位数填充 21 答案(A) 如果某个特征 (feature) 有大量的异常值, 那么可以采用以下哪些方法处理? 1 盖帽法 2 离散化 3 转化为分类变量 A.123 B.12 C.23 D.13 解析 : 三种方法都可以考虑 22 答案 (D) 第 6 页, 共 31 页

7 对于缺失值, 以下说法正确的是? A. 所有的有监督学习模型都不支持有缺失值的情况 B. 遇到有缺失值的情况, 优先考虑删除变量 C. 对于分类数据, 考虑使用均值填充 D. 对于连续型数据, 考虑使用均值填充 23 答案(C) 缺失值处理属于的那一个阶段? A. 业务理解 B. 建模预测 C. 数据清洗 D. 模型修正 24 答案(D) 在使用某些模型前, 需要使用降维方法来减少变量个数, 以下哪些模型不能用来降维? A.PCA( 主成分分析 ) B.FA( 因子分析 ) C.MDS( 多维尺度分析 ) D.Apriori 解析 : 粒子群算法是一种优化算法 25 答案(A) 以下哪个模型对变量是否标准化不敏感? A. 决策树 B.KNN C.K-Means D.SVM 解析 : 决策树对标准化不敏感, 其它三项都用到距离, 所以对标准化敏感 26 答案 (C) 第 7 页, 共 31 页

8 如果被解释变量是一个五分类离散变量, 某个解释变量是连续变量, 那么使用以下哪个方法或模型来确定这个连续变量是应该剔除还是保留? A.T 检验 B.PACF( 偏自相关系数 ) C.ANOVA D.Huffman 算法解析 :ANOVA 用来判断 x 是连续型,y 是多分类的情况 T 检验用来判断 x 是连续型,y 是二分类的情况 PACF 是时间序列中的方法,Huffman 算法是一种用树来解决数据压缩问题的算法 27 答案(B) 如果被解释变量和某一个解释变量都是连续型变量, 那么可以使用以下哪种模型来判断这一个解释变量是否应当剔除或者保留? A.T 检验 B. 相关系数 C.K-Means D.hash 算法解析 :x,y 全都连续, 用相关系数 28 答案(B) 以下哪些算法是分类算法? A.DBSCAN B.C4.5 C.K-Means D.EM 29 答案(A) 以下哪些分类方法可以较好地避免样本的不平衡问题? A.KNN B.SVM 第 8 页, 共 31 页

9 C.Bayes D. 神经网络 30 答案(C) 以下哪项关于决策树的说法是错误的? A. 冗余属性不会对决策树的准确率造成不利的影响 B. 子树可能在决策树中重复多次 C. 决策树算法对于噪声的干扰非常敏感 D. 寻找最佳决策树是 NP 完全问题 31 答案(A) 以下哪些算法是基于规则的分类器? A.C4.5 B.KNN C.Naive Bayes D.ANN 32 答案(A) 以下关于人工神经网络 (ANN) 的描述错误的有? A. 神经网络对训练数据中的噪声非常鲁棒 B. 可以处理冗余特征 C. 训练 ANN 是一个很耗时的过程 D. 至少含有一个隐藏层的多层神经网络 33 答案(A) 通过聚集多个分类器的预测来提高分类准确率的技术称为? A. 组合 (ensemble) B. 聚集 (aggregate) C. 合并 (combination) D. 投票 (voting) 第 9 页, 共 31 页

10 34 答案(C) 如下哪些不是最近邻分类器的特点? A. 它使用具体的训练实例进行预测, 不必维护源自数据的模型 B. 分类一个测试样例开销很大 C. 最近邻分类器基于全局信息进行预测 D. 可以生产任意形状的决策边界 35 答案(D) 用于分类与回归应用的主要算法有? A.Apriori 算法 HotSpot 算法 B.RBF 神经网络 K 均值法决策树 C.K 均值法 SOM 神经网络 D. 决策树 BP 神经网络贝叶斯 36 答案(B) 下列不是 SVM 核函数的是? A. 多项式核函数 B.logistic 核函数 C. 径向基核函数 D.Sigmoid 核函数 37 答案(D) 基于 Bagging 的集成学习, 其代表算法有? A.Adaboost B.GBDT C.XGBOOST D. 随机森林 38 答案 (C) 第 10 页, 共 31 页

11 Nave Bayes 是一种特殊的 Bayes 分类器, 特征变量是 X, 类别标签是 C, 它的一个假定是? A. 各类别的先验概率 P(C) 是相等的 B. 以 0 为均值,sqr(2)/2 为标准差的正态分布 C. 特征变量 X 的各个维度是类别条件独立随机变量 D.P(X C) 是高斯分布 39 答案(C) 多元线性回归分析中,ESS 反映了? A. 因变量观测值总变差的大小 B. 因变量回归估计值总变差的大小 C. 因变量观测值与估计值之间的总变差 D. 关于 YX 的编辑变化 40 答案(C) 在古典假设成立的条件下用 OLS 方法估计线性回归模型参数, 则参数估计量具有 () 的统计性质 A. 有偏特性 B. 非线性特性 C. 最小方差特性 D. 非一致特性 41 答案(C) 在决策树算法中,ID3 使用哪个度量来进行特征的选择? A. 信息熵 B. 信息增益比 C. 信息增益 D.Gini 指数 42 答案 (B) 卷积神经网络 (CNN) 中 Dropout 层的作用是? 第 11 页, 共 31 页

12 A. 加快收敛速度 B. 防止过拟合 C. 丰富训练样本 D. 增强正样本 43 答案(D) 关于多层前向 BP 网络的特点, 不正确的是? A. 数学理论已证明其具有实现任何复杂非线性映射的功能, 使得它适合求解内部机制复杂的问题 B. 能通过学习带正确答案的实例集自动提取合理的求解规则, 既具有自学习能力 C. 具有一定的推广概况能力 D. 算法学习速度很快 44 答案(A) 对于神经网络的说法, 下面正确的是? A. 增加神经网络层数, 可能会增加测试数据集的分类错误率 B. 减少神经网络层数, 总是能减小测试数据集的分类错误率 C. 增加神经网络层数, 总是能减小训练数据集的分类错误率 D. 增加神经网络层数, 不能减小训练数据集的分类错误率 45 答案(C) 假如我们使用非线性可分的 SVM 目标函数作为最优化对象, 我们怎么保证模型线性可分? A. 设 C=1 B. 设 C=0 C. 设 C= 无穷大 D. 以上都不对 46 答案 (D) 关于逻辑回归对特征进行离散化, 说法错误的是? A. 离散特征的增加和减少都很容易, 易于模型的快速迭代第 12 页, 共 31 页

13 B. 稀疏向量内积乘法运算速度快, 计算结果方便存储, 容易扩展 C. 离散化后的特征对异常数据有很强的鲁棒性 D. 特征离散化后, 模型会变得不稳定 47 答案(D) 基于 Boosting 的集成学习, 其代表算法不包括? A.Adaboost B.GBDT C.XGBOOST D. 随机森林 48 答案(B) 以下不属于分类器评价或比较尺度的有? A. 预测准确度 B. 查全率 C. 模型描述的简洁度 D. 计算复杂度 49 答案(B) 设某公路上经过的货车与客车的数量之比为 2:1, 货车中途停车修理的概率为 0.02, 客车为 0.01, 今有一辆汽车中途停车修理, 求该汽车是货车的概率为? A B.0.80 C.0.40 D.0.60 解析 : 设 B = { 中途停车修理 }, A 1 = { 经过的是货车 }, 2 { } 由贝叶斯公式, 有 A = 经过的是客车, 则 B=A BÈ A B, PA ( 1) PB ( A1) PA ( 3 1 B) = = = 0.80 PA ( 2 1 1) PB ( A1) + PA ( 2) PB ( A2) 第 13 页, 共 31 页

14 50 答案(C) 下面有关分类算法的准确率, 查全率,F1 值的描述, 错误的是? A. 准确率是检索出相关文档数与检索出的文档总数的比率, 衡量的是检索系统的查准率 B. 查全率是指检索出的相关文档数和文档库中所有的相关文档数的比率, 衡量的是检索系统的查全率 C. 正确率查全率和 F 值取值都在 0 和 1 之间, 数值越接近 0, 查准率或查全率就越高 D. 为了解决准确率和查全率冲突问题, 引入了 F1 分数 51 答案(D) 逻辑回归 (logistics regression) 和一般回归分析有什么区别? A. 对数几率回归是设计用来预测事件可能性的 B. 对数几率回归可以用来度量模型拟合程度 C. 对数几率回归可以用来估计回归系数 D. 以上所有 52 答案(C) 在系统聚类中 R 2 是指 : A. 组内离差平方和除以组间离差平方和 B. 组间离差平方和除以组内离差平方和 C. 组间离差平方和除以总离差平方和 D. 组间均方除以总均方 53 答案(A) 在基本 K 均值算法里, 当邻近度函数采用以下哪种距离的时候, 合适的质心是簇中各点的中位数? A. 曼哈顿距离 B. 平方欧几里德距离 C. 余弦距离 D.Bregman 散度第 14 页, 共 31 页

15 54 答案(C) 以下是哪一个聚类算法的算法流程 :1 构造 k- 最近邻图 2 使用多层图划分算法划分图 3repeat: 合并关于相对互连性和相对接近性而言, 最好地保持簇的自相似性的簇 4until: 不再有可以合并的簇 A.MST B.OPOSSUM C.Chameleon D.Jarvis-Patrick(JP) 55 答案(C) BIRCH 是一种 : A. 分类器 B. 聚类算法 C. 关联分析算法 D. 特征选择算法 56 答案(C) 可用作数据挖掘分析中的关联规则算法有 () A. 决策树对数回归关联模式 B.K 均值法 SOM 神经网络 C.Apriori 算法 FP-Tree 算法 D.RBF 神经网络 K 均值法决策树 57 答案(A) 如果允许一条记录触发多条分类规则, 把每条被触发规则的后件看作是对相应类的一次投票, 然后计票确定测试记录的类标号, 称为 : A. 无序规则 B. 穷举规则 C. 互斥规则 D. 有序规则第 15 页, 共 31 页

16 58 答案(C) 考虑下面的频繁 3- 项集的集合 :{1,2,3},{1,2,4},{1,2,5},{1,3,4},{1,3, 5},{2,3,4},{2,3,5},{3,4,5} 假定数据集中只有 5 个项, 采用合并策略, 由候选产生过程得到 4- 项集不包含 : A.1,2,3,4 B.1,2,3,5 C.1,2,4,5 D.1,3,4,5 59 答案(B) 以下属于关联分析的是 : A.CPU 性能预测 B. 购物篮分析 C. 自动判断鸢尾花类别 D. 股票趋势建模 60 答案(C) 决策树中不包含一下哪种结点? A. 根结点 (root node) B. 内部结点 (internal node) C. 外部结点 (external node) D. 叶结点 (leaf node) 二多选题 ( 共 30 题 ) 1 答案(AC) 决策树 (Decision Tree) 算法, 通常可以用来解决何种问题? A. 分类 (Classification) B. 聚类 (Clustering) C. 回归 (Regression) 第 16 页, 共 31 页

17 D. 关联 (Association) 2 答案(AC) 支持向量机 (SVM) 算法, 通常可以用来解决何种问题? A. 分类 (Classification) B. 聚类 (Clustering) C. 回归 (Regression) D. 关联 (Association) 3 答案(AB) 以下哪些算法或模型是有监督学习算法? A. 朴素贝叶斯 B. 决策树 C. 主成分分析法 D.K-Means 解析 :C 是降维算法, 属于无监督学习 ;D 是聚类算法, 是无监督学习算法 4 答案(ABCD) 选择模型时, 可能需要考虑以下哪些因素? A. 模型的正确率 (accurate) B. 模型的泛化能力 (general) C. 模型的稳定性 (stable) D. 模型的易理解性解析 :4 个因素都是需要考虑的 5 答案(AB) 以下算法中, 属于无监督算法的是 () A.K-Means B.PCA C. 随机森林第 17 页, 共 31 页

18 D.KNN 解析 :K-Means 和 PCA 都是无监督算法 6 答案(ABC) 以下算法中, 属于有监督算法的是 () A. 朴素贝叶斯 B. 线性回归 C. 卷积神经网络 D. 因子分析解析 :D 是无监督算法 7 答案(ABC) 当遇到解释变量有多重共线性问题时, 可以采取以下哪些方法以解决多重共线性问题 : A. 变量剔除 B. 降维 C. 更换模型 D. 增添交互效应解析 : 增添交互效应与解决多重共线性无关 8 答案:( AB) 以下几项中, 可以归于知识发掘处理 (Knowledge Discovery Process) 中的数据清洗阶段的有 () A. 异常值处理 B. 缺失值处理 C. 预测结果可视化输出 D. 理解业务背景 9 答案 (CD) 离散型变量使用以下哪个统计量进行缺失值填补较合适? A. 均值第 18 页, 共 31 页

19 B. 最大值 C. 中位数 D. 众数解析 : 中位数或者众数 10 答案(BD) 分类型变量的缺失值可以怎样填充? A. 均值 B. 额外增加一类标签表示缺失 C. 中位数 D. 众数 11 答案(BD) 以下哪些方法属于对异常值或极端值的处理方法? A. 先聚类, 然后用同类的均值填充 B. 距离均值大于三倍标准差的值使用三倍标准差的值替代 C. 用均值填充 D. 超出 1.5 倍 IQR 的值使用 1.5 倍 IQR 的值替代 12 答案(ABC) 在一个二分类的分类预测问题中, 如果二分类中的某一类占比超过 80%, 那么可以考虑哪些方法去改进? A. 改变模型, 例如使用朴素贝叶斯等对偏斜不敏感的模型 B. 升采样 C. 降采样 D. 盖帽法解析 : 对少数类升采样多数类降采样改模型都可以, 盖帽法是处理异常值的手段 13 答案 (ABCD) 如果整个数据分析模型完成后, 发现效果不良, 考虑从哪些步骤入手改进? 第 19 页, 共 31 页

20 A. 数据清洗是否到位 B. 数据理解是否有偏差 C. 模型选择是否合适 D. 参数调整是否合理 14 答案(BC) 对于一个多分类模型, 可以如何选择训练集? A. 有放回简单随机抽样 B. 无放回简单随机抽样 C. 分层抽样 D. 整群抽样 15 答案(ABD) 逻辑回归和 SVM 的联系与区别, 正确的是? A. 二者都可以处理分类问题 B. 二者都可以增加不同的正则化项 C. 二者都是参数模型 D.SVM 的处理方法是只考虑 support vectors, 也就是和分类最相关的少数点, 去学习分类器 16 答案(BC) 以下哪些算法, 可以用神经网络去构造? A.KNN B. 线性回归 C. 逻辑回归 D.K-Means 17 答案 (ABC) C4.5 算法继承了 ID3 算法的优点, 并在以下哪几方面对 ID3 算法进行了改进? A. 用信息增益率来选择属性第 20 页, 共 31 页

21 B. 在树构造过程中进行剪枝 C. 能够完成对连续属性的离散化处理 D. 在树的构造过程中, 不需要对数据集进行多次的顺序扫描和排序 18 答案(ABC) 关于可决系数 R^2, 下列说法中正确的是? A. 可决系数 R^2 的定义为被回归方程已经解释的变差与总变差的比 B.0<=R^2<=1 C. 可决系数 R^2 反映了样本回归线对样本观测值拟合优劣程度的一种描述 D. 可决系数 R^2 的大小不受到回归模型中所包含的解释变量个数的影响 19 答案(BC) 关于线性回归的描述, 以下正确的有? A. 基本假设包括随机干扰项是均值为 0, 方差为 1 的标准正态分布 B. 基本假设包括随机干扰项是均值为 0 的同方差正态分布 C. 在违背基本假设时, 普通最小二乘法估计量不再是最佳线性无偏估计量 D. 在违背基本假设时, 模型不再可以估计 20 答案(BD) 数据挖掘的预测建模任务主要包括哪几大类问题 (BD) A. 模式发现 B. 分类 C. 模式匹配 D. 回归 21 答案(BD) 假定某同学使用 Naive Bayesian(NB) 分类模型时, 不小心将训练数据的两个维度搞重复了, 那么关于 NB 的说法中正确的是? A. 这个被重复的特征在模型中的决定作用会被加强 B. 模型效果相比无重复特征的情况下精确度会降低第 21 页, 共 31 页

22 C. 如果所有特征都被重复一遍, 得到的模型预测结果相对于不重复的情况下的模型预测结果一样 D. 当两列特征高度相关时, 无法用两列特征相同时所得到的结论来分析问题 22 答案(AD) 在整个随机森林的算法过程中, 以下哪两个随机过程可使随机森林很大程度上避免了过拟合现象的出现? A. 构建决策树输入数据的随机选取 B. 构建决策树分裂节点的随机选取 C. 构建决策树树的数量的随机选取 D. 构建决策树所需特征的随机选取 23 答案(ABCD) 在评价不平衡类问题分类的度量方法有如下几种? A.F1 度量 B. 查全率 (recall) C. 精度 (precision) D. 真正率 (ture positive rate, TPR) 24. 答案 (BC) 在统计模式识分类问题中, 当先验概率未知时, 可以使用 ()? A. 最小损失准则 B.N-P 判决 C. 最小最大损失准则 D. 最小误判概率准则 25 答案(ACD) 在分类问题中, 我们经常会遇到正负样本数据量不等的情况, 比如正样本为 10w 条数据, 负样本只有 1w 条数据, 以下最合适的处理方法是 ()? A. 将负样本重复 10 次, 生成 10w 样本量, 打乱顺序参与分类第 22 页, 共 31 页

23 B. 直接进行分类, 可以最大限度利用数据 C. 从 10w 正样本中随机抽取 1w 参与分类 D. 将负样本每个权重设置为 10, 正样本权重为 1, 参与训练过程 26 答案(AB) 贝叶斯信念网络 (BBN) 有如下哪些特点? A. 构造网络费时费力 B. 对模型的过分问题非常鲁棒 C. 贝叶斯网络不适合处理不完整的数据 D. 网络结构确定后, 添加变量相当麻烦 27 答案(CD) 属于簇有效性的监督度量是 : A. 轮廓系数 B. 共性分类相关系数 C. 熵 D.F 度量 28 答案(ABCD) Apriori 算法的计算复杂度受 () 影响 A. 支持度阀值 B. 项数 ( 维度 ) C. 事务数 D. 事务平均宽度 29 答案(AD) 非频繁模式是指 () A. 其支持度小于阈值 B. 都是不让人感兴趣的 C. 包含负模式和负相关模式第 23 页, 共 31 页

D. 对异常数据项敏感 30 答案(AC) 根据购物篮分析的目标, 最有用的规则是那些具有高支持度信度和提升度的规则, 除此之外, 也需要参考 Lift( 提升度 ), 以下关于 Lift 说法正确的是 A. 用来度量一类商品相对于它的一般购买率, 此时被购买的可能性大小 B. 不能避免不平衡数据标签的偏差性 C.

24 D. 对异常数据项敏感 30 答案(AC) 根据购物篮分析的目标, 最有用的规则是那些具有高支持度信度和提升度的规则, 除此之外, 也需要参考 Lift( 提升度 ), 以下关于 Lift 说法正确的是 A. 用来度量一类商品相对于它的一般购买率, 此时被购买的可能性大小 B. 不能避免不平衡数据标签的偏差性 C.Lift 越大, 数据质量越大 D. 如果 lift=1, 说明两个事项有正向关联三内容相关题 ( 共 10 题 ) 1 根据以下混淆矩阵和 ROC 曲线, 回答以下两题 : (1) 答案 (A) ROC 曲线的 x 轴, 实际上可以由每个阈值下混淆矩阵的 () 计算而来 A.C/(C+D) B.D/(A+D) 第 24 页, 共 31 页

25 C.B/(B+C) D.C/(B+C) 解析 : 这是定义, 如果理解混淆矩阵的意义, 也可以使用排除法 (2) 答案 (A) ROC 曲线的 y 轴, 实际上可以由每个阈值下混淆矩阵的 () 计算而来 A.A/(A+B) B.A/(A+D) C.B/(B+C) D.C/(B+C) 解析 : 这是定义, 如果理解混淆矩阵的意义, 也可以使用排除法 2 在进行数据分析时, 经常要分割训练集测试集, 并且还要考虑数据预处理特征抽取特征工程等, 那么要仔细分析这些步骤之间的相互联系关于训练集测试集数据预处理特征工程, 请回答以下问题 (1) 答案 (C) 关于缺失值填充与训练集测试集的关系, 下面正确的操作是 () A. 先用全数据的均值填充缺失值, 然后随机分割训练集测试集 B. 先随机分割训练集测试集, 然后用各自集合的均值填充缺失值 C. 先随机分割训练集测试集, 然后用训练集的均值填充缺失值 D. 先随机分割训练集测试集, 然后用测试集的均值填充缺失值解析 : 统计量一定要使用训练集中的统计量来操作 (2) 答案 (A) 如果一个回归模型分为两步 : 先使用 PCA 降维, 然后用多元线性回归做预测, 那么测试集的结果应当如何计算 () A. 用训练集上的 PCA 模型处理测试集数据, 然后把得到的数据输入到多元线性回归模型做预测 B. 用测试集上的 PCA 模型处理测试集数据, 然后把得到的数据输入到多元线性回归模型做预测第 25 页, 共 31 页

26 C. 用全部数据集上的 PCA 模型处理测试集数据, 然后把得到的数据输入到多元线性回归模型做预测 D. 以上皆可解析 : 两个题都考察了顺序问题, 测试集输入模型前, 要用训练集上一样的方法进行数据清洗和编码, 所使用的的统计量也要与训练集上的一模一样 3 通过对某地区的部分人群进行调查, 获得了他们对于的 age income 是否为 student Credit_rating 以及是否购买某品牌的电脑的信息进行了记录训练样例如表 1, 通过训练样例得到表 2, 表 3 为根据表 2 的统计数据, 得到的在分类为 YES 和 NO 的条件下各个属性值取得的概率以及 YES 和 NO 在所有样例中取值的概率表 1 RID age Income Student Credit_rating Class:buys_computer 1 Middle_aged High No Fair No 2 Middle_aged High No Excellent No 3 Senior High No Fair Yes 4 Senior Medium No Fair Yes 5 Senior Medium Yes Fair Yes 6 Senior Low Yes Excellent No 7 Youth Low Yes Excellent Yes 8 Middle_aged Medium No Fair No 9 Middle_aged Low Yes Fair Yes 10 Senior Medium Yes Fair Yes 11 Middle_aged Medium Yes Excellent Yes 12 Youth Medium No Excellent Yes 13 Youth High Yes Fair Yes 14 Senior Medium Yes Excellent No (1) 答案 (C) 表 2 是由表 1 的数据得到的, 表 2 中的 M 和 N 的值应该分别为? A.14 和 5 B.5 和 3 C.9 和 0 D.9 和 5 第 26 页, 共 31 页

27 表 2 Age income student Credit_rating Youth Middle_ Buy_computer Senior High Medium Low YES NO Fair Excellent aged YES M N NO 5 解析 : 第一行数据为各个条件成立时 Buyer_computer 为 Yes 时的个数第二行数据为各个条件成立时 Buyer_computer 为 No 时的个数 (2) 答案 (A) 表 3 是由表 2 得到的, 表 3 中 M 和 N 的值分别为? A.9/14 和 0 B.1 和 1/5 C.9/14 和 1/5 D.0 和 1 表 3 Age income student Credit_rating Middle_ Buy_computer Youth Senior High Medium Low YES NO Fair Excellent aged 1/3 2/9 4/9 2/9 5/9 2/9 2/3 1/3 2/3 1/3 YES M N 3/5 2/5 2/5 2/5 1/5 2/5 3/5 2/5 3/5 NO 5/14 解析 : 第一行数据为 Buyer_computer 为 Yes 时, 各个条件成立的概率第一行数据为 Buyer_computer 为 No 时, 各个条件成立的概率 (3) 答案 (A) 测试样例 x=(age=youth,income=medium,student=no,credit_rating=excellent), 则 P(Yes x)=() A /(P(age=youth,income=medium,student=no,crediting_rating=excellent)) B C D 解析 : 由贝叶斯公式可知, P(Yes x)=p(yes)*p(x Yes)/P(x) 第 27 页, 共 31 页

28 =P(Yes)*P(age=youth Yes)*P(income=medium Yes)*P(student=no Yes)* (credit_rating=excellent Yes)/P(x) =9/14 * 3/9 * 5/9 *3/9 *3/9 /P(x) =0.0132/P(x) (4) 答案 (A) 测试样例 x=(age=youth,income=medium,student=no,credit_rating=excellent), 则 P(No x)=() A.0 B.0.23 C.0.68 D 解析 : 由贝叶斯公式可知 P(No x)=p(no)*p(x No)/P(x) =P(No)*P(age=youth No)*P(income=medium No)*P(student=no No)*P(credit_rating=excellent No)/P(x) =5/14*0/5*2/5*3/5*3/5/P(x) =0 4 请根据 Apriori 算法回答以下问题 (1) 答案 (BD) 利用 Apriori 算法计算频繁项集可以有效降低计算频繁集的时间复杂度在以下的购物篮中产生支持度不小于 3 的候选 3- 项集, 在候选 2- 项集中需要剪枝的是 () TID 项集 1 面包牛奶 2 面包尿布啤酒鸡蛋 3 牛奶尿布啤酒可乐 4 面包牛奶尿布啤酒 5 面包牛奶尿布可乐 A. 啤酒尿布 B. 啤酒面包第 28 页, 共 31 页

29 C. 面包尿布 D. 啤酒牛奶 (2) 答案 (AD) 下表是一个购物篮, 假定支持度阈值为 40%, 其中 () 是频繁闭项集 1.abc 2.abcd 3.bce 4.acde 5.de A.abc B.ad C.cd D.de 四案例操作题 ( 考试时间 120 分钟, 满分 30 分 ) 根据如下背景材料和数据, 对原始数据进行必要的预处理, 然后建立预测模型 ( 模型自选 ), 最终须提交问题答案以及对测试数据的预测结果 1. 题目 : 银行客户财务风险预测模型 (financial risk prediction model) 之建置及预测 2. 背景 : 预测贷款客户在未来两年是否会发生财务危机, 是某银行衡量客户贷款信用的方法通过预测未来两年贷款者是否会经历财务困境, 来做出是否通过后续的贷款申请, 以此来规避银行可预见的财务风险 3. 进行方式 : 考生将得到训练数据 (cs-traning.csv) 及测试数据 (cs-test.csv) 训练数据包含 120,000 笔客户资料 ; 每笔客户资料包含 12 个字段 (1 个客户 ID 字段 10 个输入字段及 1 个目标字段 - 是否发生财务问题 (1 代表会,0 代表不会 )) 字段的定义可参考 Data_ description.xlsx 测试数据包含 30,000 笔客户资料 ; 字段个数与训练数据相同, 唯目标字段的值全部填 U 考生需要根据 #4 中 a) 小题的要求在 Excel 文档中提供对应结果, 提交文件名需为考生姓第 29 页, 共 31 页

30 名 _results_a.xlsx, 再根据 b) 小题的要求以训练数据为基础, 建立财务风险预测模型 ( 模型自选 ), 最终在考生姓名 _results_b.csv 中输出测试结果的答案考生姓名 _results_b.csv 中只有两个字段, 分别是客户 ID 以及预测客户是否会出现财务危机 (SeriousDlqin2yrs) 的结果考生姓名 _results_b.csv 中的数据形式如下 : CustomerID, SeriousDlqin2yrs , , ,0... 最后需将考生姓名 _results_a.xlsx 以及考生姓名 _results_b.csv 上传到考试系统 4. 具体要求如下 : a) 需对训练数据和测试数据进行预处理 1) 对有缺失值的变量用该变量均值进行填充 2) 对于变量 ( 不包括 CustomerID 以及因变量 SeriousDlqin2yrs), 取值大于其 95% 点值或者小于其 5% 点值的数据, 分别用其 95% 点值和其 5% 点值替代 3) 给出数据预处理前和经过 i 和 ii 两步处理后的训练集和测试集的简单描述统计 ( 最小值, 第一四分位数, 中位数, 均值, 第三四分位数, 最大值以及 NA 值的数量 ) 将结果输出到考生姓名 _results_a.xlsx 中, 格式如下 : 训练集或测试集变量名 1 变量名 2 Min. 1st Qu. Median Mean 3rd Qu. Max. NA counts 第 30 页, 共 31 页

31 b) 自选模型对测试集进行预测, 并将最优模型的预测结果输入到考生姓名 _results_b.csv 中评分方式 : 以 #4 中 a) 小题结果, 以及利用 b) 小题中对客户是否会发生财务问题的预测结果与真实数据 cs-test v2.csv 计算 F-Measure 来评估考生预测结果的好坏问题 a), 可参考答案案例分析 (a) 答案.xlsx, 正确率越高, 分数越高 ; 问题 b), 考生得到的 F-measure 值越大, 分数越高此部分, 共 30 分 a) 训练集结果全部正确得 5 分, 部分正确得 2 分测试集结果全部正确得 5 分, 部分正确得 2 分 b) 在所有考生 F-measure 排名的前 5%, 得 20 分在所有考生 F-measure 排名的前 10%, 得 17 分在所有考生 F-measure 排名的前 20%, 得 14 分在所有考生 F-measure 排名的前 50%, 得 11 分在所有考生 F-measure 排名的前 70%, 得 8 分其余, 得 5 分第 31 页, 共 31 页

就构成了盗窃罪与破坏交通设施罪的想象竞合, 按照其中处罚较重的犯罪处罚 5. 答案 :B 本题主要考察如何区分收买被拐卖的妇女儿童罪与拐卖妇女儿童罪的共犯问题 ( 对向

就构成了盗窃罪与破坏交通设施罪的想象竞合, 按照其中处罚较重的犯罪处罚 5. 答案 :B 本题主要考察如何区分收买被拐卖的妇女儿童罪与拐卖妇女儿童罪的共犯问题 ( 对向新东方全国法律硕士 ( 非法学 ) 联考模拟考试专业基础课答案解析一单项选择题 1. 答案 D 本题主要考查刑法分则中关于亲告罪与非亲告罪的规定要注意这些亲告罪在有特别的情况下, 是公诉犯罪我国刑法共规定了 5 种告诉才处理的