数据挖掘笔试题（一）

【公众号：深度学习视觉】

⼀. 单项选择题
1.想要了解上海市⼩学⽣的⾝⾼,需要抽取500个样本,这项调查中的样本是?
A.从中抽取的500名学⽣的⾝⾼
B.上海市全部⼩学⽣的⾝⾼
C.从中抽取的500名⼩学⽣
D.上海市全部⼩学⽣

答案：A

2.以下对k-means聚类算法解释正确的是
A.能⾃动识别类的个数,随即挑选初始点为中⼼点计算;
B.能⾃动识别类的个数,不是随即挑选初始点为中⼼点计算;
C.不能⾃动识别类的个数,随即挑选初始点为中⼼点计算;
D.不能⾃动识别类的个数,不是随即挑选初始点为中⼼点计算;

答案：C

3.以下哪个是常⻅的时间序列算法模型
A.RSI
B.MACD
C.ARMA
D.KDJ

答案：C

4.有个袋⼦装有2个红球,2个蓝球,1个⻩球,取出球以后不再放回,请问取两次出来的球是相同颜⾊的概率是多少
A.0.3333
B.0.25
C.0.2
D.0.1667

答案：C

65,8,50,15,37,24,()。括号中的数字是()
A.25
B.26
C.22
D.27

答案：B

6.⼀组数据,均值>中位数>众数,问这组数据
A.左偏
B.右偏
C.钟型
D.对称
答案：B

7.SQL语⾔允许使⽤通配符进⾏字符串匹配的操作,其中‘%’可以表⽰零个字符
A.零个字符;
B.1个字符;
C.多个字符;
D.以上都可以;

答案：D

8.关于正态分布,下列说法错误的是:
A.正态分布具有集中性和对称性;
B.正态分布的均值和⽅差能够决定正态分布的位置和形态;
C.正态分布的偏度为0，峰度为1;
D.标准正态分布的均值为0，⽅差为1;

答案：C

9.在以下不同的场景中,使⽤的分析⽅法不正确的有
A.根据商家最近⼀年的经营及服务数据,⽤聚类算法判断出天猫商家在各⾃主营类下所属的商家层级;
B.根据商家近⼏年的成交数据,⽤聚类算法拟合出⽤户未来⼀个⽉可能的消费⾦额公式;
C.⽤关联规则算法分析出购买了汽⻋坐垫的买家,是否适合推荐汽⻋脚垫;
D.根据⽤户最近购买的商品信息,⽤决策树算法识别出淘宝买家可能是男还是⼥;

答案：B

10.下列时间序列模型中,哪⼀个模型可以较好地拟合波动性的分析和预测
A.AR模型
B.MA模型
C.ARMA模型
D.GARCH模型

答案：D

⼆. 多选选择题

12.现在有M个桶,每桶都有N个乒乓球,乒乓球的颜⾊有K种,并且假设第i个桶第j种颜⾊的球个数为$C_i^j$, ⽐例为$R_i^j=\frac{C_i^j}{N}$,现在要评估哪个桶的乒乓球颜⾊纯度最⾼,下列哪种算法和描述是合理的?
A.$\sum (N/K-Cij)(N/K-Cij)$越⼩越纯;
B.$-\sum Cij\ast LOG(Rij)$越⼩越纯;
C.$\sum (1-Rij\ast Rij)$越⼩越纯;
D.$\sum (1-Rij)\ast (1-Rij)$越⼩越纯;
E.$\sum (1-Rij{)}^2$越⼩越纯;
F.$-\sum Rij\ast LOG(Rij)$越⼩越纯;

答案：CDEF

13.关于相关系数,下列描述中正确的有:
A.相关系数为0.8时,说明两个变量之间呈正相关关系;
B.相关系数等于1相较于相关系数等于-1,前者的相关性更强;
C.相关性等于1相较于相关系数等于0,前者的相关性更强;
D.Pearson相关系数衡量了两个定序变量之间的相关程度;
E.Spearman相关系数可以衡量两个定序变量之间的相关程度;
F.相关系数为0.2相较于-0.8,前者的相关性更强

正确答案：A,C,E

14.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;
E.可以⽤DW检验残差是否存在序列相关性;
F.多重共线性会使得参数估计值⽅差减⼩;

答案：BCE

15.下列哪些⽅法可以⽤来对⾼维数据进⾏降维:
LASSO、主成分分析法、聚类分析、⼩波分析法、线性判别法、拉普拉斯特征映射

答案：LASSO、主成分分析法、⼩波分析法、线性判别法、拉普拉斯特征映射

三. 问答题
16.
查询成交表a中的城市city的成交⾦额⼤于0的购买⼈数(buyer_id)和成交⾦额(amt) city buyer_id order_id amt
a 1 1 100
a 1 2 100
b 2 3 100
b 3 4 20
c 4 5 0

select buyer_id,sum(amt) as amt from a where city in
(
select city from (
select city,sum(amt) as amt from a group by city
)t
where t.amt>0
)

17.公司要构建淘宝商家健康指数,所以要对最近1年内有交易的淘宝商家进⾏问卷调研。为不过于打搅商 家, 问卷调研采取抽样的⽅式进⾏确定商家名单。怎么抽样⽐较好?

答案：可以考虑采⽤分层抽样的⽅式。
⾸先根据销售额或销售量对商家进⾏分层,这样可能会将商家分为⾼销售额(量)商户、中销售额(量)商户、低销售额(量)商户等,然后根据这三者的⽐例确定各个层次应抽取的商户数。对抽取出来的样本,根据相应的指标,如访问量、购买量、买家评级,评论数,发货速度等指标来综合考虑商家的健康指数。