面试哥数据挖掘工程师面试宝典双手呈上，整理不易，快来收藏吧！关注 “面试哥” 公众号免费领取更多面试资料。
数据挖掘
问答题
1. 异常值是指什么?请列举1种识别连续型变量异常值的方法?
异常值(Outlier) 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值。
Grubbs’ test(是以Frank E. Grubbs命名的)，又叫maximum normed residual test，是一种用于单变量数据集异常值识别的统计检测，它假定数据集来自正态分布的总体。
未知总体标准差σ，在五种检验法中，优劣次序为：t检验法、格拉布斯检验法、峰度检验法、狄克逊检验法、偏度检验法。
2. 什么是聚类分析?
聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。 聚类分析也叫分类分析(classification analysis)或数值分类(numerical taxonomy)。聚类与分类的不同在于，聚类所要求划分的类是未知的。
3. 聚类算法有哪几种?选择一种详细描述其计算原理和步骤。
聚类分析计算方法主要有： 层次的方法(hierarchical method)、划分方法(partitioning method)、基于密度的方法(density-based method)、基于网格的方法(grid-based method)、基于模型的方法(model-based method)等。其中，前两种算法是利用统计学定义的距离进行度量。
k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心;而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然 后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值);不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
其流程如下：
(1)从 n个数据对象任意选择 k 个对象作为初始聚类中心;
(2)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个(有变化)聚类的均值(中心对象);
(4)循环(2)、(3)直到每个聚类不再发生变化为止(标准测量函数收敛)。
优点： 本算法确定的K 个划分到达平方误差最小。当聚类是密集的，且类与类之间区别明显时，效果较好。对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为 O(NKt)，其中N是数据对象的数目，t是迭代的次数。一般来说，K<
缺点： 1. K 是事先给定的，但非常难以选定;2. 初始聚类中心的选择对聚类结果有较大的影响。
4.根据要求写出SQL
表A结构如下：
Member_ID(用户的ID，字符型)
Log_time(用户访问页面时间，日期型(只有一天的数据))
URL(访问的页面地址，字符型)
要求：提取出每个用户访问的第一个URL(按时间最早)，形成一个新表(新表名为B，表结构和表A一致)
create table B as select Member_ID ,Log_time, URL from (select * ,row_number() over(partition by Member_ID order by Log_time) rank from A )a where rank=1
5. 什么是数据标准化，为什么要进行数据标准化？
数据标准化是预处理步骤，将数据标准化到一个特定的范围能够在反向传播中保证更好的收敛。一般来说，是将该值将去平均值后再除以标准差。如果不进行数据标准化，有些特征（值很大）将会对损失函数影响更大（就算这个特别大的特征只是改变了1%，但是他对损失函数的影响还是很大，并会使得其他值比较小的特征变得不重要了）。因此数据标准化可以使得每个特征的重要性更加均衡。
6.如何处理缺失值数据？
数据中可能会有缺失值，处理的方法有两种，一种是删除整行或者整列的数据，另一种则是使用其他值去填充这些缺失值。在Pandas库，有两种很有用的函数用于处理缺失值：isnull()和dropna()函数能帮助我们找到数据中的缺失值并且删除它们。如果你想用其他值去填充这些缺失值，则可以使用fillna()函数。
7. 如何进行探索性数据分析(EDA)？
EDA的目的是去挖掘数据的一些重要信息。一般情况下会从粗到细的方式进行EDA探索。一开始我们可以去探索一些全局性的信息。观察一些不平衡的数据，计算一下各个类的方差和均值。看一下前几行数据的信息，包含什么特征等信息。使用Pandas中的df.info()去了解哪些特征是连续的，离散的，它们的类型(int、float、string)。接下来，删除一些不需要的列，这些列就是那些在分析和预测的过程中没有什么用的。
比如：某些列的值很多都是相同的，或者这些列有很多缺失值。当然你也可以去用一些中位数等去填充这些缺失值。然后我们可以去做一些可视化。对于一些类别特征或者值比较少的可以使用条形图。类标和样本数的条形图。找到一些最一般的特征。对一些特征和类别的关系进行可视化去获得一些基本的信息。然后还可以可视化两个特征或三个特征之间的关系，探索特征之间的联系。
你也可以使用PCA去了解哪些特征更加重要。组合特征去探索他们的关系，比如当A=0，B=0的类别是什么，A=1，B=0呢？比较特征的不同值，比如性别特征有男女两个取值，我们可以看下男和女两种取值的样本类标会不会不一样。
另外，除了条形图、散点图等基本的画图方式外，也可以使用PDF\CDF或者覆盖图等。观察一些统计数据比如数据分布、p值等。这些分析后，最后就可以开始建模了。
一开始可以使用一些比较简单的模型比如贝叶斯模型和逻辑斯谛回归模型。如果你发现你的数据是高度非线性的，你可以使用多项式回归、决策树或者SVM等。特征选择则可以基于这些特征在EDA过程中分析的重要性。如果你的数据量很大的话也可以使用神经网络。然后观察ROC曲线、查全率和查准率。
8. 在图像处理中为什么要使用卷积神经网络而不是全连接网络？
首先，卷积过程是考虑到图像的局部特征，能够更加准确的抽取空间特征。如果使用全连接的话，我们可能会考虑到很多不相关的信息。其次，CNN有平移不变性，因为权值共享，图像平移了，卷积核还是可以识别出来，但是全连接则做不到。
9. 是什么使得CNN具有平移不变性？
每个卷积核都是一个特征探测器。所以就像我们在侦查一样东西的时候，不管物体在图像的哪个位置都能识别该物体。因为在卷积过程，我们使用卷积核在整张图片上进行滑动卷积，所以CNN具有平移不变性。
10. 为什么实现分类的CNN中需要进行Max-pooling？
Max-pooling可以将特征维度变小，使得减小计算时间，同时，不会损失太多重要的信息，因为我们是保存最大值，这个最大值可以理解为该窗口下的最重要信息。同时，Max-pooling也对CNN具有平移不变性提供了很多理论支撑。
11. 为什么应用于图像切割的CNN一般都具有Encoder-Decoder架构？
Encoder CNN一般被认为是进行特征提取，而decoder部分则使用提取的特征信息并且通过decoder这些特征和将图像缩放到原始图像大小的方式去进行图像切割。
12. 什么是batch normalization，原理是什么？
Batch Normalization就是在训练过程，每一层输入加一个标准化处理。
深度神经网络之所以复杂有一个原因就是由于在训练的过程中上一层参数的更新使得每一层的输入一直在改变。所以有个办法就是去标准化每一层的输入。具体归一化的方式如下图，如果只将归一化的结果进行下一层的输入，这样可能会影响到本层学习的特征，因为可能该层学习到的特征分布可能并不是正态分布的，这样强制变成正态分布会有一定影响，所以还需要乘上γ和β，这两个参数是在训练过程学习的，这样可以保留学习到的特征。
13. 为什么卷积核一般都是3*3而不是更大？
主要有这2点原因：第一，相对于用较大的卷积核，使用多个较小的卷积核可以获得相同的感受野和能获得更多的特征信息，同时使用小的卷积核参数更少，计算量更小。第二：你可以使用更多的激活函数，有更多的非线性，使得在你的CNN模型中的判决函数有更有判决性。
单选题
1.某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？(A)
A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理
2.将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘
3.当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链
4.什么是KDD？ (A) 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
5.使用交互式的和可视化的技术，对数据进行探索属于数据挖掘的哪一类任务？（A） A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则
6.为数据的总体分布建模；把多维空间划分成组等问题属于数据挖掘的哪一类任务？(B) A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则
7.建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务？(C) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则
8.用户有一种感兴趣的模式并且希望在数据集中找到相似的模式，属于数据挖掘哪一类任务？(A) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则
9.下面哪种不属于数据预处理的方法？ (D) A变量代换 B离散化 C聚集 D估计遗漏值
10.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？ (B) A 第一个 B 第二个 C 第三个 D 第四个
11.上题中，等宽划分时（宽度为50），15又在哪个箱子里？ (A) A 第一个 B 第二个 C 第三个 D 第四个
12.下面哪个不属于数据的属性类型：(D) A 标称 B 序数 C 区间 D相异
13.在上题中，属于定量的属性类型是：(C) A 标称 B 序数 C 区间 D 相异
14.只有非零值才重要的二元属性被称作：( C ) A 计数属性 B 离散属性 C非对称的二元属性 D 对称属性
15.以下哪种方法不属于特征选择的标准方法： (D) A 嵌入 B 过滤 C 包装 D 抽样
16.下面不属于创建新属性的相关方法的是： (B) A特征提取 B特征修改 C映射数据到新的空间 D特征构造
17.考虑值集{1、2、3、4、5、90}，其截断均值（p=20%）是 (C) A 2 B 3 C 3.5 D 5
18.下面哪个属于映射数据到新的空间的方法？ (A) A 傅立叶变换 B 特征加权 C 渐进抽样 D 维归约
19.熵是为消除不确定性所需要获得的信息量，投掷均匀正六面体骰子的熵是： (B) A 1比特 B 2.6比特 C 3.2比特 D 3.8比特
20.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元将被转化为：(D) A 0.821 B 1.224 C 1.458 D 0.716
21.假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70, 问题：使用按箱平均值平滑方法对上述数据进行平滑，箱的深度为3。第二个箱子值为：(A) A 18.3 B 22.6 C 26.8 D 27.9
22.考虑值集{12 24 33 2 4 55 68 26}，其四分位数极差是：(A) A 31 B 24 C 55 D 3
23.一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年级110人。则年级属性的众数是： (A) A 一年级 B二年级 C 三年级 D 四年级
24.下列哪个不是专门用于可视化时间空间数据的技术： (B) A 等高线图 B 饼图 C 曲面图 D 矢量场图
25.在抽样方法中，当合适的样本容量很难确定时，可以使用的抽样方法是： (D) A 有放回的简单随机抽样 B 无放回的简单随机抽样 C 分层抽样 D 渐进抽样
26.数据仓库是随着时间变化的,下面的描述不正确的是 (C) A. 数据仓库随时间的变化不断增加新的数据内容 B. 捕捉到的新数据会覆盖原来的快照 C. 数据仓库随事件变化不断删去旧的数据内容 D. 数据仓库中包含大量的综合数据,这些综合数据会随着时间的变化不断地进行重新综合
27.关于基本数据的元数据是指: (D) A. 基本元数据与数据源,数据仓库,数据集市和应用程序等结构相关的信息; B. 基本元数据包括与企业相关的管理方面的数据和信息; C. 基本元数据包括日志文件和简历执行处理的时序调度信息; D. 基本元数据包括关于装载和更新处理,分析处理以及管理方面的信息.
28.下面关于数据粒度的描述不正确的是: (C) A. 粒度是指数据仓库小数据单元的详细程度和级别; B. 数据越详细,粒度就越小,级别也就越高; C. 数据综合度越高,粒度也就越大,级别也就越高; D. 粒度的具体划分将直接影响数据仓库中的数据量以及查询质量.
29.有关数据仓库的开发特点,不正确的描述是: (A) A. 数据仓库开发要从数据出发; B. 数据仓库使用的需求在开发出去就要明确; C. 数据仓库的开发是一个不断循环的过程,是启发式的开发; D. 在数据仓库环境中,并不存在操作型环境中所固定的和较确切的处理流,数据仓库中数据分析和处理更灵活,且没有固定的模式
30.在有关数据仓库测试,下列说法不正确的是: (D) A. 在完成数据仓库的实施过程中,需要对数据仓库进行各种测试.测试工作中要包括单元测试和系统测试. B. 当数据仓库的每个单独组件完成后,就需要对他们进行单元测试. C. 系统的集成测试需要对数据仓库的所有组件进行大量的功能测试和回归测试. D. 在测试之前没必要制定详细的测试计划.
31.OLAP技术的核心是: (D) A. 在线性 B. 对用户的快速响应 C. 互操作性 D. 多维分析
32.关于OLAP的特性,下面正确的是: (D) (1)快速性 (2)可分析性 (3)多维性 (4)信息性 (5)共享性 A. (1) (2) (3) B. (2) (3) (4) C. (1) (2) (3) (4) D. (1) (2) (3) (4) (5)
33.关于OLAP和OLTP的区别描述,不正确的是: (C) A. OLAP主要是关于如何理解聚集的大量不同的数据.它与OTAP应用程序不同. B. 与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务. C. OLAP的特点在于事务量大,但事务内容比较简单且重复率高. D. OLAP是以数据仓库为基础的,但其最终数据来源与OLTP一样均来自底层的数据库系统,两者面对的用户是相同的.
34.OLAM技术一般简称为”数据联机分析挖掘”,下面说法正确的是: (D) A. OLAP和OLAM都基于客户机/服务器模式,只有后者有与用户的交互性; B. 由于OLAM的立方体和用于OLAP的立方体有本质的区别. C. 基于WEB的OLAM是WEB技术与OLAM技术的结合. D. OLAM服务器通过用户图形借口接收用户的分析指令,在元数据的知道下,对超级立方体作一定的操作.
35.关于OLAP和OLTP的说法,下列不正确的是: (A) A. OLAP事务量大,但事务内容比较简单且重复率高. B. OLAP的最终数据来源与OLTP不一样. C. OLTP面对的是决策人员和高层管理人员. D. OLTP以应用为核心,是应用驱动的.
36.设X={1，2，3}是频繁项集，则可由X产生(C)个关联规则。 A、4 B、5 C、6 D、7
37.概念分层图是(B)图。 A、无向无环 B、有向无环 C、有向有环 D、无向有环
38.频繁项集、频繁闭项集、最大频繁项集之间的关系是： (C) A、频繁项集 频繁闭项集 =最大频繁项集 B、频繁项集 = 频繁闭项集 最大频繁项集 C、频繁项集 频繁闭项集 最大频繁项集 D、频繁项集 = 频繁闭项集 = 最大频繁项集
39.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（C） A、1，2，3，4 B、1，2，3，5 C、1，2，4，5 D、1，3，4，5
40.下面选项中t不是s的子序列的是 ( C ) A、s= t= B、s= t= C、s= t= D、s= t=
41.在图集合中发现一组公共子结构，这样的任务称为 ( B ) A、频繁子集挖掘 B、频繁子图挖掘 C、频繁数据项挖掘 D、频繁模式挖掘
42.下列度量不具有反演性的是 (D) A、系数 B、几率 C、Cohen度量 D、兴趣因子
43.下列(A)不是将主观信息加入到模式发现任务中的方法。 A、与同一时期其他数据对比 B、可视化 C、基于模板的方法 D、主观兴趣度量
44.下面购物篮能够提取的3-项集的最大数量是多少（C） ID 购买项 1 牛奶，啤酒，尿布 2 面包，黄油，牛奶 3 牛奶，尿布，饼干 4 面包，黄油，饼干 5 啤酒，饼干，尿布 6 牛奶，尿布，面包，黄油 7 面包，黄油，尿布 8 啤酒，尿布 9 牛奶，尿布，面包，黄油 10 啤酒，饼干 A、1 B、2 C、3 D、4
45.以下哪些算法是分类算法，（B） A，DBSCAN B，C4.5 C,K-Mean D,EM
46.以下哪些分类方法可以较好地避免样本的不平衡问题，（A） A，KNN B，SVM C，Bayes D，神经网络
47.决策树中不包含一下哪种结点， (C) 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）
48.以下哪项关于决策树的说法是错误的 (C) 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
49.在基于规则分类器的中，依据规则质量的某种度量对规则排序，保证每一个测试记录都是由覆盖它的“最好的”规格来分类，这种方案称为 (B) A. 基于类的排序方案 B. 基于规则的排序方案 C. 基于度量的排序方案 D. 基于规格的排序方案
50.以下哪些算法是基于规则的分类器 (A) A. C4.5 B. KNN C. Na?ve Bayes D. ANN
51.如果规则集R中不存在两条规则被同一条记录触发，则称规则集R中的规则为（C） A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则
52.如果对属性值的任一组合，R中都存在一条规则加以覆盖，则称规则集R中的规则为(B) A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则
53.如果规则集中的规则按照优先级降序排列，则称规则集是 (D) A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则
54.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） A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则
55.考虑两队之间的足球比赛：队0和队1。假设65%的比赛队0胜出，剩余的比赛队1获胜。队0获胜的比赛中只有30%是在队1的主场，而队1取胜的比赛中75%是主场获胜。如果下一场比赛在队1的主场进行队1获胜的概率为 (C) A，0.75 B,0.35 C,0.4678 D, 0.5738
56.以下关于人工神经网络（ANN）的描述错误的有 (A) 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
57.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) A,组合(ensemble) B,聚集(aggregate) C，合并(combination) D，投票(voting)
58.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（ B ） A、层次聚类 B、划分聚类 C、非互斥聚类 D、模糊聚类
59.在基本K均值算法里，当邻近度函数采用（ A ）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
60.（ C ）是一个观测值，它与其他观测值的差别如此之大，以至于怀疑它是由不同的机制产生的。 A、边界点 B、质心 C、离群点 D、核心点
61.BIRCH是一种（ B ） A、分类器 B、聚类算法 C、关联分析算法 D、特征选择算法
62.检测一元正态分布中的离群点，属于异常检测中的基于（ A ）的离群点检测。 A、统计方法 B、邻近度 C、密度 D、聚类技术
63.（ C ）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
64.（ D ）将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量，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
65.DBSCAN在最坏情况下的时间复杂度是（ B ） A、O(m) B、O(m2) C、O(log m) D、O(m*log m)
66.在基于图的簇评估度量表里面，如果簇度量为proximity(Ci , C)，簇权值为mi ，那么它的类型是（ C ） A、基于图的凝聚度 B、基于原型的凝聚度 C、基于原型的分离度 D、基于图的凝聚度和分离度
67.关于K均值和DBSCAN的比较，以下说法不正确的是（ A ） A、K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象。 B、K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。 C、K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇。 D、K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇。
68.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（ C ） A、MST B、OPOSSUM C、Chameleon D、Jarvis－Patrick（JP）
69.考虑这么一种情况：一个对象碰巧与另一个对象相对接近，但属于不同的类，因为这两个对象一般不会共享许多近邻，所以应该选择（ D ）的相似度计算方法 A、平方欧几里德距离 B、余弦距离 C、直接相似度 D、共享最近邻
70.以下属于可伸缩聚类算法的是（ A ） A、CURE B、DENCLUE C、CLIQUE D、OPOSSUM
71.以下哪个聚类算法不是属于基于原型的聚类（ D ） A、模糊c均值 B、EM算法 C、SOM D、CLIQUE
72.关于混合模型聚类算法的优缺点，下面说法正确的是（ B ） A、当簇只包含少量数据点，或者数据点近似协线性时，混合模型也能很好地处理 B、混合模型比K均值或模糊c均值更一般，因为它可以使用各种类型的分布 C、混合模型很难发现不同大小和椭球形状的簇 D、混合模型在有噪声和离群点时不会存在问题
73.以下哪个聚类算法不属于基于网格的聚类算法（ D ） A、STING B、WaveCluster C、MAFIA D、BIRCH
74.一个对象的离群点得分是该对象周围密度的逆。这是基于（ C ）的离群点定义 A．概率 B、邻近度 C、密度 D、聚类
75.下面关于Jarvis－Patrick（JP）聚类算法的说法不正确的是（ D ） A、JP聚类擅长处理噪声和离群点，并且能够处理不同大小、形状和密度的簇。 B、JP算法对高维数据效果良好，尤其擅长发现强相关对象的紧致簇。 C、JP聚类是基于SNN相似度的概念。 D、JP聚类的基本时间复杂度为O(m)。
多选题
1.通过数据挖掘过程所推倒出的关系和摘要经常被称为：(A B) A. 模型 B. 模式 C. 模范 D. 模具
2.寻找数据集中的关系是为了寻找精确、方便并且有价值地总结了数据的某一特征的表示，这个过程包括了以下哪些步骤？ (A B C D) A. 决定要使用的表示的特征和结构 B. 决定如何量化和比较不同表示拟合数据的好坏 C. 选择一个算法过程使评分函数最优 D. 决定用什么样的数据管理原则以高效地实现算法
3.数据挖掘的预测建模任务主要包括哪几大类问题？ (A B) A. 分类 B. 回归 C. 模式发现 D. 模式匹配
4.数据挖掘算法的组件包括：(A B C D) A. 模型或模型结构 B. 评分函数 C. 优化和搜索方法 D. 数据管理策略
5.以下哪些学科和数据挖掘有密切联系？(A D) A. 统计 B. 计算机组成原理 C. 矿产挖掘 D. 人工智能
6.在现实世界的数据中，元组在某些属性上缺少值是常有的。描述处理该问题的各种方法有： (ＡＢＣＤＥ) A忽略元组 B使用属性的平均值填充空缺值 C使用一个全局常量填充空缺值 D使用与给定元组属同一类的所有样本的平均值 E使用最可能的值填充空缺值
7.下面哪些属于可视化高维数据技术 (ＡＢＣＥ) A 矩阵 B 平行坐标系 C星形坐标 D散布图 E Chernoff脸
8.对于数据挖掘中的原始数据，存在的问题有： (ＡＢＣＤＥ) A 不一致 B重复 C不完整 D 含噪声 E 维度高
9.下列属于不同的有序数据的有：(ＡＢＣＥ) A 时序数据 B 序列数据 C时间序列数据 D事务数据 E空间数据
10.下面属于数据集的一般特性的有：( B C D) A 连续性 B 维度 C 稀疏性 D 分辨率 E 相异性
11.下面属于维归约常用的线性代数技术的有： (A C) A 主成分分析 B 特征提取 C 奇异值分解 D 特征加权 E 离散化
12.下面列出的条目中，哪些是数据仓库的基本特征： (ACD) A. 数据仓库是面向主题的 B. 数据仓库的数据是集成的 C. 数据仓库的数据是相对稳定的 D. 数据仓库的数据是反映历史变化的 E. 数据仓库是面向事务的
13.以下各项均是针对数据仓库的不同说法，你认为正确的有（BCDE ） A．数据仓库就是数据库 B．数据仓库是一切商业智能系统的基础 C．数据仓库是面向业务的，支持联机事务处理（OLTP） D．数据仓库支持决策而非事务处理 E．数据仓库的主要目标就是帮助分析，做长期性的战略制定
14.数据仓库在技术上的工作过程是： (ABCD) A. 数据的抽取 B. 存储和管理 C. 数据的表现 D. 数据仓库设计 E. 数据的表现
15.联机分析处理包括以下哪些基本分析功能？ (BCD) A. 聚类 B. 切片 C. 转轴 D. 切块 E. 分类
16.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（BD） 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
17.下表是一个购物篮，假定支持度阈值为40%，其中(A D)是频繁闭项集。 TID 项 1 abc 2 abcd 3 bce 4 acde 5 de A、abc B、ad C、cd D、de
18.Apriori算法的计算复杂度受
(ABCD)?影响。 A、支持度阀值 B、项数（维度） C、事务数 D、事务平均宽度19.非频繁模式(AD) 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 D、对异常数据项敏感
20.以下属于分类器评价或比较尺度的有: (ACD) A,预测准确度 B,召回率 C,模型描述的简洁度 D,计算复杂度
21.在评价不平衡类问题分类的度量方法有如下几种，(ABCD) A,F1度量 B,召回率（recall） C,精度（precision） D,真正率（ture positive rate,TPR）
22.贝叶斯信念网络(BBN)有如下哪些特点（AB） 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
23.如下哪些不是最近邻分类器的特点， (C) 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
24.如下那些不是基于规则分类器的特点，（AC） A,规则集的表达能力远不如决策树好 B,基于规则的分类器都对属性空间进行直线划分，并将类指派到每个划分 C,无法被用来产生更易于解释的描述性模型 D,非常适合处理类分布不平衡的数据集
25.以下属于聚类算法的是（ ABD ） A、K均值 B、DBSCAN C、Apriori D、Jarvis-Patrick（JP）
26.（ CD ）都属于簇有效性的监督度量。 A、轮廓系数 B、共性分类相关系数 C、熵 D、F度量
27.簇有效性的面向相似性的度量包括（ BC ）。 A、精度 B、Rand统计量 C、Jaccard系数 D、召回率
28.（ ABCD ）这些数据特性都是对聚类分析具有很强影响的。 A、高维性 B、规模 C、稀疏性 D、噪声和离群点
29.在聚类分析当中，（ AD ）等技术可以处理任意形状的簇。 A、MIN（单链） B、MAX（全链） C、组平均 D、Chameleon
30.（ AB ）都属于分裂的层次聚类算法。 A、二分K均值 B、MST C、Chameleon D、组平均
