數(shù)據(jù)挖掘試題

數(shù)據(jù)挖掘試題(單項(xiàng)選擇)(總7頁)--本頁僅作為文檔封面，使用時(shí)請(qǐng)直接刪除即可----內(nèi)頁可以依照需求調(diào)整合適字體及大小--單項(xiàng)選擇題某商場(chǎng)研究銷售紀(jì)錄數(shù)據(jù)后發(fā)現(xiàn)，買啤酒的人很大概率也會(huì)購買尿布，這種屬于數(shù)據(jù)挖掘的哪一種問題(A)A.關(guān)系規(guī)則發(fā)現(xiàn)B.聚類C.分類D自.然語言辦理以下兩種描述分別對(duì)應(yīng)哪兩種對(duì)分類算法的議論標(biāo)準(zhǔn)(A)(a)警察抓小偷，描述警察抓的人中有多少個(gè)是小偷的標(biāo)準(zhǔn)。(b)描述有多少比率的小偷給警察抓了的標(biāo)準(zhǔn)。Precision,RecallB.Recall,PrecisionPrecision,ROCD.Recall,ROC將原始數(shù)據(jù)進(jìn)行集成、變換、維度規(guī)約、數(shù)值規(guī)約是在以下哪個(gè)步驟的任務(wù)(C)A.頻頻模式挖掘B.分類和展望C.數(shù)據(jù)預(yù)辦理D.數(shù)據(jù)流挖掘當(dāng)不知道數(shù)據(jù)所帶標(biāo)簽時(shí)，可以使用哪一種技術(shù)促使帶同類標(biāo)簽的數(shù)據(jù)與帶其他標(biāo)簽的數(shù)據(jù)相分別(B)A.分類B.聚類C.關(guān)系解析D.隱馬爾可夫鏈?zhǔn)裁词荎DD(A)數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)B.領(lǐng)域知識(shí)發(fā)現(xiàn)C.文檔知識(shí)發(fā)現(xiàn)D.動(dòng)向知識(shí)發(fā)現(xiàn)使用交互式的和可視化的技術(shù)，對(duì)數(shù)據(jù)進(jìn)行研究屬于數(shù)據(jù)挖掘的哪一類任務(wù)（A）研究性數(shù)據(jù)解析B.建模描述C.展望建模D.搜尋模式和規(guī)則為數(shù)據(jù)的整體分布建模；把多維空間劃分成組等問題屬于數(shù)據(jù)挖掘的哪一類任務(wù)(B)A.研究性數(shù)據(jù)解析B.建模描述C.展望建模D.搜尋模式和規(guī)則建立一個(gè)模型，經(jīng)過這個(gè)模型依照已知的變量值來展望其他某個(gè)變量值屬于數(shù)據(jù)挖掘的哪一類任務(wù)(C)A.依照內(nèi)容檢索B.建模描述C.展望建模D.搜尋模式和規(guī)則用戶有一種感興趣的模式并且希望在數(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(wù)(A)A.依照內(nèi)容檢索B.建模描述C.展望建模D.搜尋模式和規(guī)則11.下面哪一種不屬于數(shù)據(jù)預(yù)辦理的方法2(D)A變量代換B失散化C齊聚D估計(jì)遺漏值12.假設(shè)12個(gè)銷售價(jià)格記錄組已經(jīng)排序以下：5,10,11,13,15,35,50,55,72,92,204,215使用以下每種方法將它們劃分成四個(gè)箱。等頻（等深）劃分時(shí)，15在第幾個(gè)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)13.上題中，等寬劃分時(shí)（寬度為50），15又在哪個(gè)箱子里(A)A第一個(gè)B第二個(gè)C第三個(gè)D第四個(gè)14.下面哪個(gè)不屬于數(shù)據(jù)的屬性種類：(D)A標(biāo)稱B序數(shù)C區(qū)間D相異在上題中，屬于定量的屬性種類是：(C)A標(biāo)稱B序數(shù)C區(qū)間D相異只有非零值才重要的二元屬性被稱作：(C)A計(jì)數(shù)屬性B失散屬性C非對(duì)稱的二元屬性D對(duì)稱屬性17.以下哪一種方法不屬于特點(diǎn)選擇的標(biāo)準(zhǔn)方法：(D)A嵌入B過濾C包裝D抽樣18.下面不屬于創(chuàng)辦新屬性的相關(guān)方法的是：(B)A特點(diǎn)提取B特點(diǎn)更正C照射數(shù)據(jù)到新的空間D特點(diǎn)構(gòu)造考慮值集{1、2、3、4、5、90}，其截?cái)嗑担╬=20%）是(C)A2B3CD5下面哪個(gè)屬于照射數(shù)據(jù)到新的空間的方法(A)A傅立葉變換B特點(diǎn)加權(quán)C漸進(jìn)抽樣D維歸約熵是為除掉不確定性所需要獲得的信息量，扔擲平均正六面體骰子的熵是：(B)A1比特B比特C比特D比特假設(shè)屬性income的最大最小值分別是12000元和98000元。利用最大最小規(guī)范化的方法將屬性的值照射到0至1的范圍內(nèi)。對(duì)屬性income的73600元將被轉(zhuǎn)變成：(D)ABCD23.假設(shè)用于解析的數(shù)據(jù)包括屬性age。數(shù)據(jù)元組中age的值以下（按遞加序）：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：使用按箱平均值圓滑方法對(duì)上述數(shù)據(jù)進(jìn)行圓滑，箱的深度為3。第二個(gè)箱子值為：(A)ABCD考慮值集，其四分位數(shù)極差是：(A)A31B24C55D325.一所大學(xué)內(nèi)的各年紀(jì)人數(shù)分別為：一年級(jí)200人，二年級(jí)160人，三年級(jí)130人，四年級(jí)110人。則年級(jí)屬性的眾數(shù)是：(A)A一年級(jí)B二年級(jí)C三年級(jí)D四年級(jí)26.以下哪個(gè)不是特地用于可視化時(shí)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(chǎng)圖3在抽樣方法中，當(dāng)合適的樣本容量很難確準(zhǔn)時(shí)，可以使用的抽樣方法是：(D)A有放回的簡(jiǎn)單隨機(jī)抽樣B無放回的簡(jiǎn)單隨機(jī)抽樣C分層抽樣D漸進(jìn)抽樣數(shù)據(jù)庫房是隨著時(shí)間變化的,下面的描述不正確的選項(xiàng)是(C)A.數(shù)據(jù)庫房隨時(shí)間的變化不斷增加新的數(shù)據(jù)內(nèi)容;B.捕捉到的新數(shù)據(jù)會(huì)覆蓋原來的快照;C.數(shù)據(jù)庫房隨事件變化不斷刪去舊的數(shù)據(jù)內(nèi)容;D.數(shù)據(jù)庫房中包括大量的綜合數(shù)據(jù),這些綜合數(shù)據(jù)會(huì)隨著時(shí)間的變化不斷地進(jìn)行重新綜合.關(guān)于基本數(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)庫房,數(shù)據(jù)集市和應(yīng)用程序等構(gòu)造相關(guān)的信息;B.基本元數(shù)據(jù)包括與企業(yè)相關(guān)的管理方面的數(shù)據(jù)和信息;C.基本元數(shù)據(jù)包括日志文件和簡(jiǎn)歷執(zhí)行辦理的時(shí)序調(diào)換信息;D.基本元數(shù)據(jù)包括關(guān)于裝載和更新辦理,解析辦理以及管理方面的信息.下面關(guān)于數(shù)據(jù)粒度的描述不正確的選項(xiàng)是:(C)A.粒度是指數(shù)據(jù)庫房小數(shù)據(jù)單元的詳細(xì)程度和級(jí)別;B.數(shù)據(jù)越詳細(xì),粒度就越小,級(jí)別也就越高;C.數(shù)據(jù)綜合度越高,粒度也就越大,級(jí)別也就越高;D.粒度的詳細(xì)劃分將直接影響數(shù)據(jù)庫房中的數(shù)據(jù)量以及盤問質(zhì)量.相關(guān)數(shù)據(jù)庫房的開發(fā)特點(diǎn),不正確的描述是:(A)A.數(shù)據(jù)庫房開發(fā)要從數(shù)據(jù)出發(fā);B.數(shù)據(jù)庫房使用的需求在開發(fā)出去就要明確;C.數(shù)據(jù)庫房的開發(fā)是一個(gè)不斷循環(huán)的過程,是啟示式的開發(fā);D.在數(shù)據(jù)庫房環(huán)境中,其實(shí)不存在操作型環(huán)境中所固定的和較確實(shí)的辦理流,數(shù)據(jù)庫房中數(shù)據(jù)解析和辦理更靈便,且沒有固定的模式在相關(guān)數(shù)據(jù)庫房測(cè)試,以下說法不正確的選項(xiàng)是:(D)A.在完成數(shù)據(jù)庫房的推行過程中,需要對(duì)數(shù)據(jù)庫房進(jìn)行各種測(cè)試.測(cè)試工作中要包括單元測(cè)試和系統(tǒng)測(cè)試.B.當(dāng)數(shù)據(jù)庫房的每個(gè)單獨(dú)組件完成后,就需要對(duì)他們進(jìn)行單元測(cè)試.C.系統(tǒng)的集成測(cè)試需要對(duì)數(shù)據(jù)庫房的所有組件進(jìn)行大量的功能測(cè)試和回歸測(cè)試.D.在測(cè)試從前沒必要擬定詳細(xì)的測(cè)試計(jì)劃.OLAP技術(shù)的中心是:(D)A.在線性;B.對(duì)用戶的快速響應(yīng);C.互操作性.D.多維解析;關(guān)于OLAP的特點(diǎn),下面正確的選項(xiàng)是:(D)(1)快速性(2)可解析性(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)關(guān)于OLAP和OLTP的差別描述,不正確的選項(xiàng)是:(C)A.OLAP主若是關(guān)于如何理解齊聚的大量不一樣的數(shù)據(jù).它與OTAP應(yīng)用程序不一樣.4B.與OLAP應(yīng)用程序不一樣,OLTP應(yīng)用程序包括大量相對(duì)簡(jiǎn)單的事務(wù).C.OLAP的特點(diǎn)在于事務(wù)量大,但事務(wù)內(nèi)容比較簡(jiǎn)單且重復(fù)率高.D.OLAP是以數(shù)據(jù)庫房為基礎(chǔ)的,但其最后數(shù)據(jù)本源與OLTP相同均來自基層的數(shù)據(jù)庫系統(tǒng),兩者面對(duì)的用戶是相同的.OLAM技術(shù)一般簡(jiǎn)稱為”數(shù)據(jù)聯(lián)機(jī)解析挖掘”,下面說法正確的選項(xiàng)是:(D)A.OLAP和OLAM都基于客戶機(jī)/服務(wù)器模式,只有后者有與用戶的交互性;B.由于OLAM的立方體和用于OLAP的立方體有實(shí)質(zhì)的差別.C.基于WEB的OLAM是WEB技術(shù)與OLAM技術(shù)的結(jié)合.D.OLAM服務(wù)器經(jīng)過用戶圖形借口接收用戶的解析指令,在元數(shù)據(jù)的知道下,對(duì)超級(jí)立方體作必然的操作.關(guān)于OLAP和OLTP的說法,以下不正確的選項(xiàng)是:(A)A.OLAP事務(wù)量大,但事務(wù)內(nèi)容比較簡(jiǎn)單且重復(fù)率高.B.OLAP的最后數(shù)據(jù)本源與OLTP不一樣樣.C.OLTP面對(duì)的是決策人員和高層管理人員.D.OLTP以應(yīng)用為中心,是應(yīng)用驅(qū)動(dòng)的.設(shè)X={1，2，3}是頻頻項(xiàng)集，則可由X產(chǎn)生__(C)__個(gè)關(guān)系規(guī)則。A、4B、5C、6D、7看法分層圖是__(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.頻頻項(xiàng)集、頻頻閉項(xiàng)集、最大頻頻項(xiàng)集之間的關(guān)系是：(C)A、頻頻項(xiàng)集頻頻閉項(xiàng)集=最大頻頻項(xiàng)集B、頻頻項(xiàng)集=頻頻閉項(xiàng)集最大頻頻項(xiàng)集C、頻頻項(xiàng)集頻頻閉項(xiàng)集最大頻頻項(xiàng)集D、頻頻項(xiàng)集=頻頻閉項(xiàng)集=最大頻頻項(xiàng)集考慮下面的頻頻3-項(xiàng)集的會(huì)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}假設(shè)數(shù)據(jù)集中只有5個(gè)項(xiàng)，采用合并策略，由候選產(chǎn)生過程獲得4-項(xiàng)集不包括（C）A、1，2，3，4B、1，2，3，5C、1，2，4，5D、1，3，4，543.下面選項(xiàng)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}>在圖會(huì)合中發(fā)現(xiàn)一組公共子構(gòu)造，這樣的任務(wù)稱為(B)A、頻頻子集挖掘B、頻頻子圖挖掘C、頻頻數(shù)據(jù)項(xiàng)挖掘D、頻頻模式挖掘以下胸襟不擁有反演性的是(D)A、系數(shù)B、幾率C、Cohen胸襟D、興趣因子以下__(A)__不是將主觀信息加入到模式發(fā)現(xiàn)任務(wù)中的方法。A、與同一時(shí)期其他數(shù)據(jù)比較B、可視化C、基于模板的方法D、主觀興趣胸襟下面購物籃可以提取的3-項(xiàng)集的最大數(shù)量是多少（C）ID購買項(xiàng)5牛奶，啤酒，尿布面包，黃油，牛奶牛奶，尿布，餅干面包，黃油，餅干啤酒，餅干，尿布牛奶，尿布，面包，黃油面包，黃油，尿布啤酒，尿布牛奶，尿布，面包，黃油啤酒，餅干A、1B、2C、3D、448.以下哪些算法是分類算法，A，DBSCAN，BC,K-MeanD,EM（B）49.以下哪些分類方法可以較好地防備樣本的不平衡問題，A，KNNB，SVMC，BayesD，神經(jīng)網(wǎng)絡(luò)（A）決策樹中不包括一下哪一種結(jié)點(diǎn)，A,根結(jié)點(diǎn)（rootnode)B,內(nèi)部結(jié)點(diǎn)（internalnode）C,外面結(jié)點(diǎn)（externalnode）D,葉結(jié)點(diǎn)（leafnode）(C)不純性胸襟中Gini計(jì)算公式為（其中c是類的個(gè)數(shù)）(A)A,B,C,D,（A）以下哪項(xiàng)關(guān)于決策樹的說法是錯(cuò)誤的(C)冗余屬性不會(huì)對(duì)決策樹的正確率造成不利的影響子樹可能在決策樹中重復(fù)多次決策樹算法關(guān)于噪聲的攪亂特別敏感搜尋最正確決策樹是NP完好問題在基于規(guī)則分類器的中，依照規(guī)則質(zhì)量的某種胸襟對(duì)規(guī)則排序，保證每一個(gè)測(cè)試記錄都是由覆蓋它的“最好的”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.基于胸襟的排序方案D.基于規(guī)格的排序方案。以下哪些算法是基于規(guī)則的分類器(A)B.KNNC.Na?veBayesD.ANN若是規(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)則若是對(duì)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.若是規(guī)則集中的規(guī)則依照優(yōu)先級(jí)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)則假好像意一條記錄觸發(fā)多條分類規(guī)則，把每條被觸發(fā)規(guī)則的后件看作是對(duì)相應(yīng)類的一次投票，爾后計(jì)票確定測(cè)試記錄的類標(biāo)號(hào)，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)則考慮兩隊(duì)之間的足球比賽：隊(duì)0和隊(duì)1。假設(shè)65%的比賽隊(duì)0勝出，節(jié)余的6比賽隊(duì)1獲勝。隊(duì)0獲勝的比賽中只有30%是在隊(duì)1的主場(chǎng)，而隊(duì)1取勝的比賽中75%是主場(chǎng)獲勝。假以下一場(chǎng)比賽在隊(duì)1的主場(chǎng)進(jìn)行隊(duì)1獲勝的概率為(C)A，B,C,D,61以.下關(guān)于人工神經(jīng)網(wǎng)絡(luò)（ANN）的描述錯(cuò)誤的有(A)A，神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)中的噪聲特別魯棒B，可以辦理冗余特點(diǎn)C，訓(xùn)練ANN是一個(gè)很耗時(shí)的過程D，最少含有一個(gè)隱蔽層的多層神經(jīng)網(wǎng)絡(luò)62.經(jīng)過齊聚多個(gè)分類器的展望來提高分類正確率的技術(shù)稱為(A)A,組合(ensemble)B,齊聚(aggregate)C，合并(combination)D，投票(voting)63.簡(jiǎn)單地將數(shù)據(jù)對(duì)象集劃分成不重疊的子集，使得每個(gè)數(shù)據(jù)對(duì)象恰在一個(gè)子集中，這種聚類種類稱作（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均值算法里，當(dāng)周邊度函數(shù)采用（A）的時(shí)候，合適的質(zhì)心是簇中各點(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、Bregman散度65.（C）是一個(gè)察看值，它與其他察看值的差別這樣之大，以致于思疑它是由不一樣的體系產(chǎn)生的。A、界線點(diǎn)B、質(zhì)心C、離群點(diǎn)D、中心點(diǎn)66.BIRCH是一種（B）。A、分類器B、聚類算法C、關(guān)系解析算法D、特點(diǎn)選擇算法67.檢測(cè)一元正態(tài)分布中的離群點(diǎn)，屬于異常檢測(cè)中的基于（A）的離群點(diǎn)檢測(cè)。A、統(tǒng)計(jì)方法B、周邊度C、密度D、聚類技術(shù)68.（C）將兩個(gè)簇的鄰近度定義為不一樣簇的所有點(diǎn)對(duì)的平均逐對(duì)周邊度，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方法69.D）將兩個(gè)簇的周邊度定義為兩個(gè)簇合并時(shí)以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方法70.DBSCAN在最壞情況下的時(shí)間復(fù)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(píng)估胸襟表里面，若是簇胸襟為proximity(Ci,C)，簇權(quán)值為mi，那么它的種類是（C）。A、基于圖的凝聚度B、基于原型的凝聚度C、基于原型的分別度D、基于圖的凝聚度和分別度72.關(guān)于K均值和DBSCAN的比較，以下說法不正確的選項(xiàng)是A）。A、K均值扔掉被它鑒別為噪聲的對(duì)象，而DBSCAN一般聚類所有對(duì)象。B、K均值使用簇的基于原型的看法，而DBSCAN使用基于密度的看法。C、K均值很難辦理非球形的簇和不一樣大小的簇，DBSCAN可以辦理不一樣大小和不一樣形狀的簇。D、K均值可以發(fā)現(xiàn)不是明顯分其他簇，即便簇有重疊也可以發(fā)現(xiàn)，但是DBSCAN會(huì)合并有重疊的簇。73.以下是哪一個(gè)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：合并關(guān)于相對(duì)互連性和相對(duì)湊近性而言，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、MSTB、OPOSSUM、CChameleon