《数据挖掘概论》模拟试题答案 东北财经大学2023年春

一、单项选择题（下列每小题的备选参考答案为中，只有一个正确参考答案为)1.在数据集成期间，当一个数据库的属性与另一个数据库的属性匹配时，必须特别注意（）。A.数据的规模B.数据的结构C.数据的传输速度D.数据的价值参考答案为：B2.C1:2；C2：4，该分类的信息熵为（）。A.1B.0C.0.65D.0.92参考答案为：D3.（）是找出描述和区分数据类或概念的模型（或函数），以便能够使用模型预测类标号未知对象的类标号的过程。A.回归B.聚类C.数据分类D.关联规则参考答案为：B4.对于以下项集：{A,B}；{A,C,D,E}；{B,C,D,F}；{A,B,C,D},{A,B,C,F}。其中，{A,C}→{A,B,C}的置信度为（）。A.2/5B.3/5C.3/2D.2/3参考答案为：D5.以下聚类算法不属于基于原型聚类方法的是（）。A.模糊c均值B.EM算法C.SOMD.CLIQUE参考答案为：D6.（）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。A.MIN（单链）B.MAX（全链）C.组平均D.Ward方法参考答案为：C7.（）是为布尔关联规则挖掘频繁项集的原创性算法。它逐层进行挖掘，利用先验性质：频繁项集的所有非空子集也都是频繁的。A.Apriori算法B.频繁模式增长算法C.使用垂直数据格式的算法D.knn算法参考答案为：A8.霍普金斯统计量的值接近0.5，表明数据分布为（）。A.均匀分布B.高度左倾斜C.高度右倾斜D.不确定参考答案为：A9.以下选项中，不能作为判断数据挖掘模式有趣的依据是（）。A.在某种确信度上，对于新的或检验数据是有效的B.新颖C.潜在有用D.不易被人理解参考答案为：D10.SVM通过搜索（）来处理该问题。A.最小边缘超平面B.最大边缘超平面C.横截面D.支持向量参考答案为：B11.数量归约方法使用参数或非参数模型，下列选项中不属于非参数模型方法的是（）。A.对数线性模型B.直方图C.聚类D.数据立方体聚集参考答案为：A12.在决策树中，（）表示该测试的一个输出。A.根结点B.分支C.内部结点D.树叶结点参考答案为：D13.同时满足最小支持度阈值和最小置信度阈值的规则称为（）。A.强规则B.弱规则C.关联规则D.频繁项集参考答案为：A14.因变量总的波动中不能通过回归模型解释的部分是（）。A.离差平方和B.回归平方和C.残差平方和D.R2参考答案为：C15.（）属于一种数据仓库技术，具有汇总、合并和聚集以及从不同的角度观察信息的能力。A.数据清理B.数据集成C.联机事务处理D.联机分析处理参考答案为：D16.以下选项中，不属于数据预处理方法的是（）。A.变量代换B.离散化C.集成D.估计遗漏值参考答案为：D17.敏感度的公式为（）。A.(TP+TN)/(P+N)B.(FP+FN)/(P+N)C.TP/PD.TN/N参考答案为：C18.假设12个销售价格记录组已排序如下：5，10，11，13，15，35，50，55，72，92，204，215，这组数据的中列数是（）。A.42.5B.105C.210D.81参考答案为：B19.现实生活中，顾客倾向于先购买相机，再购买内存卡，再购买其他配件，这样的模式就是一个（）模式。A.频繁子序列B.频繁项集C.频繁子结构D.频繁规则参考答案为：A20.（）可以用来把数据压缩到较小的区间，例如0.0到1.0。A.数据集成B.数据归约C.数据变换D.数据清理参考答案为：C21.使用簇内方差和关于簇数的曲线拐点来估计簇数的方法为（）。A.经验方法B.肘方法C.交叉验证D.以上都不是参考答案为：B22.DBSCAN在最坏情况下的时间复杂度是（）。A.O(m)B.O(m2)C.O(logm)D.O(m*logm)参考答案为：B23.设X={1，2，3}是频繁项集，则可由X产生（）个关联规则。A.4B.5C.6D.7参考答案为：C24.（）属性的值用固定、相等的单位测量。A.标称B.二元C.区间标度D.比率标度参考答案为：C25.假设12个销售价格记录组已排序如下：5，10，11，13，15，35，50，55，72，92，204，215，等频（等深）划分时，15在第（）个箱子内。A.第一B.第二C.第三D.第四参考答案为：B26.KDD是指（）。A.数据挖掘与知识发现B.领域知识发现C.文档知识发现D.动态知识发现参考答案为：A27.假设属性income的最大最小值分别是12000元和98000元，利用最大最小规范化的方法将属性的值映射到0至1的范围内，对属性income的73600元将转化为（）。A.0.821B.1.224C.1.458D.0.716参考答案为：D28.数据对象（1，2）和（3，5）之间的曼哈顿距离是（）。A.5B.3.16C.3D.2参考答案为：A29.数据挖掘是商务智能的核心，在现实生活中，（）技术可以更好地理解每组顾客的特征，并开发定制顾客奖励计划。A.聚类B.联机分析处理C.特征挖掘D.预测参考答案为：B30.q-分位数共有数据点（）个。A.q+1B.qC.q-1D.3参考答案为：C31.（）数据库中每个记录代表一个事务，如顾客的一次购物、一个航班订票等。A.事务B.关系C.数据仓库D.空间参考答案为：A二、多项选择题（下列每小题的备选参考答案为中，有两个或两个以上符合题意的正确参考答案为)1.数据平滑的方法主要有（）。A.平均值法B.边界值法C.最小熵法D.中值法参考答案为：A、B、D2.以下属于分类属性选择度量的有（）。A.信息增益B.增益率C.基尼指数D.k-means参考答案为：A、B、C3.下列属于时间相关或序列数据的有（）。A.历史记录B.股票交易数据C.时间序列D.生物学序列参考答案为：A、B、C、D4.属于分裂的层次聚类算法有（）。A.二分K均值B.MSTC.ChameleonD.组平均参考答案为：A、B5.朴素贝叶斯分类方法可以用于（）。A.新闻分类B.情感分类C.疾病分类D.垃圾邮件分类参考答案为：A、B、C、D6.对于数据挖掘中的原始数据，存在的问题有（）。A.不一致B.重复C.完整性D.维度高参考答案为：A、B、D7.可靠的分类器准确率估计方法有（）。A.保持方法B.随机二次抽样C.交叉验证D.自助法参考答案为：A、B、C、D8.抽样可以作为一种数据归约技术使用，因为它允许用数据的小得多的随机样本(子集)表示大型数据集。假定大型数据集D包含N个元组。那么下述可以用于数据归约的、最常用的对D的抽样方法有（）。A.无放回简单随机抽样B.有放回简单随机抽样C.簇抽样D.分层抽样参考答案为：A、B、C、D9.聚类评估的外部指标包括（）。A.DBI指数B.Jaccard系数C.rand指数D.轮廓系数参考答案为：B、C10.数据变换的方法包括（）。A.平滑B.属性构造C.聚集D.规范化参考答案为：A、B、C、D11.盒图中可以观察到的指标有（）。A.方差B.四分位数C.最小值D.众数参考答案为：B、C12.单模矩阵有（）。A.词向量矩阵B.数据矩阵C.相异性矩阵D.相关系数矩阵参考答案为：C、D13.数据分类是一个两阶段过程，包括（）。A.学习阶段B.分类阶段C.抽样阶段D.聚合阶段参考答案为：A、B14.以下方法采用的是贪心方法的有（）。A.ID3B.C4.5C.CARTD.DBSCAN参考答案为：A、B、C15.关于DBSCAN聚类算法的描述不正确的有（）。A.集群中的数据点必须处于到核心点的距离阈限内B.它对数据空间中数据点的分布有很强的假设C.它具有相当高的时间复杂度O(n3)D.它不需要预先知道期望出现的簇的数量参考答案为：B、C16.决策树中包括（）结点。A.根结点B.内部结点C.外部结点D.树叶结点参考答案为：A、B、D17.欧几里得距离具备的数学性质有（）。A.同一性B.非负性C.连续性D.满足三角不等式参考答案为：A、B、D18.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.事务平均宽度参考答案为：A、B、C、D19.K近邻分类的距离计算方法有（）。A.欧式距离B.曼哈顿距离C.马氏距离D.海明距离参考答案为：A、B、C、D20.度量数据散布的度量有（）。A.极差B.中列数C.方差D.标准差参考答案为：A、B、C、D21.数据集成可能产生的问题有（）。A.属性冗余B.元组冲突C.数据值冲突D.属性值缺失参考答案为：A、B、C22.联机分析处理的操作包括（）。A.钻取B.上卷C.切块D.旋转参考答案为：A、B、C、D23.可以应用（）来检测数值属性的冗余数据。A.卡方检验B.相关系数C.协方差D.非参数检验参考答案为：B、C24.支持向量机使用（）发现超平面。A.支持向量B.边缘C.距离D.检验元祖参考答案为：A、B25.多重共线性的解决方法有（）。A.岭回归B.LassoC.主成分回归D.偏最小二乘法参考答案为：A、B、C、D26.K近邻分类的核心问题包括（）。A.K值的确定B.距离的计算C.快速预测D.最大边缘参考答案为：A、B、C27.电影推荐系统是包含（）的应用实例。A.分类B.聚类C.回归D.判别参考答案为：A、B28.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-项集中需要剪枝的有（）。ID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C.面包、尿布D.啤酒、牛奶参考答案为：B、D29.在挖掘过程中，一旦识别闭项集就尽快对搜索空间进行剪枝。其中，剪枝包括（）策略。A.项合并B.抽样C.子项集剪枝D.项跳过参考答案为：A、C、D30.对于频繁项集挖掘，已经开发了许多有效的、可伸缩的算法，由它们可以导出关联和相关规则。这些算法可以分成（）。A.类Apriori算法B.基于频繁模式增长的算法C.使用垂直数据格式的算法D.使用水平数据格式的算法参考答案为：A、B、C31.数据归约中，参数方法包括（）。A.回归B.聚类C.对数-线性模型D.抽样参考答案为：A、C32.组合方法可以通过学习和组合一系列个体（基）分类器模型提高总体准确率。以下属于组合方法的有（）。A.装袋B.提升C.随机森林D.支持向量机参考答案为：A、B、C33.数值属性相异性的测度指标有（）。A.闵可夫斯基距离B.曼哈顿距离C.欧几里得距离D.上确界距离参考答案为：A、B、C、D三、判断题1.数据挖掘把大型的数据集转换成知识。（）参考答案为：正确2.利用先验原理可以帮助减少频繁项集产生时需要探查的候选项个数。（）参考答案为：正确3.相关分析可以用来检测属性冗余问题。（）参考答案为：正确4.在决策树中，顶层节点是树叶节点。（）参考答案为：错误5.回归是一种常见的处理噪声数据的方法。（）参考答案为：正确6.强规则一定是有趣的。（）参考答案为：错误7.数据库的行对应于数据属性，列对应于数据对象。（）参考答案为：错误8.定量属性可以是整数数值或者连续值。（）参考答案为：正确9.最佳分离超平面上的点称为支持向量。（）参考答案为：错误10.中位数是数据中心趋势的度量。（）参考答案为：正确11.负倾斜的数据中，众数<中位数><均值。（）<body></均值。（></中位数>参考答案为：错误12.聚类形成簇的主题一定是互斥的。（）参考答案为：错误13.ROC曲线下方的面积是模型准确率的度量，面积越接近于0.5，模型准确率越高。（）参考答案为：错误14.余弦度量是两个与A和B相关的关联规则“AeB”和“BeA”的几何平均置信度。（）参考答案为：正确15.对于二维数据，SVM需要找到一条最好的分离直线，使分类误差最小。（）参考答案为：正确16.具有较高的支持度的项集具有较高的置信度。（）参考答案为：错误17.提升度的值等于零表明两个项不相关。（）参考答案为：正确18.一个数据序列只能一个众数。（）参考答案为：错误19.分类和回归都可用于预测，分类的输出是离散的类别值，而回归的输出是连续数值。（）参考答案为：正确20.闵可夫斯基距离是欧几里得距离和曼哈顿距离的推广。（）参考答案为：正确21.k-均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。（）参考答案为：错误四、简答题1.数据挖掘的相关技术有哪些？参考答案为：（1）统计学；（2）机器学习；（3）数据库；（4）可视化技术；（5）算法。2.简述数据仓库的特点。参考答案为：（1）主题与面向主题；（2）数据的集成性；（3）数据的不可更新性；（4）数据的时态性。3.决策树算法的属性选择度量方法有哪些？参考答案为：（1）信息增益；（2）信息增益率；（3）GINI指数。4.简述数据变换采用的几种策略。参考答案为：（1）光滑；（2）属性构造；（3）聚集；（4）规范化；（5）离散化；（6）由标称数据产生概念分层。5.常见的数量归约方法有哪些？参考答案为：（1）参数方法：回归和对数-线性模型；（2）非参数方法：直方图、聚类、抽样、数据立方体聚集。6.多重共线性的解决办法有哪些？参考答案为：（1）岭回归；（2）Lasso；（3）主成分回归；（4）偏最小二乘回归。7.简述如何计算非对称二元属性对象的相异性。参考答案为：(r+s)/(q+r+s)q:对象i和j都取1的属性数；r:对象i取1，对象j取0的属性数；s:对象i取0，对象j取1的属性数。8.分类器的评估指标有哪些？参考答案为：（1）准确率；（2）错误率；（3）灵敏性；（4）特效性；（5）精度；（6）召回率；（7）F（1）度量；（8）Fβ度量。9.简述三种描述数据散布的统计量及其计算方法。参考答案为：极差：观测值最大值与最小值之间的差；方差：观测值与平均数差的平方的平均值；标准差：方差的算术平方根；中列数：观测值最大值与最小值的平均值；四分位数极差：第三个四分位数与第一个四分位数之间的差。10.简述基于密度聚类方法的一般特点。参考答案为：（1）可以发现任意形状的簇；（2）簇的对象空间中被低密度区域分隔的稠密区域；（3）簇密度：每个点的“领域”内必须具有最少个数的点；（4）可能过滤离群点。11.简述支持向量机的基本思想。参考答案为：SVM算法即寻找一个分类器使得超平面和最近的数据点之间的分类边缘（超平面和最近的数据点之间的间隔被称为分类边缘）最大，对于SVM算法通常认为分类边缘越大，平面越优，通常定义具有“最大间隔”的决策面就是SVM要寻找的最优解。并且最优解对应两侧虚线要穿过的样本点，称为“支持向量”。其处理的基本思路为：把问题转化为一个凸二次规划问题，可以用运筹学有关思想进行求解：1目标函数在线性SVM算法中，目标函数显然就是那个"分类间隔"，使分类间隔最大2约束条件即决策面，通常需要满足三个条件：

（1）确定决策面使其正确分类；

（2）决策面在间隔区域的中轴线；

（3）如何确定支持向量因此求解SVM问题即转化为求解凸二次规划的最优化问题。12.简述分类与回归的区别。参考答案为：分类是找出描述和区分数据类或概念的模型，以便能够使用模型对未知类标号的样例进行预测；回归主要是建立连续值的函数模型，回归主要用来预测缺失的或难以获得的数值数据值，而不是离散的类标号，同时回归也包含基于可用数据的分布趋势识别。13.数据质量可以从哪几个方面进行评估？参考答案为：（1）准确性；（2）完整性；（3）一致性；（4）时效性；（5）可信性；（6）可解释性。14.简述k-均值聚类方法的缺点。参考答案为：（1）必须实现诶出要生成的簇数；（2）不适于发现非凸形状的簇，或大小差别很大的簇；（3）对噪声和离群点敏感。15.简述凝聚的层次方法的聚类质量改进方法，并对每种方法举出一个实例。参考答案为：分析每个层次划分中的对象连接，例如Chameleon；在微簇聚类的基础上结合其他聚类技术，例如BIRCH。16.简述三条数据挖掘对聚类的典型要求。参考答案为：（1）可伸缩性；（2）可处理不同属性类型数据；（3）可发现任意形状的簇；（4）具备对确定输入参数相关领域的知识；（5）具有处理噪声数据的能力；（6）增加聚类和输入次序不敏感；（7）具有处理高维数据的能力；（8）具有较好的可解释性和可用性；（9）聚类适应于不同的约束前提。17.简述描述型的机器学习算法类型。参考答案为：（1）聚类；（2）关联规则；（3）序列分析；（4）离群点检测。18.简述由频繁项集产生关联规则的步骤。参考答案为：（1）对于每个频繁项集L，产生L的所有非空子集；（2）对于L的每个非空子集S，如果满足置信度要求，则输出规则SeL-S。五、计算题1.假设所分析的数据中数据元组的值为26,14,20,59,66,69,72,23,32,24,34,37,53,17,19,38,43,48,49,56。（1）该数据的均值是多少？中位数是多少？众数是多少？（2）该数据的中列数是多少？方差和标准差是多少？（3）该数据的四分位数极差是多少？绘制该数据的盒图。参考答案为：（1）均值39.95，中位数37.5，众数无（2）中列数43，方差319.05，标准差17.86（3）四分位数极差302.在决策树分类中，依据分裂规则的不同提出了不同决策树算法，信息增益准则在ID3分类方法中采用。我们希望能够学习出一个贷款申请的决策树，当新的客户提申请贷款时，根据申请人的特征利用决策树决定是否批准申请贷款。请完成如下的计算。ID年龄有工作有自己的房子信贷情况是否批准贷款申请1青年否否一般否2青年否否好否3青年是否好是4青年是是一般是5青年否否一般否6中年否否一般否7中年否否好否8中年是是好是9中年否是非常好是10中年否是非常好是11老年否是非常好是12老年否是好是13老年是否好是14老年是否非常好是15老年否否一般否（1）假设目前在根节点，包含所有15个样本点，请计算根节点分类所需的期望信息？（2）计算“年龄”、“有工作”、“有自己的房子”、“信贷情况”四个属性的信息增益。（3）说明基于信息增益准则，应该选择什么属性作为分裂属性。参考答案为：应该选择“有自己的房子”的信息增益最大，因此作为分类属性。3.下面的相依表汇总了超市的事务数据。其中hotdogs表示包含热狗的事务，hotdogs表示不包含热狗的事务，hamburgers表示包含汉堡的事务，hamburgers表示不包含汉堡的事务。hot

dogshotdogs∑hamburgers20005002500hamburgers100015002500∑3000200050