2024年商業(yè)數(shù)據(jù)分析師題庫

商業(yè)數(shù)據(jù)分析師題庫一、單項選擇題1.某超市研究銷售紀錄數(shù)據(jù)後發(fā)現(xiàn)，買啤酒的人很大概率也會購置尿布，這種屬于數(shù)據(jù)挖掘的哪類問題？(A)A.關聯(lián)規(guī)則發(fā)現(xiàn)B.聚類C.分類D.自然語言處理2.如下兩種描述分別對應哪兩種對分類算法的評價原則？(A)(a)警察抓小偷，描述警察抓的人中有多少個是小偷的原則。(b)描述有多少比例的小偷給警察抓了的原則。A.Precision,RecallB.Recall,PrecisionC.Precision,ROCD.Recall,ROC3.將原始數(shù)據(jù)進行集成、變換、維度規(guī)約、數(shù)值規(guī)約是在如下哪個環(huán)節(jié)的任務？(C)A.頻繁模式挖掘B.分類和預測C.數(shù)據(jù)預處理D.數(shù)據(jù)流挖掘4.當不懂得數(shù)據(jù)所帶標簽時，可以使用哪種技術(shù)促使帶同類標簽的數(shù)據(jù)與帶其他標簽的數(shù)據(jù)相分離？(B)A.分類B.聚類C.關聯(lián)分析D.隱馬爾可夫鏈5.什么是KDD？(A)A.數(shù)據(jù)挖掘與知識發(fā)現(xiàn)B.領域知識發(fā)現(xiàn)C.文檔知識發(fā)現(xiàn)D.動態(tài)知識發(fā)現(xiàn)6.使用交互式的和可視化的技術(shù)，對數(shù)據(jù)進行探索屬于數(shù)據(jù)挖掘的哪一類任務？（A）A.探索性數(shù)據(jù)分析B.建模描述C.預測建模D.尋找模式和規(guī)則7.為數(shù)據(jù)的總體分布建模；把多維空間劃提成組等問題屬于數(shù)據(jù)挖掘的哪一類任務？(B)A.探索性數(shù)據(jù)分析B.建模描述C.預測建模D.尋找模式和規(guī)則8.建立一種模型，通過這個模型根據(jù)已知的變量值來預測其他某個變量值屬于數(shù)據(jù)挖掘的哪一類任務？(C)A.根據(jù)內(nèi)容檢索B.建模描述C.預測建模D.尋找模式和規(guī)則9.顧客有一種感愛好的模式并且但愿在數(shù)據(jù)集中找到相似的模式，屬于數(shù)據(jù)挖掘哪一類任務？(A)A.根據(jù)內(nèi)容檢索B.建模描述C.預測建模D.尋找模式和規(guī)則11.下面哪種不屬于數(shù)據(jù)預處理的措施？(D)A變量代換B離散化C匯集D估計遺漏值12.假設12個銷售價格記錄組已經(jīng)排序如下：5,10,11,13,15,35,50,55,72,92,204,215使用如下每種措施將它們劃提成四個箱。等頻（等深）劃分時，15在第幾種箱子內(nèi)？(B)A第一種B第二個C第三個D第四個13.上題中，等寬劃分時（寬度為50），15又在哪個箱子裏？(A)A第一種B第二個C第三個D第四個14.下面哪個不屬于數(shù)據(jù)的屬性類型：(D)A標稱B序數(shù)C區(qū)間D相異15.在上題中，屬于定量的屬性類型是：(C)A標稱B序數(shù)C區(qū)間D相異16.只有非零值才重要的二元屬性被稱作：(C)A計數(shù)屬性B離散屬性C非對稱的二元屬性D對稱屬性17.如下哪種措施不屬于特性選擇的原則措施：(D)A嵌入B過濾C包裝D抽樣18.下面不屬于創(chuàng)立新屬性的有關措施的是：(B)A特性提取B特性修改C映射數(shù)據(jù)到新的空間D特性構(gòu)造19.考慮值集{1、2、3、4、5、90}，其截斷均值（p=20%）是(C)A2B3C3.5D520.下面哪個屬于映射數(shù)據(jù)到新的空間的措施？(A)A傅立葉變換B特性加權(quán)C漸進抽樣D維歸約21.熵是為消除不確定性所需要獲得的信息量，投擲均勻正六面體骰子的熵是：(B)A1比特B2.6比特C3.2比特D3.8比特22.假設屬性income的最大最小值分別是1元和98000元。運用最大最小規(guī)范化的措施將屬性的值映射到0至1的范圍內(nèi)。對屬性income的73600元將被轉(zhuǎn)化為：(D)A0.821B1.224C1.458D0.71623.假定用于分析的數(shù)據(jù)包括屬性age。數(shù)據(jù)元組中age的值如下（按遞增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70,問題：使用按箱平均值平滑措施對上述數(shù)據(jù)進行平滑，箱的深度為3。第二個箱子值為：(A)A18.3B22.6C26.8D27.9解析：（16+19+20）/324.考慮值集{12243324556826}，其四分位數(shù)極差是：(A)A31B24C55D3解析：四分位數(shù)極差(IQR)=Q3-Q1。從小到大排序：24122426335568Q1={2,4}Q3={26,33}25.一所大學內(nèi)的各年齡人數(shù)分別為：一年級200人，二年級160人，三年級130人，四年級110人。則年級屬性的眾數(shù)是：(A)A一年級B二年級C三年級D四年級26.下列哪個不是專門用于可視化時間空間數(shù)據(jù)的技術(shù)：(B)A等高線圖B餅圖C曲面圖D矢量場圖27.在抽樣措施中，當合適的樣本容量很難確定期，可以使用的抽樣措施是：(D)A有放回的簡樸隨機抽樣B無放回的簡樸隨機抽樣C分層抽樣D漸進抽樣28.數(shù)據(jù)倉庫是伴隨時間變化的,下面的描述不對的的是(C)A.數(shù)據(jù)倉庫隨時間的變化不停增長新的數(shù)據(jù)內(nèi)容;B.捕捉到的新數(shù)據(jù)會覆蓋本來的快照;C.數(shù)據(jù)倉庫隨事件變化不停刪去舊的數(shù)據(jù)內(nèi)容;D.數(shù)據(jù)倉庫中包括大量的綜合數(shù)據(jù),這些綜合數(shù)據(jù)會伴隨時間的變化不停地進行重新綜合.29.有關基本數(shù)據(jù)的元數(shù)據(jù)是指:(D)A.基本元數(shù)據(jù)與數(shù)據(jù)源,數(shù)據(jù)倉庫,數(shù)據(jù)集市和應用程序等構(gòu)造有關的信息;B.基本元數(shù)據(jù)包括與企業(yè)有關的管理方面的數(shù)據(jù)和信息;C.基本元數(shù)據(jù)包括曰志文獻和簡歷執(zhí)行處理的時序調(diào)度信息;D.基本元數(shù)據(jù)包括有關裝載和更新處理,分析處理以及管理方面的信息.30.下面有關數(shù)據(jù)粒度的描述不對的的是:(C)A.粒度是指數(shù)據(jù)倉庫小數(shù)據(jù)單元的詳細程度和級別;B.數(shù)據(jù)越詳細,粒度就越小,級別也就越高;C.數(shù)據(jù)綜合度越高,粒度也就越大,級別也就越高;D.粒度的詳細劃分將直接影響數(shù)據(jù)倉庫中的數(shù)據(jù)量以及查詢質(zhì)量.31.有關數(shù)據(jù)倉庫的開發(fā)特點,不對的的描述是:(A)A.數(shù)據(jù)倉庫開發(fā)要從數(shù)據(jù)出發(fā);B.數(shù)據(jù)倉庫使用的需求在開發(fā)出去就要明確;C.數(shù)據(jù)倉庫的開發(fā)是一種不停循環(huán)的過程,是啟發(fā)式的開發(fā);D.在數(shù)據(jù)倉庫環(huán)境中,并不存在操作型環(huán)境中所固定的和較確切的處理流,數(shù)據(jù)倉庫中數(shù)據(jù)分析和處理更靈活,且沒有固定的模式32.在有關數(shù)據(jù)倉庫測試,下列說法不對的的是:(D)A.在完畢數(shù)據(jù)倉庫的實行過程中,需要對數(shù)據(jù)倉庫進行多種測試.測試工作中要包括單元測試和系統(tǒng)測試.B.當數(shù)據(jù)倉庫的每個單獨組件完畢後,就需要對他們進行單元測試.C.系統(tǒng)的集成測試需要對數(shù)據(jù)倉庫的所有組件進行大量的功能測試和回歸測試.D.在測試之前沒必要制定詳細的測試計劃.33.OLAP技術(shù)的關鍵是:(D)A.在線性;B.對顧客的迅速響應;C.互操作性.D.多維分析;34.有關OLAP的特性,下面對的的是:(D)(1)迅速性(2)可分析性(3)多維性(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)35.有關OLAP和OLTP的區(qū)別描述,不對的的是:(C)A.OLAP重要是有關怎樣理解匯集的大量不一樣的數(shù)據(jù).它與OTAP應用程序不一樣.B.與OLAP應用程序不一樣,OLTP應用程序包括大量相對簡樸的事務.C.OLAP的特點在于事務量大,但事務內(nèi)容比較簡樸且反復率高.D.OLAP是以數(shù)據(jù)倉庫為基礎的,但其最終數(shù)據(jù)來源與OLTP同樣均來自底層的數(shù)據(jù)庫系統(tǒng),兩者面對的顧客是相似的.36.OLAM技術(shù)一般簡稱為”數(shù)據(jù)聯(lián)機分析挖掘”,下面說法對的的是:(D)A.OLAP和OLAM都基于客戶機/服務器模式,只有後者有與顧客的交互性;B.由于OLAM的立方體和用于OLAP的立方體有本質(zhì)的區(qū)別.C.基于WEB的OLAM是WEB技術(shù)與OLAM技術(shù)的結(jié)合.D.OLAM服務器通過顧客圖形借口接受顧客的分析指令,在元數(shù)據(jù)的懂得下,對超級立方體作一定的操作.37.有關OLAP和OLTP的說法,下列不對的的是:(A)A.OLAP事務量大,但事務內(nèi)容比較簡樸且反復率高.B.OLAP的最終數(shù)據(jù)來源與OLTP不一樣樣.C.OLTP面對的是決策人員和高層管理人員.D.OLTP以應用為關鍵,是應用驅(qū)動的.38.設X={1，2，3}是頻繁項集，則可由X產(chǎn)生__(C)__個關聯(lián)規(guī)則。A、4B、5C、6D、740.概念分層圖是__(B)__圖。A、無向無環(huán)B、有向無環(huán)C、有向有環(huán)D、無向有環(huán)41.頻繁項集、頻繁閉項集、最大頻繁項集之間的關系是：(C)A、頻繁項集頻繁閉項集=最大頻繁項集B、頻繁項集=頻繁閉項集最大頻繁項集C、頻繁項集頻繁閉項集最大頻繁項集D、頻繁項集=頻繁閉項集=最大頻繁項集42.考慮下面的頻繁3-項集的集合：{1，2，3}，{1，2，4}，{1，2，5}，{1，3，4}，{1，3，5}，{2，3，4}，{2，3，5}，{3，4，5}假定數(shù)據(jù)集中只有5個項，采用合并方略，由候選產(chǎn)生過程得到4-項集不包括（C）A、1，2，3，4B、1，2，3，5C、1，2，4，5D、1，3，4，5根據(jù)數(shù)據(jù)挖掘Apriori算法的性質(zhì)之一：鑒定與否可作為K項頻繁集是通過K項集分裂為K個K-1項集,考察K-1項集與否為Lk-1,要生成4-項集,｛1,2,4,5｝分裂後為｛1,2,4｝｛2,4,5｝｛1,2,5｝｛1,4,5｝其中,｛1,4,5｝不屬于頻繁3項集,因此｛1,2,4,5｝不能作為4項集,由于有性質(zhì)為：任何非頻繁的K-1項集都不也許是頻繁項集K項集的子集.43.下面選項中t不是s的子序列的是(C)A、s=<{2,4},{3,5,6},{8}>t=<{2},{3,6},{8}>B、s=<{2,4},{3,5,6},{8}>t=<{2},{8}>C、s=<{1,2},{3,4}>t=<{1},{2}>D、s=<{2,4},{2,4}>t=<{2},{4}>44.在圖集合中發(fā)現(xiàn)一組公共子構(gòu)造，這樣的任務稱為(B)A、頻繁子集挖掘B、頻繁子圖挖掘C、頻繁數(shù)據(jù)項挖掘D、頻繁模式挖掘45.下列度量不具有反演性的是(D)A、系數(shù)B、幾率C、Cohen度量D、愛好因子46.下列__(A)__不是將主觀信息加入到模式發(fā)現(xiàn)任務中的措施。A、與同一時期其他數(shù)據(jù)對比B、可視化C、基于模板的措施D、主觀愛好度量47.下面購物籃可以提取的3-項集的最大數(shù)量是多少（C）ID購置項1牛奶，啤酒，尿布2面包，黃油，牛奶3牛奶，尿布，餅干4面包，黃油，餅干5啤酒，餅干，尿布6牛奶，尿布，面包，黃油7面包，黃油，尿布8啤酒，尿布9牛奶，尿布，面包，黃油10啤酒，餅干A、1B、2C、3D、448.如下哪些算法是分類算法，（B）A，DBSCANB，C4.5C,K-MeanD,EM49.如下哪些分類措施可以很好地防止樣本的不平衡問題，（A）A，KNNB，SVMC，BayesD，神經(jīng)網(wǎng)絡50.決策樹中不包括一下哪種結(jié)點，(C)A,根結(jié)點（rootnode)B,內(nèi)部結(jié)點（internalnode）C,外部結(jié)點（externalnode）D,葉結(jié)點（leafnode）51.不純性度量中Gini計算公式為（其中c是類的個數(shù)）(A)A,B,C,D,（A）53.如下哪項有關決策樹的說法是錯誤的(C)A.冗余屬性不會對決策樹的精確率導致不利的影響B(tài).子樹也許在決策樹中反復多次C.決策樹算法對于噪聲的干擾非常敏感D.尋找最佳決策樹是NP完全問題54.在基于規(guī)則分類器的中，根據(jù)規(guī)則質(zhì)量的某種度量對規(guī)則排序，保證每一種測試記錄都是由覆蓋它的“最佳的”規(guī)格來分類，這種方案稱為(B)A.基于類的排序方案B.基于規(guī)則的排序方案C.基于度量的排序方案D.基于規(guī)格的排序方案。55.如下哪些算法是基于規(guī)則的分類器(A)A.C4.5B.KNNC.Na?veBayesD.ANN56.假如規(guī)則集R中不存在兩條規(guī)則被同一條記錄觸發(fā)，則稱規(guī)則集R中的規(guī)則為（C）；A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則57.假如對屬性值的任一組合，R中都存在一條規(guī)則加以覆蓋，則稱規(guī)則集R中的規(guī)則為(B)A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則58.假如規(guī)則集中的規(guī)則按照優(yōu)先級降序排列，則稱規(guī)則集是(D)A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則59.假如容許一條記錄觸發(fā)多條分類規(guī)則，把每條被觸發(fā)規(guī)則的後件看作是對對應類的一次投票，然後計票確定測試記錄的類標號，稱為（A）A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則60.考慮兩隊之間的足球比賽：隊0和隊1。假設65%的比賽隊0勝出，剩余的比賽隊1獲勝。隊0獲勝的比賽中只有30%是在隊1的主場，而隊1取勝的比賽中75%是主場獲勝。假如下一場比賽在隊1的主場進行隊1獲勝的概率為(C)A，0.75B,0.35C,0.4678D,0.5738答案貌似錯誤的,根據(jù)貝葉斯公式計算應當是0.5738；假設踢了100場,隊0贏了65場,隊1贏了35場；隊1的主場,隊0贏了65*0.3=19.5場,隊1贏了35*0.75=26.25場；則隊1在在自已主場贏得概率：26.25/（19.5+26.25）=0.573861.如下有關人工神經(jīng)網(wǎng)絡（ANN）的描述錯誤的有(A)A，神經(jīng)網(wǎng)絡對訓練數(shù)據(jù)中的噪聲非常魯棒B，可以處理冗余特性C，訓練ANN是一種很耗時的過程D，至少具有一種隱藏層的多層神經(jīng)網(wǎng)絡62.通過匯集多種分類器的預測來提高分類精確率的技術(shù)稱為(A)A,組合(ensemble)B,匯集(aggregate)C，合并(combination)D，投票(voting)63.簡樸地將數(shù)據(jù)對象集劃提成不重疊的子集，使得每個數(shù)據(jù)對象恰在一種子集中，這種聚類類型稱作（B）A、層次聚類B、劃分聚類C、非互斥聚類D、模糊聚類64.在基本K均值算法裏，當鄰近度函數(shù)采用（A）的時候，合適的質(zhì)心是簇中各點的中位數(shù)。A、曼哈頓距離B、平方歐幾裏德距離C、余弦距離D、Bregman散度65.（C）是一種觀測值，它與其他觀測值的差異如此之大，以至于懷疑它是由不一樣的機制產(chǎn)生的。A、邊界點B、質(zhì)心C、離群點D、要點66.BIRCH是一種（B）。A、分類器B、聚類算法C、關聯(lián)分析算法D、特性選擇算法67.檢測一元正態(tài)分布中的離群點，屬于異常檢測中的基于（A）的離群點檢測。A、記錄措施B、鄰近度C、密度D、聚類技術(shù)68.（C）將兩個簇的鄰近度定義為不一樣簇的所有點對的平均逐對鄰近度，它是一種凝聚層次聚類技術(shù)。A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Ward措施69.（D）將兩個簇的鄰近度定義為兩個簇合并時導致的平方誤差的增量，它是一種凝聚層次聚類技術(shù)。A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Ward措施70.DBSCAN在最壞狀況下的時間復雜度是（B）。A、O(m)B、O(m2)C、O(logm)D、O(m*logm)71.在基于圖的簇評估度量表裏面，假如簇度量為proximity(Ci,C)，簇權(quán)值為mi，那么它的類型是（C）。A、基于圖的凝聚度B、基于原型的凝聚度C、基于原型的分離度D、基于圖的凝聚度和分離度72.有關K均值和DBSCAN的比較，如下說法不對的的是（A）。A、K均值丟棄被它識別為噪聲的對象，而DBSCAN一般聚類所有對象。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均值很難處理非球形的簇和不一樣大小的簇，DBSCAN可以處理不一樣大小和不一樣形狀的簇。D、K均值可以發(fā)現(xiàn)不是明顯分離的簇，即便簇有重疊也可以發(fā)現(xiàn)，不過DBSCAN會合并有重疊的簇。73.如下是哪一種聚類算法的算法流程：①構(gòu)造k－近來鄰圖。②使用多層圖劃分算法劃分圖。③repeat：合并有關相對互連性和相對靠近性而言，最佳地保持簇的自相似性的簇。④until：不再有可以合并的簇。（C）。A、MSTB、OPOSSUMC、ChameleonD、Jarvis－Patrick（JP）74.考慮這樣一種狀況：一種對象碰巧與另一種對象相對靠近，但屬于不一樣的類，由于這兩個對象一般不會共享許多近鄰，因此應當選擇（D）的相似度計算措施。A、平方歐幾裏德距離B、余弦距離C、直接相似度D、共享近來鄰75.如下屬于可伸縮聚類算法的是（A）。A、CUREB、DENCLUEC、CLIQUED、OPOSSUM76.如下哪個聚類算法不是屬于基于原型的聚類（D）。A、模糊c均值B、EM算法C、SOMD、CLIQUE77.有關混合模型聚類算法的優(yōu)缺陷，下面說法對的的是（B）。A、當簇只包括少許數(shù)據(jù)點，或者數(shù)據(jù)點近似協(xié)線性時，混合模型也能很好地處理。B、混合模型比K均值或模糊c均值更一般，由于它可以使用多種類型的分布。C、混合模型很難發(fā)現(xiàn)不一樣大小和橢球形狀的簇。D、混合模型在有噪聲和離群點時不會存在問題。78.如下哪個聚類算法不屬于基于網(wǎng)格的聚類算法（D）。A、STINGB、WaveClusterC、MAFIAD、BIRCH79.一種對象的離群點得分是該對象周圍密度的逆。這是基于（C）的離群點定義。A．概率B、鄰近度C、密度D、聚類80.下面有關Jarvis－Patrick（JP）聚類算法的說法不對的的是（D）。A、JP聚類擅長處理噪聲和離群點，并且可以處理不一樣大小、形狀和密度的簇。B、JP算法對高維數(shù)據(jù)效果良好，尤其擅長發(fā)現(xiàn)強有關對象的緊致簇。C、JP聚類是基于SNN相似度的概念。D、JP聚類的基本時間復雜度為O(m)。二、多選題1.通過數(shù)據(jù)挖掘過程所推倒出的關系和摘要常常被稱為：(AB)A.模型B.模式C.模范D.模具2尋找數(shù)據(jù)集中的關系是為了尋找精確、以便并且有價值地總結(jié)了數(shù)據(jù)的某一特性的表達，這個過程包括了如下哪些環(huán)節(jié)？(ABCD)A.決定要使用的表達的特性和構(gòu)造B.決定怎樣量化和比較不一樣表達擬合數(shù)據(jù)的好壞C.選擇一種算法過程使評分函數(shù)最優(yōu)D.決定用什么樣的數(shù)據(jù)管理原則以高效地實現(xiàn)算法。3.數(shù)據(jù)挖掘的預測建模任務重要包括哪幾大類問題？(AB)A.分類B.回歸C.模式發(fā)現(xiàn)D.模式匹配4.數(shù)據(jù)挖掘算法的組件包括：(ABCD)A.模型或模型構(gòu)造B.評分函數(shù)C.優(yōu)化和搜索措施D.數(shù)據(jù)管理方略5.如下哪些學科和數(shù)據(jù)挖掘有親密聯(lián)絡？(AD)A.記錄B.計算機構(gòu)成原理C.礦產(chǎn)挖掘D.人工智能6.在現(xiàn)實世界的數(shù)據(jù)中，元組在某些屬性上缺乏值是常有的。描述處理該問題的多種措施有：(ＡＢＣＤＥ)A忽視元組B使用屬性的平均值填充空缺值C使用一種全局常量填充空缺值D使用與給定元組屬同一類的所有樣本的平均值E使用最也許的值填充空缺值7.下面哪些屬于可視化高維數(shù)據(jù)技術(shù)(ＡＢＣＥ)A矩陣B平行坐標系C星形坐標D散布圖EChernoff臉8.對于數(shù)據(jù)挖掘中的原始數(shù)據(jù)，存在的問題有：(ＡＢＣＤＥ)A不一致B反復C不完整D含噪聲E維度高9.下列屬于不一樣的有序數(shù)據(jù)的有：(ＡＢＣＥ)A時序數(shù)據(jù)B序列數(shù)據(jù)C時間序列數(shù)據(jù)D事務數(shù)據(jù)E空間數(shù)據(jù)10.下面屬于數(shù)據(jù)集的一般特性的有：(BCD)A持續(xù)性B維度C稀疏性D辨別率E相異性11.下面屬于維歸約常用的線性代數(shù)技術(shù)的有：(AC)A主成分分析B特性提取C奇異值分解D特性加權(quán)E離散化12.下面列出的條目中，哪些是數(shù)據(jù)倉庫的基本特性：(ACD)A.數(shù)據(jù)倉庫是面向主題的B.數(shù)據(jù)倉庫的數(shù)據(jù)是集成的C.數(shù)據(jù)倉庫的數(shù)據(jù)是相對穩(wěn)定的D.數(shù)據(jù)倉庫的數(shù)據(jù)是反應歷史變化的E.數(shù)據(jù)倉庫是面向事務的13.如下各項均是針對數(shù)據(jù)倉庫的不一樣說法，你認為對的的有（BCDE）。A．數(shù)據(jù)倉庫就是數(shù)據(jù)庫B．數(shù)據(jù)倉庫是一切商業(yè)智能系統(tǒng)的基礎C．數(shù)據(jù)倉庫是面向業(yè)務的，支持聯(lián)機事務處理（OLTP）D．數(shù)據(jù)倉庫支持決策而非事務處理E．數(shù)據(jù)倉庫的重要目的就是協(xié)助分析，做長期性的戰(zhàn)略制定14.數(shù)據(jù)倉庫在技術(shù)上的工作過程是：(ABCD)A.數(shù)據(jù)的抽取B.存儲和管理C.數(shù)據(jù)的體現(xiàn)D.數(shù)據(jù)倉庫設計15.聯(lián)機分析處理包括如下哪些基本分析功能？(BCD)A.聚類B.切片C.轉(zhuǎn)軸D.切塊E.分類16.運用Apriori算法計算頻繁項集可以有效減少計算頻繁集的時間復雜度。在如下的購物籃中產(chǎn)生支持度不不不小于3的候選3-項集，在候選2-項集中需要剪枝的是（BD）ID項集1面包、牛奶2面包、尿布、啤酒、雞蛋3牛奶、尿布、啤酒、可樂4面包、牛奶、尿布、啤酒5面包、牛奶、尿布、可樂A、啤酒、尿布B、啤酒、面包C、面包、尿布D、啤酒、牛奶解析：面包：,4，牛奶：4，尿布：4，啤酒：3，雞蛋：1，可樂：2生成新的ID數(shù)據(jù)集17.下表是一種購物籃，假定支持度閾值為40%，其中__(AD)__是頻繁閉項集。TID項1abc2abcd3bce4acde5deA、abcB、adC、cdD、de18.Apriori算法的計算復雜度受__(ABCD)?__影響。A、支持度閥值B、項數(shù)（維度）C、事務數(shù)D、事務平均寬度19.非頻繁模式__(AD)__A、其支持度不不小于閾值B、都是不讓人感愛好的C、包括負模式和負有關模式D、對異常數(shù)據(jù)項敏感20.如下屬于分類器評價或比較尺度的有:(ACD)A,預測精確度B,召回率C,模型描述的簡潔度D,計算復雜度21.在評價不平衡類問題分類的度量措施有如下幾種，(ABCD)A,F1度量B,召回率（recall）C,精度（precision）D,真正率（turepositiverate,TPR）22.貝葉斯信念網(wǎng)絡(BBN)有如下哪些特點，（AB）A,構(gòu)造網(wǎng)絡費時費力B,對模型的過度問題非常魯棒C,貝葉斯網(wǎng)絡不適合處理不完整的數(shù)據(jù)D,網(wǎng)絡構(gòu)造確定後，添加變量相稱麻煩23.如下哪些不是近來鄰分類器的特點，(C)A,它使用品體的訓練實例進行預測，不必維護源自數(shù)據(jù)的模型B,分類一種測試樣例開銷很大C,近來鄰分類器基于全局信息進行預測D,可以生產(chǎn)任意形狀的決策邊界24.如下那些不是基于規(guī)則分類器的特點，（AC）A,規(guī)則集的體現(xiàn)能力遠不如決策樹好B,基于規(guī)則的分類器都對屬性空間進行直線劃分，并將類指派到每個劃分C,無法被用來產(chǎn)生更易于解釋的描述性模型D,非常適合處理類分布不平衡的數(shù)據(jù)集25.如下屬于聚類算法的是（ABD）。A、K均值B、DBSCANC、AprioriD、Jarvis-Patrick（JP）26.（CD）都屬于簇有效性的監(jiān)督度量。A、輪廓系數(shù)B、共性分類有關系數(shù)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記錄量C、Jaccard系數(shù)D、召回率28.（ABCD）這些數(shù)據(jù)特性都是對聚類分析具有很強影響的。A、高維性B、規(guī)模C、稀疏性D、噪聲和離群點29.在聚類分析當中，（AD）等技術(shù)可以處理任意形狀的簇。A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Chameleon30.（AB）都屬于分裂的層次聚類算法。A、二分K均值B、MSTC、ChameleonD、組平均三、判斷題1.數(shù)據(jù)挖掘的重要任務是從數(shù)據(jù)中發(fā)現(xiàn)潛在的規(guī)則，從而能更好的完畢描述數(shù)據(jù)、預測數(shù)據(jù)等任務。(對)2.數(shù)據(jù)挖掘的目的不在于數(shù)據(jù)采集方略，而在于對于已經(jīng)存在的數(shù)據(jù)進行模式的發(fā)掘。（對）3.圖挖掘技術(shù)在社會網(wǎng)絡分析中飾演了重要的角色。（對）4.模式為對數(shù)據(jù)集的全局性總結(jié)，它對整個測量空間的每一點做出描述；模型則對變量變化空間的一種有限區(qū)域做出描述。（錯）5.尋找模式和規(guī)則重要是對數(shù)據(jù)進行干擾，使其符合某種規(guī)則以及模式。（錯）6.離群點可以是合法的數(shù)據(jù)對象或者值。（對）7.離散屬性總是具有有限個值。（錯）8.噪聲和偽像是數(shù)據(jù)錯誤這一相似表述的兩種叫法。（錯）9.用于分類的離散化措施之間的主線區(qū)別在于與否使用類信息。（對）10.特性提取技術(shù)并不依賴于特定的領域。（錯）11.序列數(shù)據(jù)沒有時間戳。（對）12.定量屬性可以是整數(shù)值或者是持續(xù)值。（對）13.可視化技術(shù)對于分析的數(shù)據(jù)類型一般不是專用性的。（錯）14.DSS重要是基于數(shù)據(jù)倉庫.聯(lián)機數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的應用。（對）15.OLAP