1、
2025年大学数据挖掘技术（挖掘算法应用）试题及答案
（考试时间：90分钟 满分100分）
班级______ 姓名______
第I卷（选择题 共30分）
答题要求：本大题共10小题，每小题3分。在每小题给出的四个选项中，只有一项是符合题目要求的。
1. 以下哪种算法常用于数据分类任务？
A. 聚类算法
B. 决策树算法
C. 关联规则算法
D. 回归算法
2. 决策树算法中，用于选择最佳划分属性的指标通常是？
A. 信息增益
B. 均方误差
C. 余弦相似度
D. 欧式距离
3. 支持向量机（SVM）主要用于解决什么问题？
A
2、 数据聚类
B. 异常检测
C. 分类和回归
D. 关联规则挖掘
4. 在K近邻算法中，K值的选择对分类结果有重要影响，以下说法正确的是？
A. K值越大，模型越复杂，容易过拟合
B. K值越小，模型越简单，容易欠拟合
C. K值适中时，分类效果最佳
D. 以上说法都不对
5. 以下哪个不是聚类算法？
A. K-Means算法
B. DBSCAN算法
C. Apriori算法
D. 层次聚类算法
6. 关联规则挖掘中，衡量规则强度的指标是？
A. 支持度
B. 置信度
C. 提升度
D. 以上都是
7. 对于回归算法，以下哪种损失函数常用于线性回归？
3、A. 交叉熵损失函数
B. 均方误差损失函数
C. 绝对值损失函数
D. 铰链损失函数
8. 随机森林算法是基于什么算法改进而来的？
A. 决策树算法
B. 支持向量机算法
C. 神经网络算法
D. 聚类算法
9. 以下哪种算法可以处理高维数据且效果较好？
A. 主成分分析算法
B. 线性回归算法
C. K-Means算法
D. 决策树算法
10. 梯度下降法是用于优化哪种模型的参数？
A. 分类模型
B. 回归模型
C. 聚类模型
D. 以上都可以
第II卷（非选择题 共70分）
11. （10分）简述决策树算法中ID3算法的基本原理。
12
4、 （15分）说明支持向量机（SVM）的核心思想，并举例说明其在实际中的应用场景。
13. （15分）阐述K-Means算法的步骤，并分析其优缺点。
14. （15分）材料：在某电商平台的用户行为数据中，发现部分用户经常同时购买手机和手机壳。请运用关联规则挖掘算法，分析手机和手机壳之间的关联关系。要求：写出具体的算法步骤，并计算支持度、置信度和提升度。
15. （15分）材料：某公司收集了员工的工作年限、薪资水平、绩效评分等数据，希望通过这些数据预测员工的离职意向。请选择合适的数据挖掘算法，并说明理由，同时阐述如何进行模型训练和评估。
答案：
1. B
2. A
3. C
5、4. C
5. C
6. D
7. B
8. A
9. A
10. D
11. ID3算法以信息熵为度量，选择信息增益最大的属性作为根节点属性，递归地构建决策树。它通过计算每个属性的信息增益，选择能使数据集分类后信息熵下降最大的属性，从而逐步划分数据集，直到所有子集都属于同一类别或无法再划分。
12. SVM的核心思想是找到一个最优超平面，将不同类别的数据点分开，并且使间隔最大化。在实际中，常用于文本分类、图像分类、手写识别等领域。例如在文本分类中，将文本数据映射到高维空间，通过SVM找到最优超平面进行分类。
13. K-Means算法步骤：首先随机选择K个聚类中心；然后计算
6、每个数据点到聚类中心的距离，将数据点分配到最近的聚类中心；接着更新聚类中心，计算新的聚类中心；重复上述步骤直到聚类中心稳定。优点是简单快速，对处理大数据集有优势；缺点是对初始聚类中心敏感，不适用于非凸形状的数据分布。
14. 算法步骤：首先扫描数据集，统计手机和手机壳同时出现的次数作为支持度计数；然后计算支持度、置信度和提升度。支持度 = 手机和手机壳同时出现的次数 / 总记录数；置信度 = 手机和手机壳同时出现的次数 / 手机出现的次数；提升度 = 置信度 / 手机壳单独出现的概率。
15. 可选择逻辑回归算法。理由是逻辑回归适用于二分类问题，能很好地处理这种预测员工离职意向（是或否）的情况。模型训练时，将工作年限、薪资水平、绩效评分等作为特征，离职意向作为标签，使用逻辑回归模型进行训练。评估时，可使用准确率、召回率、F1值等指标，通过划分训练集和测试集，用测试集评估模型性能。
浙ICP备2021020529号-1 | 浙B2-20240490 
