Python数据挖掘智慧树知到期末考试答案2024年

Python数据挖掘智慧树知到期末考试答案2024年Python数据挖掘OPTICS算法仅存储了每个对象的核心距离。（）

A:对B:错答案:错不同于贝叶斯算法，决策树的构造过程不依赖领域知识，它使用属性选择度量来选择将元组最好地划分成不同的类的属性。（）

A:对B:错答案:对定量属性可以是整数值或者是连续值（）

A:错B:对答案:对从点作为个体簇开始，每一步合并两个最近的簇，这是一种分裂的层次聚类方法。()

A:对B:错答案:错寻找模式和规则主要是对数据进行干扰，使其符合某种规则以及模式。()

A:对B:错答案:（错）给定最小支持度阈值minsup，一个频繁项集的所有非空子集都是频繁的。（）

A:对B:错答案:对Bayes法是一种在已知后验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。()

A:错B:对答案:对元组可以像列表一样，采用切片的方式访问。()

A:正确B:错误答案:正确逐层发现算法Apriori发现频繁项集的过程是按照项集的长度由大到小逐级进行的。（）

A:错B:对答案:错使用函数有利于封装与信息隐藏。()

A:对B:错答案:对卡方测试用来度量离散标称属性数据的相关性。（）

A:对B:错答案:对BIRCH算法利用了一个树结构来帮助我们快速的聚类，这个数结构类似于平衡B+树，一般将它称之为聚类特征树（）

A:对B:错答案:对在决策树中，随着树中结点数变得太大，即使模型的训练误差还在继续减低，但是检验误差开始增大，这是出现了模型拟合不足的问题。（）

A:对B:错答案:错字符串、列表和元组都为序列类型。()

A:对B:错答案:错数据挖掘的主要任务是从数据中发现潜在的规则，从而能更好的完成数据描述、预测数据等任务。()

A:对B:错答案:对设有字符串变量s1=“Chinese”和s2=“China”,执行print(s1＜s2)的运行结果为：()

A:TrueB:Chinese＜ChinaC:FalseD:1答案:False‏给定df是一个DataFrame对象，对df所有字段进行描述性统计，可以利用的方法为（）。

A:df.statistics()B:df.mean()C:df.summary()D:df.describe()答案:df.describe()中心趋势度量模（mode）是指:（）

A:算数平均值B:数据集中出现频率最高的值C:最大值D:最小值答案:数据集中出现频率最高的值设字典contacts={‘Fred’：’7235591’,‘Mary’：’3841212’,‘Bob’：’3841212’,‘Sarah’：’2213278’}，输出字典中所有的键的代码为：()

A:print(contacts[::])B:print(contacts.keys)C:print(contacts.items)D:print(contacts.values)答案:print(contacts.keys)设X={1,2,3}是频繁项集，则可由X产生个关联规则。()

A:6B:4C:5D:7答案:6OPTICS算法属于下列那一项：（）

A:分类。B:聚类。C:关联规则。D:时间序列预测。答案:聚类。设列表students=[[‘Zhang’,84],[‘Wang’,77],[‘Li’,100],[‘Zhao’,53]]，执行students[1]的运行结果为：()

A:[‘Wang’,77]B:[‘Zhang’,84]C:‘Wang’D:‘Zhang’答案:[‘Wang’,77]设有字符串变量s=”IamaChinese”，将s中所有字母用大写方式输出。()

A:s.islower()B:s.lower()C:s.isupper()D:s.upper()答案:s.upper()设列表lst=[1,3,5,7,9],执行result=[xforxinaifx＞5]的结果为：()

A:[1,3]B:[7,9]C:[5,7,9]D:[1,3,5]答案:[7,9]在多层次关联规则分析中，如果将商品进行归类，每一商品类别的支持度会（）其包含的每个商品的支持度，从而有利于发现一些有意义的频繁模式或关联规则。（）

A:大于B:不确定C:小于D:等于答案:等于简单地将数据对象集划分成不重叠的子集，使得每个数据对象恰在一个子集中，这种聚类类型称作（）

A:非互斥聚类B:层次聚类C:模糊聚类D:划分聚类答案:划分聚类BIRCH是一种：（）

A:特征选择算法B:分类器C:关联分析算法D:聚类算法答案:聚类算法假设12个销售价格记录组已经排序如下：5,10,11,13,15,35,50,55,72,92,204,215使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内？（）

A:第一个B:第三个C:第四个D:第二个答案:第二个下列属于ID3算法的缺点的是：（）

A:ID3算法不能处理具有连续值的属性B:算法一般会优先选择有较多属性值的特征，因为属性值多的特征会有相对较大的信息增益，但这里的属性并不一定是最优的C:算法会生成很深的树，容易产生过拟合现象D:ID3算法不能处理属性具有缺失值的样本答案:ID3在scikit-learn中，BIRCH类的重要参数不多,以下对其参数描述正确的是：()

A:threshold:即叶节点每个CF的最大样本半径阈值T。B:branching_factor：即CFTree内部节点的最大CF数B，以及叶子节点的最大CF数L。C:compute_labels：表示标示类别数量，默认是整数1。D:n_clusters：即类别数K，在BIRCH算法是可选的，如果类别数非常多，我们也没有先验知识，则一般输入None。答案:nclusters朴素贝叶斯信念网络(BBN)有如下哪些特点：（）

A:网络结构确定后，添加变量相当麻烦B:贝叶斯网络不适合处理不完整的数据C:构造网络费时费力D:对模型的过分问题非常鲁棒答案:构造网络费时费力###对模型的过分问题非常鲁棒下面关于数学函数库math，说法正确的为：()

A:math.sqrt(x)将返回x的平方根B:math.ceil(x)将返回不小于x的最小整数C:math.gcd(x,y)将返回x与y的最大公约数D:math.floor(x)将返回不大于x的最大整数答案:math.ceil(x)将返回不小于x的最小整数###math.gcd(x,y)将返回x与y的最大公约数###math.sqrt(x)将返回x的平方根###math.floor(x)将返回不大于x的最大整数下列选项中关于OPTICS算法说法正确的是：（）

A:OPTICS算法的目的就是要过滤低密度区域，发现稠密样本点。B:OPTICS算法的提出就是为了帮助DBSCAN算法选择合适的参数，降低输入参数的敏感度C:OPTICS算法是一种基于高密度联通区域的聚类算法，它将类簇定义为高密度相连点的最大集合。D:OPTICS算法往往只能发现凸形的聚类簇答案:OPTICS算法的提出就是为了帮助DBSCAN算法选择合适的参数,降低输入参数的敏感度###OPTICS算法的目的就是要过滤低密度区域,发现稠密样本点###OPTICS算法是一种基于高密度联通区域的聚类算法,它将类簇定义为高密度相连点的最大集合设字典为dict={(1,1):30,(2,14):35,(3,6):37}，下面对该字典的操作正确的为：()

A:dict.pop((2,14))B:dict[(1,1)]=31C:dict[1,1]=31D:dict.pop([2,14])答案:dict[(1,1)]=31###dict.pop((2,14))定义函数如下：

运行代码fun()的结果为：()

A:12345678910B:什么也没有C:0123456789D:0,1,2,3,4,5,6,7,8,9答案:AI参考:答案：D\n\n解析：这是一个输出一系列数字的函数，它接受一个参数并返回一个包含这个参数的数字列表。所以，函数内的代码应该按照列表的形式输出数字，即从0到9。因此，选项D是正确的。\n\n选项A、B和C都与函数定义不符，因为它们都没有正确地输出数字列表。选项A只输出了一个数字序列，选项B则什么也没有输出，而选项C则只输出了一个单独的数字。因此，这些选项都是错误的。'定义函数如下：

下面的调用方法不正确的为：()

A:fun(a=8,b=8)B:fun(c=8)C:fun(3,b=8)D:fun(a=8)答案:AI参考:正确答案是B:fun(c=8)。\n\n根据题目给出的函数定义，函数接受两个参数，并返回它们的和。选项A和C都是正确的调用方式，因为它们都提供了两个参数，并且第一个参数的值被设置为8。选项D也是正确的调用方式，因为第二个参数的值没有被指定，所以它的默认值是8。选项B是不正确的调用方式，因为只有一个参数被传递给函数，并且没有提供任何值给第一个参数。因此，正确答案是B。'打印出10以内所有的正偶数的代码为：()

A:B:C:D:答案:"AI参考:正确选项为B：以下是打印出10以内所有的正偶数的代码：```bashforiinrange(2,11):ifi%2==0:print(i)```这个代码使用了`for`循环，从2到9依次遍历每个数字，并使用`if`语句判断该数字是否为偶数。如果是偶数，则打印出来。最终输出结果为：2、4、6、8、10。"下列说法正确的是（）。

A:K中心点能够解决有离群点的聚类问题B:K-modes能够解决离散数据的聚类问题C:K-means算法能够解决有离群点的聚类问题D:K-means++能够解决初始点影响聚类效果的问题答案:"AI参考:正确答案是：C:K-means算法能够解决有离群点的聚类问题；D:K-means++能够解决初始点影响聚类效果的问题。K中心点算法是解决离群点问题的算法，A选项错误；K-modes算法是处理连续变量的聚类算法，B选项错误；K-means算法是处理无监督学习问题中常见的一种方法，它的优势是可以找到样本空间的k个最能代表数据的中心点，用于样本聚类。该算法默认会在整个样本空间随机选取k个点作为初始质心，可能会存在效率低下或过度聚合等问题，为了提高聚类结果的可解释性和结果稳定性，现在发展出多种优化算法，比如K-means++、O-means等，这两种方法都是为解决初始质心影响聚类结果的问题，D选项正确。所以正确答案是C、D。"设有公式，用Python语言定义一个变量a和b，计算b的公式可以写成：()

A:b=1/2/aB:b=1/2//aC:b=1/(2*a)D: