《基于大數(shù)據(jù)挖掘技術(shù)及工程實(shí)踐》試題及答案24

1、海量數(shù)據(jù)挖掘技術(shù)及工程實(shí)踐題目一、單選題（共80題）( D )的目目的縮小數(shù)據(jù)據(jù)的取值范圍圍，使其更適適合于數(shù)據(jù)挖挖掘算法的需需要，并且能能夠得到和原原始數(shù)據(jù)相同同的分析結(jié)果果。A.數(shù)據(jù)清洗 B.數(shù)據(jù)集成成C.數(shù)據(jù)變換 D.數(shù)據(jù)歸約約某超市研究銷售售紀(jì)錄數(shù)據(jù)后后發(fā)現(xiàn)，買啤啤酒的人很大大概率也會(huì)購(gòu)購(gòu)買尿布，這這種屬于數(shù)據(jù)據(jù)挖掘的哪類類問(wèn)題？(AA) AA. 關(guān)聯(lián)規(guī)規(guī)則發(fā)現(xiàn) B. 聚類類 C. 分類 D. 自然語(yǔ)言言處理以下兩種描述分分別對(duì)應(yīng)哪兩兩種對(duì)分類算算法的評(píng)價(jià)標(biāo)標(biāo)準(zhǔn)？ (AA) (aa)警察抓小小偷，描述警警察抓的人中中有多少個(gè)是是小偷的標(biāo)準(zhǔn)準(zhǔn)。 (bb)描述有多多少比例的小小偷給警察抓抓

2、了的標(biāo)準(zhǔn)。 A. Precision,Recall B. Recall,Precision A. Precision,ROC D. Recall,ROC將原始數(shù)據(jù)進(jìn)行行集成、變換換、維度規(guī)約約、數(shù)值規(guī)約約是在以下哪哪個(gè)步驟的任任務(wù)？(C) A. 頻繁模式挖挖掘 B. 分分類和預(yù)測(cè) C. 數(shù)據(jù)預(yù)處處理 D. 數(shù)據(jù)據(jù)流挖掘當(dāng)不知道數(shù)據(jù)所所帶標(biāo)簽時(shí)，可可以使用哪種種技術(shù)促使帶帶同類標(biāo)簽的的數(shù)據(jù)與帶其其他標(biāo)簽的數(shù)數(shù)據(jù)相分離？(B) A. 分類類 B. 聚類類 C. 關(guān)聯(lián)分析析 D. 隱隱馬爾可夫鏈鏈建立一個(gè)模型，通通過(guò)這個(gè)模型型根據(jù)已知的的變量值來(lái)預(yù)預(yù)測(cè)其他某個(gè)個(gè)變量值屬于于數(shù)據(jù)挖掘的的哪一類任務(wù)務(wù)？

3、(C) A. 根根據(jù)內(nèi)容檢索索 B. 建模描述 C. 預(yù)預(yù)測(cè)建模 DD. 尋找模模式和規(guī)則下面哪種不屬于于數(shù)據(jù)預(yù)處理理的方法？ (D) A.變量代換 B.離散化 C.聚集 D.估計(jì)遺漏值值 假設(shè)12個(gè)銷售售價(jià)格記錄組組已經(jīng)排序如如下：5, 10, 111, 133, 15, 35, 50, 555, 722, 92, 204, 215 使用如下每每種方法將它它們劃分成四四個(gè)箱。等頻頻（等深）劃劃分時(shí)，155在第幾個(gè)箱箱子內(nèi)？ (B) A.第一個(gè) B.第二個(gè) C.第三個(gè) D.第四個(gè) 下面哪個(gè)不屬于于數(shù)據(jù)的屬性性類型：(DD) A.標(biāo)稱 B.序數(shù) C.區(qū)間 D.相異 只有非零值才重重要的二元屬屬性

4、被稱作：( C ) A.計(jì)數(shù)屬性 B.離散屬性 C.非對(duì)稱的二二元屬性 D.對(duì)稱屬性 以下哪種方法不不屬于特征選選擇的標(biāo)準(zhǔn)方方法： (D) A.嵌入 B.過(guò)濾 C.包裝 D.抽樣 下面不屬于創(chuàng)建建新屬性的相相關(guān)方法的是是： (B) A.特征提取 B.特征修改 C.映射數(shù)據(jù)到到新的空間 D.特征構(gòu)造 下面哪個(gè)屬于映映射數(shù)據(jù)到新新的空間的方方法？ (AA) A.傅立葉變換換 B.特征加權(quán) C.漸進(jìn)抽樣 D.維歸約 假設(shè)屬性inccome的最最大最小值分分別是120000元和998000元元。利用最大大最小規(guī)范化化的方法將屬屬性的值映射射到0至1的的范圍內(nèi)。對(duì)對(duì)屬性inccome的773600元元將

5、被轉(zhuǎn)化為為：(D) A.0.8211 B.1.2244 C.1.4588 D.0.7166 一所大學(xué)內(nèi)的各各年紀(jì)人數(shù)分分別為：一年年級(jí)200人人，二年級(jí)1160人，三三年級(jí)1300人，四年級(jí)級(jí)110人。則則年級(jí)屬性的的眾數(shù)是： (A) A.一年級(jí) B.二年級(jí) C.三年級(jí) D.四年級(jí) 下列哪個(gè)不是專專門用于可視視化時(shí)間空間間數(shù)據(jù)的技術(shù)術(shù)： (B) A.等高線圖 B.餅圖 C.曲面圖 D.矢量場(chǎng)圖 在抽樣方法中，當(dāng)當(dāng)合適的樣本本容量很難確確定時(shí)，可以以使用的抽樣樣方法是： (D) A.有放回的簡(jiǎn)簡(jiǎn)單隨機(jī)抽樣樣 B.無(wú)放回的簡(jiǎn)簡(jiǎn)單隨機(jī)抽樣樣 C.分層抽樣 D 漸進(jìn)抽樣數(shù)據(jù)倉(cāng)庫(kù)是隨著著時(shí)間變化的的,下

6、面的描描述不正確的的是 (C)A.數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)隨時(shí)間的的變化不斷增增加新的數(shù)據(jù)據(jù)內(nèi)容B.捕捕捉到的新數(shù)數(shù)據(jù)會(huì)覆蓋原原來(lái)的快照CC.數(shù)據(jù)倉(cāng)庫(kù)庫(kù)隨事件變化化不斷刪去舊舊的數(shù)據(jù)內(nèi)容容D.數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)中包含大大量的綜合數(shù)數(shù)據(jù),這些綜綜合數(shù)據(jù)會(huì)隨隨著時(shí)間的變變化不斷地進(jìn)進(jìn)行重新綜合合下面關(guān)于數(shù)據(jù)粒粒度的描述不不正確的是: (C)AA.粒度是指指數(shù)據(jù)倉(cāng)庫(kù)小小數(shù)據(jù)單元的的詳細(xì)程度和和級(jí)別B.數(shù)數(shù)據(jù)越詳細(xì),粒度就越小小,級(jí)別也就就越高C.數(shù)數(shù)據(jù)綜合度越越高,粒度也也就越大,級(jí)級(jí)別也就越高高D.粒度的的具體劃分將將直接影響數(shù)數(shù)據(jù)倉(cāng)庫(kù)中的的數(shù)據(jù)量以及及查詢質(zhì)量有關(guān)數(shù)據(jù)倉(cāng)庫(kù)的的開(kāi)發(fā)特點(diǎn),不正確的描描述是: (A)A.數(shù)

7、數(shù)據(jù)倉(cāng)庫(kù)開(kāi)發(fā)發(fā)要從數(shù)據(jù)出出發(fā)B.數(shù)據(jù)據(jù)倉(cāng)庫(kù)使用的的需求在開(kāi)發(fā)發(fā)出去就要明明確C.數(shù)據(jù)據(jù)倉(cāng)庫(kù)的開(kāi)發(fā)發(fā)是一個(gè)不斷斷循環(huán)的過(guò)程程,是啟發(fā)式式的開(kāi)發(fā)D.在數(shù)據(jù)倉(cāng)庫(kù)庫(kù)環(huán)境中,并并不存在操作作型環(huán)境中所所固定的和較較確切的處理理流,數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)中數(shù)據(jù)分分析和處理更更靈活,且沒(méi)沒(méi)有固定的模模式關(guān)于OLAP的的特性,下面面正確的是: (D)(1)快速性性 (2)可可分析性 (3)多維性性 (4)信信息性 (55)共享性AA.(1) (2) (3)B.(2) (33) (4)C.(1) (2) (3) (4)D.(1) (22) (3) (4) (5)關(guān)于OLAP和和OLTP的的區(qū)別描述,不正確的是是: (C)A

8、.OLAAP主要是關(guān)關(guān)于如何理解解聚集的大量量不同的數(shù)據(jù)據(jù).它與OTTAP應(yīng)用程程序不同B.與OLAPP應(yīng)用程序不不同,OLTTP應(yīng)用程序序包含大量相相對(duì)簡(jiǎn)單的事事務(wù)C.OLLAP的特點(diǎn)點(diǎn)在于事務(wù)量量大,但事務(wù)務(wù)內(nèi)容比較簡(jiǎn)簡(jiǎn)單且重復(fù)率率高D.OLLAP是以數(shù)數(shù)據(jù)倉(cāng)庫(kù)為基基礎(chǔ)的,但其其最終數(shù)據(jù)來(lái)來(lái)源與OLTTP一樣均來(lái)來(lái)自底層的數(shù)數(shù)據(jù)庫(kù)系統(tǒng),兩者面對(duì)的的用戶是相同同的關(guān)于OLAP和和OLTP的的說(shuō)法,下列列不正確的是是: (A)A.OLAAP事務(wù)量大大,但事務(wù)內(nèi)內(nèi)容比較簡(jiǎn)單單且重復(fù)率高高B.OLAAP的最終數(shù)數(shù)據(jù)來(lái)源與OOLTP不一一樣C.OLLTP面對(duì)的的是決策人員員和高層管理理人員D.OOL

9、TP以應(yīng)應(yīng)用為核心,是應(yīng)用驅(qū)動(dòng)動(dòng)的設(shè)X=1，22，3是頻頻繁項(xiàng)集，則則可由X產(chǎn)生生( C )個(gè)關(guān)聯(lián)規(guī)規(guī)則。A.4 B.5 C.6 D.7 考慮下面的頻繁繁3-項(xiàng)集的的集合：11,2,3,1,2,4,1,2,5,1,3,4,1,3,5,2,3,4,2,3,5,3,4,5假定數(shù)數(shù)據(jù)集中只有有5個(gè)項(xiàng),采用 合并并策略,由候選產(chǎn)生生過(guò)程得到44-項(xiàng)集不包包含（ C ）A.1,2,3,4 B.1,2,3,5 C.1,2,44,5 D.1,3,4,5下面選項(xiàng)中t不不是s的子序序列的是 ( C )A.s= t=BB.s= t=C.s= t=D.s= t=在圖集合中發(fā)現(xiàn)現(xiàn)一組公共子子結(jié)構(gòu),這樣的任務(wù)務(wù)稱為 (

10、 B )A.頻繁子集挖挖掘 B.頻繁子圖挖挖掘 C.頻繁數(shù)據(jù)項(xiàng)項(xiàng)挖掘 D.頻繁模式挖挖掘下列度量不具有有反演性的是是 (D)AA.系數(shù) B.幾率 C.Cohenn度量 D.興趣因子下列 ( A )不是將主觀觀信息加入到到模式發(fā)現(xiàn)任任務(wù)中的方法法。A.與同一時(shí)期期其他數(shù)據(jù)對(duì)對(duì)比B.可視化C.基于模板的的方法D.主觀興趣度度量下面購(gòu)物藍(lán)能夠夠提取的3-項(xiàng)集的最大大數(shù)量是多少少（C）TID項(xiàng)集1牛奶,啤酒,尿尿布2面包,黃油,牛牛奶3牛奶,尿布,餅餅干4面包,黃油,餅餅干5啤酒,餅干,尿尿布6牛奶,尿布,面面包,黃油7面包,黃油,尿尿布8啤酒,尿布9牛奶,尿布,面面包,黃油10啤酒,餅干A.1 B.

11、2 C.3 D.4以下哪些算法是是分類算法 （B）A.DBSCAAN B.C4.5 C.K-MMean D.EMM以下哪些分類方方法可以較好好地避免樣本本的不平衡問(wèn)問(wèn)題（A）A.KNN B.SVVM C.Baayes D.神經(jīng)經(jīng)網(wǎng)絡(luò) 決策樹(shù)中不包含含一下哪種結(jié)結(jié)點(diǎn) ( C )根結(jié)點(diǎn)（rooot nodde)內(nèi)部結(jié)點(diǎn)（innternaal nodde） 外部結(jié)點(diǎn)（exxternaal nodde） 葉結(jié)點(diǎn)（leaaf nodde）以下哪項(xiàng)關(guān)于決決策樹(shù)的說(shuō)法法是錯(cuò)誤的 (C)A. 冗余屬性性不會(huì)對(duì)決策策樹(shù)的準(zhǔn)確率率造成不利的的影響 B. 子樹(shù)可能能在決策樹(shù)中中重復(fù)多次 C. 決決策樹(shù)算法對(duì)對(duì)于噪聲

12、的干干擾非常敏感感 D. 尋找最佳決決策樹(shù)是NPP完全問(wèn)題在基于規(guī)則分類類器的中,依據(jù)規(guī)則質(zhì)質(zhì)量的某種度度量對(duì)規(guī)則排排序,保證每一個(gè)個(gè)測(cè)試記錄都都是由覆蓋它它的“最好的的”規(guī)格來(lái)分分類,這種方案稱稱為 (B)A. 基于于類的排序方方案 B. 基于規(guī)則則的排序方案案 C. 基于度量的的排序方案 D. 基基于規(guī)格的排排序方案。 以下哪些算法是是基于規(guī)則的的分類器 (A) A. C4.5 B. KKNN C. Naivve Bayyes D. AANN可用作數(shù)據(jù)挖掘掘分析中的關(guān)關(guān)聯(lián)規(guī)則算法法有（C）。A. 決策樹(shù)、對(duì)對(duì)數(shù)回歸、關(guān)關(guān)聯(lián)模式 B. K均值法法、SOM神神經(jīng)網(wǎng)絡(luò) C. Apriiori算法

13、法、FP-TTree算法法 D. RBF神神經(jīng)網(wǎng)絡(luò)、KK均值法、決決策樹(shù)如果對(duì)屬性值的的任一組合,R中都存在在一條規(guī)則加加以覆蓋,則稱規(guī)則集集R中的規(guī)則則為( B )A.無(wú)序規(guī)則 B.窮舉規(guī)則 C.互斥規(guī)則 D.有序規(guī)則用于分類與回歸歸應(yīng)用的主要要算法有: ( D )A.Aprioori算法、HHotSpoot算法 B.RBF神經(jīng)經(jīng)網(wǎng)絡(luò)、K均均值法、決策策樹(shù) C.K均值法、SSOM神經(jīng)網(wǎng)網(wǎng)絡(luò) D.決策樹(shù)、BBP神經(jīng)網(wǎng)絡(luò)絡(luò)、貝葉斯40)如果允許許一條記錄觸觸發(fā)多條分類類規(guī)則,把每條被觸觸發(fā)規(guī)則的后后件看作是對(duì)對(duì)相應(yīng)類的一一次投票,然后計(jì)票確確定測(cè)試記錄錄的類標(biāo)號(hào),稱為（A） A.無(wú)序規(guī)則 B.窮

14、舉規(guī)則 C.互斥規(guī)則 D.有序規(guī)則41)考慮兩隊(duì)隊(duì)之間的足球球比賽：隊(duì)00和隊(duì)1。假假設(shè)65%的的比賽隊(duì)0勝勝出,剩余的比賽賽隊(duì)1獲勝。隊(duì)隊(duì)0獲勝的比比賽中只有330%是在隊(duì)隊(duì)1的主場(chǎng),而隊(duì)1取勝勝的比賽中775%是主場(chǎng)場(chǎng)獲勝。如果果下一場(chǎng)比賽賽在隊(duì)1的主主場(chǎng)進(jìn)行隊(duì)11獲勝的概率率為 (C) A.0.75 B.0.35 C.0.46778 D.0.5733842)以下關(guān)于于人工神經(jīng)網(wǎng)網(wǎng)絡(luò)（ANNN）的描述錯(cuò)錯(cuò)誤的有 (A)A.神經(jīng)網(wǎng)絡(luò)對(duì)對(duì)訓(xùn)練數(shù)據(jù)中中的噪聲非常常魯棒 B.可以處理冗冗余特征 C.訓(xùn)練ANNN是一個(gè)很耗耗時(shí)的過(guò)程 D.至少含有一一個(gè)隱藏層的的多層神經(jīng)網(wǎng)網(wǎng)絡(luò)43)通過(guò)聚集集多個(gè)分類

15、器器的預(yù)測(cè)來(lái)提提高分類準(zhǔn)確確率的技術(shù)稱稱為 (A) A.組合(ennsemblle) B.聚集(agggregaate) C.合并(coombinaation) D.投票(vooting)44)簡(jiǎn)單地將將數(shù)據(jù)對(duì)象集集劃分成不重重疊的子集,使得每個(gè)數(shù)數(shù)據(jù)對(duì)象恰在在一個(gè)子集中中,這種聚類類類型稱作（ B ） A.層次聚類類 B.劃分聚類 C.非互斥聚聚類 D.模糊聚類45)在基本KK均值算法里里,當(dāng)鄰近度函函數(shù)采用（ A ）的時(shí)時(shí)候,合適的質(zhì)心心是簇中各點(diǎn)點(diǎn)的中位數(shù)。 A.曼哈頓距離 B.平方歐幾里德距離 C.余弦距離 D.Bregmman散度 46)（ CC ）是一個(gè)個(gè)觀測(cè)值,它與其他觀觀測(cè)值的

16、差別別如此之大,以至于懷疑疑它是由不同同的機(jī)制產(chǎn)生生的。 A.邊界點(diǎn) B.質(zhì)心 C.離群點(diǎn) D.核心點(diǎn)47)BIRCHH是一種（ B ）。 A.分類器 B.聚類算法 C.關(guān)聯(lián)分析算算法 D.特征選擇算算法48)檢測(cè)一一元正態(tài)分布布中的離群點(diǎn)點(diǎn),屬于異常檢檢測(cè)中的基于于（ A ）的的離群點(diǎn)檢測(cè)測(cè)。 A.統(tǒng)計(jì)方方法 B.鄰近度 C.密度 D.聚類技術(shù)499)（ C ）將兩個(gè)簇簇的鄰近度定定義為不同簇簇的所有點(diǎn)對(duì)對(duì)的平均逐對(duì)對(duì)鄰近度，它是一種凝凝聚層次聚類類技術(shù)。 A.MIN（單單鏈） B.MAX（全全鏈） C.組平均 D.Ward方方法50)（ DD ）將兩個(gè)個(gè)簇的鄰近度度定義為兩個(gè)個(gè)簇合并時(shí)導(dǎo)導(dǎo)

17、致的平方誤誤差的增量,它是一種凝凝聚層次聚類類技術(shù)。 A.MIN（單單鏈） B.MAX（全全鏈） C.組平均 D.Ward方方法51) 下列列算法中，不不屬于外推法法的是（ BB ）。 A.移動(dòng)平均法法 B.回歸分析法法 C.指數(shù)平滑法法 D.季節(jié)指數(shù)法法52) 關(guān)聯(lián)聯(lián)規(guī)則的評(píng)價(jià)價(jià)指標(biāo)是：（ C ）。 A. 均方誤差差、均方根誤誤差 B. Kapppa統(tǒng)計(jì)、顯顯著性檢驗(yàn) C. 支持度、置置信度 D. 平均絕對(duì)對(duì)誤差、相對(duì)對(duì)誤差53)關(guān)于K均值值和DBSCCAN的比較較,以下說(shuō)法不不正確的是（ A ）。 A.K均值丟棄棄被它識(shí)別為為噪聲的對(duì)象象,而DBSCCAN一般聚聚類所有對(duì)象象。 BB.K均

18、值使用用簇的基于原原型的概念,而DBSCCAN使用基基于密度的概概念。 C.K均值很難難處理非球形形的簇和不同同大小的簇,DBSCAAN可以處理理不同大小和和不同形狀的的簇。 D.K均值可以以發(fā)現(xiàn)不是明明顯分離的簇簇,即便簇有重重疊也可以發(fā)發(fā)現(xiàn),但是DBSSCAN會(huì)合合并有重疊的的簇。54）從研究現(xiàn)現(xiàn)狀上看，下下面不屬于云云計(jì)算特點(diǎn)的的是（ C ）A.超大規(guī)模 B.虛擬化化 C.私有化 D.高可可靠性55)考慮這么么一種情況：一個(gè)對(duì)象碰碰巧與另一個(gè)個(gè)對(duì)象相對(duì)接接近,但屬于不同同的類,因?yàn)檫@兩個(gè)個(gè)對(duì)象一般不不會(huì)共享許多多近鄰,所以應(yīng)該選選擇（ D ）的相似度度計(jì)算方法。 A.平方歐幾里德距離 B

19、.余弦距離 C.直接相似度度 D.共享最近鄰鄰56) 分析析顧客消費(fèi)行行業(yè)，以便有有針對(duì)性的向向其推薦感興興趣的服務(wù)，屬屬于（ A）問(wèn)問(wèn)題。A.關(guān)聯(lián)規(guī)則挖挖掘 B.分類與回歸歸 C.聚類分析 D.時(shí)序預(yù)測(cè)577)以下哪個(gè)個(gè)聚類算法不不是屬于基于于原型的聚類類（ D ）。 A.模糊C均值 B.EM算法 C.SOM D.CLIQUUE58)關(guān)于混混合模型聚類類算法的優(yōu)缺缺點(diǎn),下面說(shuō)法正正確的是（ B ）。 A.當(dāng)簇只包含含少量數(shù)據(jù)點(diǎn)點(diǎn),或者數(shù)據(jù)點(diǎn)點(diǎn)近似協(xié)線性性時(shí),混合模型也也能很好地處處理。 B.混合模型比比K均值或模模糊c均值更更一般,因?yàn)樗梢砸允褂酶鞣N類類型的分布。 C.混合模型很難發(fā)現(xiàn)不同

20、大小和橢球形狀的簇。 D.混合模型在有噪聲和離群點(diǎn)時(shí)不會(huì)存在問(wèn)題。59)以下哪個(gè)聚類算法不屬于基于網(wǎng)格的聚類算法（ D ）。 A.STING B.WaveCluster C.MAFIAA D.BIRCHH60)一個(gè)對(duì)對(duì)象的離群點(diǎn)點(diǎn)得分是該對(duì)對(duì)象周圍密度度的逆。這是是基于（ CC ）的離群群點(diǎn)定義。 A概率 B鄰近度 C密度 D聚類輿情研判，信息息科學(xué)側(cè)重（ C ）,社會(huì)和管理理科學(xué)側(cè)重突突發(fā)群體事件件管理中的群群體心理行為為及輿論控制制研究，新聞傳播學(xué)學(xué)側(cè)重對(duì)輿論論的本體進(jìn)行行規(guī)律性的探探索和研究。 A.輿論的本體體進(jìn)行規(guī)律性性的探索和研研究B.輿論控制研研究C.互聯(lián)網(wǎng)文本本挖掘和分析析技術(shù)D

21、.用戶行為分分析MapReduuce的Maap函數(shù)產(chǎn)生生很多的（ C ）A.key BB.valuue C. D.HashhMapreduuce適用于于 （ DD ）A.任意應(yīng)用程程序 B. 任意可在在windoows seervet22008上運(yùn)運(yùn)行的程序C.可以串行處處理的應(yīng)用程程序 D. 可以并行行處理的應(yīng)用用程序PageRannk是一個(gè)函函數(shù),它對(duì)Webb中的每個(gè)網(wǎng)網(wǎng)頁(yè)賦予一個(gè)個(gè)實(shí)數(shù)值。它它的意圖在于于網(wǎng)頁(yè)的PaageRannk越高,那么它就（ D ）。 A.相關(guān)性越高高 B.越不重要 C.相關(guān)性越低低 D.越重要A.一對(duì)一 B.一對(duì)多 C. 多對(duì)多 D. 多對(duì)一協(xié)同過(guò)濾分析用用戶興趣

22、,在用戶群中中找到指定用用戶的相似(興趣)用戶戶,綜合這些用用戶對(duì)某一信信息的評(píng)價(jià),形成系統(tǒng)對(duì)對(duì)該指定用戶戶對(duì)此信息的的喜好程度（ D ）,并將這些用用戶喜歡的項(xiàng)項(xiàng)推薦給有相相似興趣的用用戶。A. 相似 B.相相同 C.推薦 D. 預(yù)測(cè)大數(shù)據(jù)指的是所所涉及的資料料量規(guī)模巨大大到無(wú)法透過(guò)過(guò)目前主流軟軟件工具,在合理時(shí)間間內(nèi)達(dá)到擷取取、管理、處處理、并（ B ）成成為幫助企業(yè)業(yè)經(jīng)營(yíng)決策更更積極目的的的信息。A.收集 B.整理 C.規(guī)劃 D.聚集大數(shù)據(jù)科學(xué)關(guān)注注大數(shù)據(jù)網(wǎng)絡(luò)絡(luò)發(fā)展和運(yùn)營(yíng)營(yíng)過(guò)程中（ D ）大大數(shù)據(jù)的規(guī)律律及其與自然然和社會(huì)活動(dòng)動(dòng)之間的關(guān)系系。A.大數(shù)據(jù)網(wǎng)絡(luò)絡(luò)發(fā)展和運(yùn)營(yíng)營(yíng)過(guò)程 B.規(guī)劃建設(shè)

23、設(shè)運(yùn)營(yíng)管理C.規(guī)律和驗(yàn)證證D.發(fā)現(xiàn)和驗(yàn)驗(yàn)證大數(shù)據(jù)的價(jià)值是是通過(guò)數(shù)據(jù)共共享、（ D ）后后獲取最大的的數(shù)據(jù)價(jià)值A(chǔ).算法共享 B.共享應(yīng)用用 C. 數(shù)據(jù)交換換 D. 交叉復(fù)用社交網(wǎng)絡(luò)產(chǎn)生了了海量用戶以以及實(shí)時(shí)和完完整的數(shù)據(jù),同時(shí)社交網(wǎng)網(wǎng)絡(luò)也記錄了了用戶群體的的（ CC ）,通過(guò)深入挖挖掘這些數(shù)據(jù)據(jù)來(lái)了解用戶戶,然后將這些些分析后的數(shù)數(shù)據(jù)信息推給給需要的品牌牌商家或是微微博營(yíng)銷公司司。A.地址 B.行為 C.情緒 D.來(lái)源 通過(guò)數(shù)據(jù)收集和和展示數(shù)據(jù)背背后的（ D ）,運(yùn)用豐富的的、具有互動(dòng)動(dòng)性的可視化化手段,數(shù)據(jù)新聞學(xué)學(xué)成為新聞學(xué)學(xué)作為一門新新的分支進(jìn)入入主流媒體,即用數(shù)據(jù)報(bào)報(bào)道新聞。A.數(shù)據(jù)收集

24、B.數(shù)據(jù)挖掘 C.真相 D. 關(guān)聯(lián)與與模式CRISP-DDM 模型中中Evaluuationn表示對(duì)建立立的模型進(jìn)行行評(píng)估,重點(diǎn)具體考考慮得出的結(jié)結(jié)果是否符合合（ CC ）的的商業(yè)目的。A.第二步 B.第三步C.第一步 D.最后一步步發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的的算法通常要要經(jīng)過(guò)以下三三個(gè)步驟：連連接數(shù)據(jù),作數(shù)據(jù)準(zhǔn)備備；給定最小小支持度和（ D ）,利用數(shù)據(jù)挖挖掘工具提供供的算法發(fā)現(xiàn)現(xiàn)關(guān)聯(lián)規(guī)則；可視化顯示示、理解、評(píng)評(píng)估關(guān)聯(lián)規(guī)則則A. 最小興趣趣度 B. 最小置置信度C. 最大支持持度D. 最小小可信度規(guī)則I-j,“有可能”,等于所有包包含I的購(gòu)物物籃中同時(shí)包包含J的購(gòu)物物籃的比例,為（ B ）。A. 置信

25、度 B.可信度 C. 興趣度 D. 支持度度如果一個(gè)匹配中中,任何一個(gè)節(jié)節(jié)點(diǎn)都不同時(shí)時(shí)是兩條或多多條邊的端點(diǎn)點(diǎn),也稱作（ C ）A. 極大匹配配 B.二分匹配配 C完美匹配 D.極小匹配配只要具有適當(dāng)?shù)牡恼咄苿?dòng),大數(shù)據(jù)的使使用將成為未未來(lái)提高競(jìng)爭(zhēng)爭(zhēng)力、生產(chǎn)力力、創(chuàng)新能力力以及（ D ）的的關(guān)鍵要素。A.提高消費(fèi) B.提高GDDP C.提高生活水水平 D. 創(chuàng)造消消費(fèi)者盈余個(gè)性化推薦系統(tǒng)統(tǒng)是建立在海海量數(shù)據(jù)挖掘掘基礎(chǔ)上的一一種高級(jí)商務(wù)務(wù)智能平臺(tái),以幫助（ D ）為其其顧客購(gòu)物提提供完全個(gè)性性化的決策支支持和信息服服務(wù)。 A.公司 B.各單位 C.跨國(guó)企業(yè) D. 電子商商務(wù)網(wǎng)站云計(jì)算是對(duì)（ D

26、）技技術(shù)的發(fā)展與與運(yùn)用A.并行計(jì)算 B.網(wǎng)格計(jì)算 C.分布式計(jì)算算 D.三個(gè)選項(xiàng)都都是（ B ）是是Googlle提出的用用于處理海量量數(shù)據(jù)的并行行編程模式和和大規(guī)模數(shù)據(jù)據(jù)集的并行運(yùn)運(yùn)算的軟件架架構(gòu)。A.GFS B.MapReeduce C.Chubbby D.BitTaable在Bigtabble中，（ A ）主要要用來(lái)存儲(chǔ)子子表數(shù)據(jù)以及及一些日志文文件A. GFS B. Chhubby C.SSTabble D.MaapReduuce二、判斷題（共共40題）分類是預(yù)測(cè)數(shù)據(jù)據(jù)對(duì)象的離散散類別，預(yù)測(cè)是用于于數(shù)據(jù)對(duì)象的的連續(xù)取值。 (對(duì))時(shí)序預(yù)測(cè)回歸預(yù)預(yù)測(cè)一樣，也也是用已知的的數(shù)據(jù)預(yù)測(cè)未未來(lái)的值

27、，但但這些數(shù)據(jù)的的區(qū)別是變量量所處時(shí)間的的不同。(錯(cuò))數(shù)據(jù)挖掘的主要要任務(wù)是從數(shù)數(shù)據(jù)中發(fā)現(xiàn)潛潛在的規(guī)則，從而能更好好的完成描述述數(shù)據(jù)、預(yù)測(cè)測(cè)數(shù)據(jù)等任務(wù)務(wù)。 (對(duì))對(duì)遺漏數(shù)據(jù)的處處理方法主要要有：忽略該該條記錄；手手工填補(bǔ)遺漏漏值；利用默默認(rèn)值填補(bǔ)遺遺漏值；利用用均值填補(bǔ)遺遺漏值；利用用同類別均值值填補(bǔ)遺漏值值；利用最可可能的值填充充遺漏值。(對(duì))神經(jīng)網(wǎng)絡(luò)對(duì)噪音音數(shù)據(jù)具有高高承受能力，并能對(duì)未經(jīng)經(jīng)過(guò)訓(xùn)練的數(shù)數(shù)據(jù)具有分類類能力，但其需要很很長(zhǎng)的訓(xùn)練時(shí)時(shí)間，因而對(duì)于有有足夠長(zhǎng)訓(xùn)練練時(shí)間的應(yīng)用用更合適。(對(duì))數(shù)據(jù)分類由兩步步過(guò)程組成：第一步，建立一個(gè)聚類類模型，描述指定的的數(shù)據(jù)類集或或概念集；第第二步

28、，使用模型進(jìn)進(jìn)行分類。(錯(cuò))聚類是指將物理理或抽象對(duì)象象的集合分組組成為由類似似的對(duì)象組成成的多個(gè)類的的過(guò)程。 (對(duì))決策樹(shù)方法通常常用于關(guān)聯(lián)規(guī)規(guī)則挖掘。 (錯(cuò))數(shù)據(jù)規(guī)范化指將將數(shù)據(jù)按比例例縮放(如更更換大單位)，使之落入入一個(gè)特定的的區(qū)域（如00-1）以提高高數(shù)據(jù)挖掘效效率的方法。規(guī)規(guī)范化的常用用方法有：最最大-最小規(guī)范化化、零-均值規(guī)范化化、小數(shù)定標(biāo)標(biāo)規(guī)范化。(對(duì))原始業(yè)務(wù)數(shù)據(jù)來(lái)來(lái)自多個(gè)數(shù)據(jù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)，它們的的結(jié)構(gòu)和規(guī)則則可能是不同同的，這將導(dǎo)導(dǎo)致原始數(shù)據(jù)據(jù)非常的雜亂亂、不可用，即即使在同一個(gè)個(gè)數(shù)據(jù)庫(kù)中，也也可能存在重重復(fù)的和不完完整的數(shù)據(jù)信信息，為了使使這些數(shù)據(jù)能能夠符合數(shù)據(jù)據(jù)挖掘

29、的要求求，提高效率率和得到清晰晰的結(jié)果，必必須進(jìn)行數(shù)據(jù)據(jù)的預(yù)處理。(對(duì))數(shù)據(jù)取樣時(shí)，除除了要求抽樣樣時(shí)嚴(yán)把質(zhì)量量關(guān)外，還要要求抽樣數(shù)據(jù)據(jù)必須在足夠夠范圍內(nèi)有代代表性。(對(duì)對(duì))分類規(guī)則的挖掘掘方法通常有有：決策樹(shù)法法、貝葉斯法法、人工神經(jīng)經(jīng)網(wǎng)絡(luò)法、粗粗糙集法和遺遺傳算法。(對(duì))可信度是對(duì)關(guān)聯(lián)聯(lián)規(guī)則的準(zhǔn)確確度的衡量。 (錯(cuò))孤立點(diǎn)在數(shù)據(jù)挖挖掘時(shí)總是被被視為異常、無(wú)無(wú)用數(shù)據(jù)而丟丟棄。 (錯(cuò))Apriorii算法是一種種典型的關(guān)聯(lián)聯(lián)規(guī)則挖掘算算法。 (對(duì))用于分類的離散散化方法之間間的根本區(qū)別別在于是否使使用類信息。（對(duì)）特征提取技術(shù)并并不依賴于特特定的領(lǐng)域。（錯(cuò)）模型的具體化就就是預(yù)測(cè)公式式，公式可

30、以以產(chǎn)生與觀察察值有相似結(jié)結(jié)構(gòu)的輸出，這這就是預(yù)測(cè)值值。（對(duì)）文本挖掘又稱信信息檢索，是從大量文文本數(shù)據(jù)中提提取以前未知知的、有用的的、可理解的的、可操作的的知識(shí)的過(guò)程程。 （錯(cuò)）定量屬性可以是是整數(shù)值或者者是連續(xù)值。（對(duì)）可視化技術(shù)對(duì)于于分析的數(shù)據(jù)據(jù)類型通常不不是專用性的的。（錯(cuò)）OLAP技術(shù)側(cè)側(cè)重于把數(shù)據(jù)據(jù)庫(kù)中的數(shù)據(jù)據(jù)進(jìn)行分析、轉(zhuǎn)轉(zhuǎn)換成輔助決決策信息，是繼數(shù)據(jù)庫(kù)庫(kù)技術(shù)發(fā)展之之后迅猛發(fā)展展起來(lái)的一種種新技術(shù)。 （對(duì)）Web數(shù)據(jù)挖掘掘是通過(guò)數(shù)據(jù)據(jù)庫(kù)仲的一些些屬性來(lái)預(yù)測(cè)測(cè)另一個(gè)屬性性，它在驗(yàn)證用用戶提出的假假設(shè)過(guò)程中提提取信息。 （錯(cuò)錯(cuò)）關(guān)聯(lián)規(guī)則挖掘過(guò)過(guò)程是發(fā)現(xiàn)滿滿足最小支持持度的所有項(xiàng)項(xiàng)集代表

31、的規(guī)規(guī)則。 （錯(cuò)）利用先驗(yàn)原理可可以幫助減少少頻繁項(xiàng)集產(chǎn)產(chǎn)生時(shí)需要探探查的候選項(xiàng)項(xiàng)個(gè)數(shù)。 （對(duì)）先驗(yàn)原理可以表表述為：如果果一個(gè)項(xiàng)集是是頻繁的，那包含它的的所有項(xiàng)集也也是頻繁的。（錯(cuò)錯(cuò)）回歸分析通常用用于挖掘關(guān)聯(lián)聯(lián)規(guī)則。（錯(cuò)）具有較高的支持持度的項(xiàng)集具具有較高的置置信度。（錯(cuò)錯(cuò)）維歸約可以去掉掉不重要的屬屬性，減少數(shù)數(shù)據(jù)立方體的的維數(shù)，從而而減少數(shù)據(jù)挖挖掘處理的數(shù)數(shù)據(jù)量，提高高挖掘效率。（對(duì)）聚類（clussterinng）是這樣樣的過(guò)程：它它找出描述并并區(qū)分?jǐn)?shù)據(jù)類類或概念的模模型(或函數(shù)數(shù))，以便能夠使使用模型預(yù)測(cè)測(cè)類標(biāo)記未知知的對(duì)象類。 （錯(cuò)）對(duì)于SVM分類類算法，待分樣本集集中的大部分分

32、樣本不是支支持向量，移去或者減減少這些樣本本對(duì)分類結(jié)果果沒(méi)有影響。 （對(duì)）Bayes法是是一種在已知知后驗(yàn)概率與與類條件概率率的情況下的的模式分類方方法，待分樣本的的分類結(jié)果取取決于各類域域中樣本的全全體。 (錯(cuò))在決策樹(shù)中，隨隨著樹(shù)中結(jié)點(diǎn)點(diǎn)數(shù)變得太大大，即使模型的的訓(xùn)練誤差還還在繼續(xù)減低低，但是檢驗(yàn)誤誤差開(kāi)始增大大，這是出現(xiàn)了了模型擬合不不足的問(wèn)題。 （錯(cuò)）在聚類分析當(dāng)中中，簇內(nèi)的相似似性越大，簇間的差別別越大，聚類的效果果就越差。（錯(cuò)錯(cuò)）聚類分析可以看看作是一種非非監(jiān)督的分類類。（對(duì)）K均值是一種產(chǎn)產(chǎn)生劃分聚類類的基于密度度的聚類算法法，簇的個(gè)數(shù)由由算法自動(dòng)地地確定。（錯(cuò)錯(cuò)基于鄰近度的離離

33、群點(diǎn)檢測(cè)方方法不能處理理具有不同密密度區(qū)域的數(shù)數(shù)據(jù)集。（對(duì)對(duì)）如果一個(gè)對(duì)象不不強(qiáng)屬于任何何簇，那么該對(duì)象象是基于聚類類的離群點(diǎn)。（對(duì)對(duì)）大數(shù)據(jù)的4V特特點(diǎn)是Volumme、Vellocityy、Variiety、VVeraciity。（對(duì)對(duì)）聚類分析的相異異度矩陣是用用于存儲(chǔ)所有有對(duì)象兩兩之之間相異度的的矩陣，為一一個(gè)nn維的的單模矩陣。（對(duì)）三、多選題（共共30題）噪聲數(shù)據(jù)的產(chǎn)生生原因主要有有：（ABCCD）數(shù)據(jù)采集設(shè)備有有問(wèn)題在數(shù)據(jù)錄入過(guò)程程中發(fā)生了人人為或計(jì)算機(jī)機(jī)錯(cuò)誤數(shù)據(jù)傳輸過(guò)程中中發(fā)生錯(cuò)誤由于命名規(guī)則或或數(shù)據(jù)代碼不不同而引起的的不一致尋找數(shù)據(jù)集中的的關(guān)系是為了了尋找精確、方方便并且有價(jià)

34、價(jià)值地總結(jié)出出數(shù)據(jù)的某一一特征的表示示,這個(gè)過(guò)程包包括了以下哪哪些步驟？ (A B C D)A.選擇一個(gè)算算法過(guò)程使評(píng)評(píng)分函數(shù)最優(yōu)優(yōu)B.決定如如何量化和比比較不同表示示擬合數(shù)據(jù)的的好壞C.決定要使使用的表示的的特征和結(jié)構(gòu)構(gòu)D.決定用什什么樣的數(shù)據(jù)據(jù)管理原則以以高效地實(shí)現(xiàn)現(xiàn)算法數(shù)據(jù)挖掘的預(yù)測(cè)測(cè)建模任務(wù)主主要包括哪幾幾大類問(wèn)題？ (A BB)A. 分類 B. 回歸 C. 聚類 D. 關(guān)聯(lián)規(guī)則則挖掘4) 下列屬于于不同的有序序數(shù)據(jù)的有：(A B C D)A.時(shí)序數(shù)據(jù) B.序列數(shù)據(jù) C.時(shí)間序列數(shù)數(shù)據(jù)D.事務(wù)數(shù)據(jù)E.空間數(shù)據(jù) 5) 下面屬于于數(shù)據(jù)集的一一般特性的有有：( B C D)AA.連續(xù)性B.維

35、度 C.稀疏性D.分辨率E.相異性6）下面屬于維維歸約常用的的處理技術(shù)的有有： (A C)A.主成分分析析B.特征提取 C.奇異值分解解D.特征加權(quán)E.離散化噪聲數(shù)據(jù)處理的的方法主要有有：（ ABBD ）A.分箱 B.聚類C.關(guān)聯(lián)分析 D.回歸數(shù)據(jù)挖掘的主要要功能包括概概念描述、趨趨勢(shì)分析、孤孤立點(diǎn)分析及及（ ABBCD ）等方面。A.挖掘頻繁模模式 B.分類和預(yù)測(cè)測(cè) C.聚類分析 D.偏差分析以下各項(xiàng)均是針針對(duì)數(shù)據(jù)倉(cāng)庫(kù)庫(kù)的不同說(shuō)法法,你認(rèn)為正確確的有（BCCD ）。 A數(shù)據(jù)據(jù)倉(cāng)庫(kù)就是數(shù)數(shù)據(jù)庫(kù) B數(shù)據(jù)據(jù)倉(cāng)庫(kù)是一切切商業(yè)智能系系統(tǒng)的基礎(chǔ) C數(shù)據(jù)據(jù)倉(cāng)庫(kù)是面向向業(yè)務(wù)的,支持聯(lián)機(jī)事事務(wù)處理（OOLTP

36、） D數(shù)據(jù)據(jù)倉(cāng)庫(kù)支持決決策而非事務(wù)務(wù)處理10）聯(lián)機(jī)分析析處理包括( BCDD )基本本分析功能。A.聚類 B.切切片 C.轉(zhuǎn)軸 D.切塊塊11）利用Appriorii算法計(jì)算頻頻繁項(xiàng)集可以以有效降低計(jì)計(jì)算頻繁集的的時(shí)間復(fù)雜度度。在以下的的購(gòu)物籃中產(chǎn)產(chǎn)生支持度不不小于3的候候選3-項(xiàng)集集，在候選2-項(xiàng)集中需要要剪枝的是( BD )TID項(xiàng)集1面包、牛奶2面包、尿布、啤啤酒、雞蛋3牛奶、尿布、啤啤酒、可樂(lè)4面包、牛奶、尿尿布、啤酒5面包、牛奶、尿尿布、可樂(lè)A.啤酒、尿布布 B.啤酒、面包包C.面包、尿布布 D.啤酒、牛奶奶12）下表是一一個(gè)購(gòu)物籃,假定支持度度閾值為400%,其中( AAD )是頻

37、繁閉項(xiàng)項(xiàng)集。ID項(xiàng)集1面包、牛奶、尿尿布2面包、牛奶、尿尿布、啤酒3牛奶、尿布、雞雞蛋4面包、尿布、啤啤酒、雞蛋5啤酒、雞蛋A.面包、牛奶奶、尿布 B.面包、啤酒C.尿布、啤酒 D.啤酒、雞蛋13）Apriiori算法法的計(jì)算復(fù)雜雜度受( ABCD )影響。A.支持度閥值值 B.項(xiàng)數(shù)（維度度）C.事務(wù)數(shù) DD.事務(wù)平均寬寬度14）以下關(guān)于于非頻繁模式式說(shuō)法,正確的是（ AD ）A.其支持度小小于閾值 B.都是不讓人人感興趣的C.包含負(fù)模式式和負(fù)相關(guān)模模式 D.對(duì)異常數(shù)據(jù)據(jù)項(xiàng)敏感15）以下屬于于分類器評(píng)價(jià)價(jià)或比較尺度度的有: ( ACDD )A.預(yù)測(cè)準(zhǔn)確度度 B.召回率C.模型描述的的簡(jiǎn)潔度 D.計(jì)算復(fù)雜度度16）貝葉斯信信念網(wǎng)絡(luò)(BBBN)有如如下哪些特點(diǎn)點(diǎn)。 （AB）A.構(gòu)造網(wǎng)絡(luò)費(fèi)費(fèi)時(shí)費(fèi)力 B.對(duì)模型的過(guò)過(guò)分問(wèn)題非常常魯棒 C.貝葉斯網(wǎng)絡(luò)絡(luò)不適合處理理不完整的數(shù)數(shù)據(jù) D.網(wǎng)絡(luò)結(jié)構(gòu)確確定后,添加變量相相當(dāng)麻煩17）如下哪些些不是最近鄰鄰分類器的特特點(diǎn)。 (C)A.它使用具體體的訓(xùn)練實(shí)例例進(jìn)行預(yù)測(cè)，不必維護(hù)源源自數(shù)據(jù)的模模型 B.分類一個(gè)測(cè)測(cè)試樣例開(kāi)銷銷很大 C.最近鄰分類類器基于全局局信息進(jìn)行預(yù)預(yù)測(cè) D.可以生產(chǎn)任任意形狀的決決策邊界18）以下屬于于聚類算法的的是（ ABB ）。 A.K-Meanns B.DBSCAAN C.Aprioori