數(shù)據(jù)挖掘一些面試題總結(jié)

1、數(shù)據(jù)挖掘一些面試題總結(jié)（Data Mining ）摘錄一段企業(yè)面對海量數(shù)據(jù)應(yīng)如何具體實施數(shù)據(jù)挖掘，使之轉(zhuǎn)換成可行的結(jié)果/ 模型？首先進行數(shù)據(jù)的預(yù)處理，主要進行數(shù)據(jù)的清洗，數(shù)據(jù)清洗，處理空缺值，數(shù)據(jù)的集成，數(shù)據(jù)的變換和數(shù)據(jù)規(guī)約。請列舉您使用過的各種數(shù)據(jù)倉庫工具軟件（包括建模工具，ETL工具，前端展現(xiàn)工具， OLAPServer 、數(shù)據(jù)庫、數(shù)據(jù)挖掘工具）和熟悉程度。ETL工具：AscentialDataStage，IBMwarehouseMANAGER、 Informatica公 司 的 PowerCenter、Cognos公司的 DecisionStream市場上的主流數(shù)據(jù)倉庫存儲層軟件有：SQ

2、LSERVER、SYBASE、ORACLE、DB2、TERADATA請談一下你對元數(shù)據(jù)管理在數(shù)據(jù)倉庫中的運用的理解。元數(shù)據(jù)能支持系統(tǒng)對數(shù)據(jù)的管理和維護，如關(guān)于數(shù)據(jù)項存儲方法的元數(shù)據(jù)能支持系統(tǒng)以最有效的方式訪問數(shù)據(jù)。具體來說, 在數(shù)據(jù)倉庫系統(tǒng)中，元數(shù)據(jù)機制主要支持以下五類系統(tǒng)管理功能：（）描述哪些數(shù)據(jù)在數(shù)據(jù)倉庫中；（）定義要進入數(shù)據(jù)倉庫中的數(shù)據(jù)和從數(shù)據(jù)倉庫中產(chǎn)生的數(shù)據(jù)；（）記錄根據(jù)業(yè)務(wù)事件發(fā)生而隨之進行的數(shù)據(jù)抽取工作時間安排；（）記錄并檢測系統(tǒng)數(shù)據(jù)一致性的要求和執(zhí)行情況；（）衡量數(shù)據(jù)質(zhì)量。數(shù)據(jù)挖掘?qū)垲惖臄?shù)據(jù)要什么？（ 1）可伸縮性（ 2）處理不同類型屬性的能力（ 3）發(fā)現(xiàn)任意形狀的聚類（ 4）

3、使輸入?yún)?shù)的領(lǐng)域知識最小化（ 5）處理噪聲數(shù)據(jù)的能力（ 6）對于輸入順序不敏感（ 7）高維性（ 8）基于約束的聚類（ 9）可解釋性和可利用性簡述 Apriori算法的思想，談?wù)勗撍惴ǖ膽?yīng)用領(lǐng)域并舉例。思想： 其發(fā)現(xiàn)關(guān)聯(lián)規(guī)則分兩步，第一是通過迭代，檢索出數(shù)據(jù)源中所有煩瑣項集，即支持度不低于用戶設(shè)定的閥值的項即集，第二是利用第一步中檢索出的煩瑣項集構(gòu)造出滿足用戶最小信任度的規(guī)則，其中， 第一步即挖掘出所有頻繁項集是該算法的核心，也占整個算法工作量的大部分。在商務(wù)、金融、保險等領(lǐng)域皆有應(yīng)用。在建筑瓷行業(yè)中的交叉銷售應(yīng)用，主要采用了Apriori算法通過閱讀該文擋， 請同學們分析一下數(shù)據(jù)挖掘在電子商務(wù)

4、領(lǐng)域的應(yīng)用情況（請深入分析并給出實例，切忌泛泛而談）？單選題1. 某超市研究銷售紀錄數(shù)據(jù)后發(fā)現(xiàn)，買啤酒的人很大概率也會購買尿布，這種屬于數(shù)據(jù)挖掘的哪類問題？ (A)A.關(guān)聯(lián)規(guī)則發(fā)現(xiàn)C.分類B.聚類D. 自然語言處理2.以下兩種描述分別對應(yīng)哪兩種對分類算法的評價標準？(A)(a) 警察抓小偷，描述警察抓的人中有多少個是小偷的標準。(b) 描述有多少比例的小偷給警察抓了的標準。A. Precision,RecallB. Recall,PrecisionA. Precision,ROC D. 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)約是在以下哪個步驟的任務(wù)？A.頻繁模式挖掘

5、B.分類和預(yù)測C.數(shù)據(jù)預(yù)處理(C)D.數(shù)據(jù)流挖掘4. 當不知道數(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(guān)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(lǐng)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(wù)？（A）A. 探索性數(shù)據(jù)分析B.建模描述C.預(yù)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；把多維空間劃分成組等問題屬于數(shù)據(jù)挖掘的哪一類任務(wù)？(B)A.探索性數(shù)據(jù)分析B. 建模描述C.預(yù)測建模D.尋找模式和規(guī)則8. 建立一個模型，通

6、過這個模型根據(jù)已知的變量值來預(yù)測其他某個變量值屬于數(shù)據(jù)挖掘的哪一類任務(wù)？ (C)A.根據(jù)容檢索C.預(yù)測建模B.建模描述D.尋找模式和規(guī)則9. 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.根據(jù)容檢索B. 建模描述C.預(yù)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(yù)處理的方法？(D)A 變量代換B 離散化C 聚集D 估計遺漏值12.假設(shè) 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使用如下每種方法將它們劃分成四個箱。等頻（等深） 劃分時， 15 在第幾個箱子？(B)A

7、第一個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 又在哪個箱子里？ (A)A第一個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.以下哪種方法不屬于特征選擇的標準方法：(D)A嵌入B過濾C包裝D抽樣18. 下面不屬于創(chuàng)建新屬性的相關(guān)方法的是：(B)A 特征提取B 特征修改C 映射數(shù)據(jù)到新的空間D 特征構(gòu)造19.考慮值集 1

8、 、 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)到新的空間的方法？(A)A 傅立葉變換B 特征加權(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B 2.6比特C3.2比特D 3.8 比特22. 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)化的方法將屬性的值映射到0 至 1 的圍。對屬性income 的 73600 元將被轉(zhuǎn)化為：(D)A 0.821B 1.224C 1.458D 0.71623. 假定用于分析的數(shù)據(jù)包

9、含屬性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方法對上述數(shù)據(jù)進行平滑，箱的深度為 3。第二個箱子值為：(A)A 18.3B 22.6C 26.8D 27.924.考慮值集 12 24 332 4 55 68 26，其四分位數(shù)極差是：(A)A31B24C55D325.一所大學的各年紀人數(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

10、：(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.在抽樣方法中，當合適的樣本容量很難確定時，可以使用的抽樣方法是：(D)A 有放回的簡單隨機抽樣B 無放回的簡單隨機抽樣C 分層抽樣 D 漸進抽樣28. 數(shù)據(jù)倉庫是隨著時間變化的 , 下面的描述不正確的是 (C)A. 數(shù)據(jù)倉庫隨時間的變化不斷增加新的數(shù)據(jù)容 ; B. 捕捉到的新數(shù)據(jù)會覆蓋原來的快照 ;C. 數(shù)據(jù)倉庫隨事件變化不斷刪去舊的數(shù)據(jù)容;D. 數(shù)據(jù)倉庫中包含大量的綜合數(shù)據(jù), 這些綜合數(shù)據(jù)會隨著時間的變化不斷地進行重新綜合.29. 關(guān)于基本

11、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(yīng)用程序等結(jié)構(gòu)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)包括日志文件和簡歷執(zhí)行處理的時序調(diào)度信息;D. 基本元數(shù)據(jù)包括關(guān)于裝載和更新處理, 分析處理以及管理方面的信息.30. 下面關(guān)于數(shù)據(jù)粒度的描述不正確的是: (C)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. 粒度的具體劃分將直接影響數(shù)據(jù)倉庫中的數(shù)據(jù)量以及查詢質(zhì)量.31.有關(guān)數(shù)據(jù)倉庫的開發(fā)特點, 不正確的描述是: (A)A. 數(shù)據(jù)倉庫開發(fā)要從數(shù)據(jù)出發(fā);B.

12、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)是一個不斷循環(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分析和處理更靈活, 且沒有固定的模式, 數(shù)據(jù)倉庫中數(shù)據(jù)32. 在有關(guān)數(shù)據(jù)倉庫測試 , 下列說法不正確的是 : (D)A. 在完成數(shù)據(jù)倉庫的實施過程中, 需要對數(shù)據(jù)倉庫進行各種測試. 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成后, 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)的核心是

13、 : (D) A. 在線性 ;B. 對用戶的快速響應(yīng) ; C. 互操作性 .D. 多維分析 ;34. 關(guān)于 OLAP的特性 , 下面正確的是 : (D)(1) 快速性 (2) 可分析性 (3) 多維性 (4) 信息性 (5) 共享性35. 關(guān)于 OLAP和 OLTP的區(qū)別描述 , 不正確的是 : (C)A. OLAP 主要是關(guān)于如何理解聚集的大量不同的數(shù)據(jù). 它與 OTAP應(yīng)用程序不同 .B. 與 OLAP應(yīng)用程序不同 ,OLTP 應(yīng)用程序包含大量相對簡單的事務(wù).C. OLAP 的特點在于事務(wù)量大, 但事務(wù)容比較簡單且重復(fù)率高 .D. OLAP 是以數(shù)據(jù)倉庫為基礎(chǔ)的, 但其最終數(shù)據(jù)來源與OLT

14、P一樣均來自底層的數(shù)據(jù)庫系統(tǒng) ,兩者面對的用戶是相同的 .36. OLAM 技術(shù)一般簡稱為”數(shù)據(jù)聯(lián)機分析挖掘” , 下面說確的是: (D)A. OLAP 和 OLAM都基于客戶機 / 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(wù)器通過用戶圖形借口接收用戶的分析指令, 在元數(shù)據(jù)的知道下, 對超級立方體作一定的操作 .37. 關(guān)于 OLAP和 OLTP的說法 , 下列不正確的是 : (A)A. OLAP 事務(wù)量大 , 但事務(wù)容比較簡單且重復(fù)率高.B

15、. OLAP 的最終數(shù)據(jù)來源與OLTP不一樣 .C. OLTP 面對的是決策人員和高層管理人員.D. OLTP 以應(yīng)用為核心 , 是應(yīng)用驅(qū)動的.38. 設(shè) X=1， 2， 3 是頻繁項集，則可由A、4 B 、5 C、6 D、7X 產(chǎn)生 _(C)_ 個關(guān)聯(lián)規(guī)則。40. 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(guān)系是：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)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

16、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，采用合并策略，由候選產(chǎn)生過程得到4- 項集不包含（C）A、1，2，3，4 B 、1，2， 3，5 C、1，2， 4，5 D、1，3，4，543. 下面選項中t 不是 s 的子序列的是( C )A、 s=t=B、 s=t=C、 s=t=D、 s=t=44. 在圖集合中發(fā)現(xiàn)一組公共子結(jié)構(gòu)，這樣的任務(wù)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

17、反演性的是 (D)46. 下列 _(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、與同一時期其他數(shù)據(jù)對比B、可視化C、基于模板的方法D、主觀興趣度量47. 下面購物籃能夠提取的 3- 項集的最大數(shù)量是多少（ C）ID 購買項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、1 B 、2 C、3 D、448.以下哪些算法是分類算法， A， DBSCAN B ， C4.5C,K-Mean D,EM（ B）49.以下哪些分類方法可以較好地

18、避免樣本的不平衡問題，A ， KNN B， SVM C， Bayes D ，神經(jīng)網(wǎng)絡(luò)（ A）50.決策樹中不包含一下哪種結(jié)點，A, 根結(jié)點（ rootnode) B, 部結(jié)點（ internalnode） C,外部結(jié)點（ external node） D, 葉結(jié)點（ leaf node） (C)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.以下哪項關(guān)于決策樹的說法是錯誤的(C)A. 冗余屬性不會對決策樹的準確率造成不利的影響B(tài). 子樹可能在決策樹中重復(fù)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

19、規(guī)則分類器的中， 依據(jù)規(guī)則質(zhì)量的某種度量對規(guī)則排序，保證每一個測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. 基于度量的排序方案D. 基于規(guī)格的排序方案。55.以下哪些算法是基于規(guī)則的分類器(A)A.C4.5B. KNNC. Na?ve BayesD. ANN56.如果規(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. 如果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 ，

20、互斥規(guī)則D，有序規(guī)則58.如果規(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.如果允許一條記錄觸發(fā)多條分類規(guī)則，把每條被觸發(fā)規(guī)則的后件看作是對相應(yīng)類的一次投票，然后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(shè) 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。如果下一場比賽在隊1 的主場進行隊 1 獲勝的概率為 (C)A， 0.75B,0.35C,0

21、.4678D, 0.573861. 以下關(guān)于人工神經(jīng)網(wǎng)絡(luò)（ ANN）的描述錯誤的有 (A)A，神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)中的噪聲非常魯棒B ，可以處理冗余特征C ，訓(xùn)練 ANN是一個很耗時的過程D ，至少含有一個隱藏層的多層神經(jīng)網(wǎng)絡(luò)62.通過聚集多個分類器的預(yù)測來提高分類準確率的技術(shù)稱為(A)A, 組合 (ensemble)B, 聚集 (aggregate)C，合并 (combination)D ，投票 (voting)63.簡單地將數(shù)據(jù)對象集劃分成不重疊的子集，使得每個數(shù)據(jù)對象恰在一個子集中，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 均值算法里，

22、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 、平方歐幾里德距離C 、余弦距離D 、Bregman散度65. （ C ）是一個觀測值， 它與其他觀測值的差別如此之大，以至于懷疑它是由不同的機制產(chǎn)生的。A 、邊界點66. BIRCH 是一種（B）。B、質(zhì)心C 、離群點D 、核心點A 、分類器B 、聚類算法C 、關(guān)聯(lián)分析算法D、特征選擇算法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 、統(tǒng)計方法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同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)。

23、A 、MIN（單鏈）B 、MAX（全鏈）C 、組平均D 、Ward方法69. （D）將兩個簇的鄰近度定義為兩個簇合并時導(dǎo)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在最壞情況下的時間復(fù)雜度是（ A 、 O(m) B 、O(m2)B ）。C 、 O(log m)D 、O(m*log m)71.在基于圖的簇評估度量表里面，如果簇度量為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.關(guān)于

24、 K 均值和 DBSCAN的比較，以下說法不正確的是（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同大小的簇，DBSCAN可以處理不同大小和不同形狀的簇。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)，但是DBSCAN會合并有重疊的簇。73. 以下是哪一個聚類算法的算法流程：構(gòu)造k最近鄰圖。使用多層圖劃分算法劃分圖。 repeat ：合并關(guān)于相對互連性和相對接近性而言，最好地保持簇的自相似性的簇。until：不再有可以合并的簇。（

25、 C ）。A 、 MSTB 、 OPOSSUMC 、 ChameleonD 、 JarvisPatrick（ JP）74. 考慮這么一種情況： 一個對象碰巧與另一個對象相對接近，但屬于不同的類， 因為這兩個對象一般不會共享許多近鄰，所以應(yīng)該選擇（D ）的相似度計算方法。A、平方歐幾里德距離B、余弦距離C、直接相似度D 、共享最近鄰75. 以下屬于可伸縮聚類算法的是（A ）。A、 CUREB 、 DENCLUEC 、CLIQUED 、 OPOSSUM76.以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.關(guān)于混合模型聚類算法的

26、優(yōu)缺點，下面說確的是（B）。A 、當簇只包含少量數(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，因為它可以使用各種類型的分布。C 、混合模型很難發(fā)現(xiàn)不同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.以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 、 BIRCH79.一個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.下面關(guān)于 Jarvis Patrick （ JP）聚類算法的說

27、法不正確的是（D ）。A 、 JP 聚類擅長處理噪聲和離群點，并且能夠處理不同大小、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)強相關(guān)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(fù)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(guān)系和摘要經(jīng)常被稱為：A.模型B.模式C.模(A B)D.模具2 尋找數(shù)據(jù)集中的關(guān)系是為了尋找精確、方便并且有價值地總結(jié)了數(shù)據(jù)的某一特征的表示，這個過程包括了以下哪些步驟？(ABCD)A. 決定要使用的表示的特征和結(jié)構(gòu)B. 決定如何量化和比較不同表示擬合數(shù)據(jù)的好壞C. 選擇一個算法過程使評分函數(shù)

28、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(yù)測建模任務(wù)主要包括哪幾大類問題？(A B)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：(AB C D)A. 模型或模型結(jié)構(gòu)B. 評分函數(shù)C. 優(yōu)化和搜索方法D. 數(shù)據(jù)管理策略5.以下哪些學科和數(shù)據(jù)挖掘有密切聯(lián)系？(A D)A. 統(tǒng)計B. 計算機組成原理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少值是常有的。描述處理該問題的各種方法有： ( )A 忽略元組C 使用一個全局常量填充空缺值B 使用屬性的平均值填充空缺值D使用與給定元組屬同一類的所有樣本的平均值E 使用最可能

29、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)( )A矩陣B平行坐標系C 星形坐標D 散布圖E Chernoff臉8.對于數(shù)據(jù)挖掘中的原始數(shù)據(jù)，存在的問題有：( )A不一致B重復(fù)C不完整D含噪聲 E維度高9. 下列屬于不同的有序數(shù)據(jù)的有：( )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(wù)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連續(xù)性B維度C 稀疏性D 分辨率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：(A C)A 主成分分析B特征提取C 奇異值分解D 特征加權(quán)E 離散化12.下面列出的條目中，哪些是數(shù)據(jù)倉庫的基本特征：(ACD)A.數(shù)據(jù)倉庫是面向主題的B

30、.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)是反映歷史變化的E. 數(shù)據(jù)倉庫是面向事務(wù)的13.以下各項均是針對數(shù)據(jù)倉庫的不同說法，你認為正確的有（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(chǔ)C數(shù)據(jù)倉庫是面向業(yè)務(wù)的，支持聯(lián)機事務(wù)處理（OLTP）D數(shù)據(jù)倉庫支持決策而非事務(wù)處理E數(shù)據(jù)倉庫的主要目標就是幫助分析，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)的表現(xiàn)D.數(shù)據(jù)倉庫設(shè)計E. 數(shù)據(jù)的表現(xiàn)15.聯(lián)機分析處理包括以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

31、.利用 Apriori算法計算頻繁項集可以有效降低計算頻繁集的時間復(fù)雜度。在以下的購物籃中產(chǎn)生支持度不小于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17.下表是一個購物籃，假定支持度閾值為40%，其中 _(A D)_ 是頻繁閉項集。TID 項1 abc2 abcd3 bce4 acde5 deA、 abc B、adC、 cd D 、 de18. Apriori算法的計算復(fù)雜度受A、支持度閥

32、值B 、項數(shù)（維度）_(ABCD)?_影響。C、事務(wù)數(shù)D 、事務(wù)平均寬度19.非頻繁模式 _(AD)_A、其支持度小于閾值B 、都是不讓人感興趣的C、包含負模式和負相關(guān)模式D 、對異常數(shù)據(jù)項敏感20. 以下屬于分類器評價或比較尺度的有: A, 預(yù)測準確度 B, 召回率 C, 模型描述的簡潔度D,計算復(fù)雜度(ACD)21.在評價不平衡類問題分類的度量方法有如下幾種，A,F1 度量 B, 召回率（ recall） C,精度（ precision） D, 真正率（ turepositive rate,TPR）(ABCD)22. 貝葉斯信念網(wǎng)絡(luò) (BBN) 有如下哪些特點， A, 構(gòu)造網(wǎng)絡(luò)費時費力 B

33、, 對模型的過分問題非常魯棒 C, 貝葉斯網(wǎng)絡(luò)不適合處理不完整的數(shù)據(jù)D, 網(wǎng)絡(luò)結(jié)構(gòu)確定后，添加變量相當麻煩（ AB）23. 如下哪些不是最近鄰分類器的特點，A, 它使用具體的訓(xùn)練實例進行預(yù)測， 不必維護源自數(shù)據(jù)的模型B, 分類一個測試樣例開銷很大C, 最近鄰分類器基于全局信息進行預(yù)測D, 可以生產(chǎn)任意形狀的決策邊界(C)24.如下那些不是基于規(guī)則分類器的特點，A, 規(guī)則集的表達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（ AC）25.以下屬于聚類算法的是（ABD ）。A

34、、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 、共性分類相關(guān)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 統(tǒng)計量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

35、聚類算法。A 、二分 K 均值B 、 MSTC 、 ChameleonD 、組平均1. 數(shù)據(jù)挖掘的主要任務(wù)是從數(shù)據(jù)中發(fā)現(xiàn)潛在的規(guī)則，從而能更好的完成描述數(shù)據(jù)、預(yù)測數(shù)據(jù)等任務(wù)。 ( 對 )2. 數(shù)據(jù)挖掘的目標不在于數(shù)據(jù)采集策略， 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(luò)分析中扮演了重要的角色。（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個有限區(qū)域做出描述。 （錯）5.尋找模式和規(guī)則主要是對數(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。（

36、錯）8.噪聲和偽像是數(shù)據(jù)錯誤這一相同表述的兩種叫法。（錯）9.用于分類的離散化方法之間的根本區(qū)別在于是否使用類信息。（對）10.特征提取技術(shù)并不依賴于特定的領(lǐng)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)值或者是連續(xù)值。（對）13.可視化技術(shù)對于分析的數(shù)據(jù)類型通常不是專用性的。（錯）14. DSS 主要是基于數(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(yīng)用。 （對）15. OLAP 技術(shù)側(cè)重于把數(shù)據(jù)庫中的數(shù)據(jù)進行分析、轉(zhuǎn)換成輔助決策信息，是繼數(shù)據(jù)庫技術(shù)發(fā)展之后迅猛發(fā)展起來的一種新技術(shù)。 （對）16.商業(yè)智能系統(tǒng)與一般交易系統(tǒng)之間在系統(tǒng)設(shè)計上的主要區(qū)別在于：后者把結(jié)構(gòu)強加于商務(wù)

37、之上，一旦系統(tǒng)設(shè)計完畢，其程序和規(guī)則不會輕易改變；而前者則是一個學習型系統(tǒng)，能自動適應(yīng)商務(wù)不斷變化的要求。（對）17.數(shù)據(jù)倉庫中間層OLAP服務(wù)器只能采用關(guān)系型OLAP（錯）18數(shù)據(jù)倉庫系統(tǒng)的組成部分包括數(shù)據(jù)倉庫，倉庫管理，數(shù)據(jù)抽取，分析工具等四個部分.( 錯 )19. Web數(shù)據(jù)挖掘是通過數(shù)據(jù)庫仲的一些屬性來預(yù)測另一個屬性, 它在驗證用戶提出的假設(shè)過程中提取信息 .（錯）21.關(guān)聯(lián)規(guī)則挖掘過程是發(fā)現(xiàn)滿足最小支持度的所有項集代表的規(guī)則。（錯）22.利用先驗原理可以幫助減少頻繁項集產(chǎn)生時需要探查的候選項個數(shù)（對）。23.先驗原理可以表述為：如果一個項集是頻繁的，那包含它的所有項集也是頻繁的。（錯

38、24.如果規(guī)則 不滿足置信度閾值， 則形如的規(guī)則一定也不滿足置信度閾值，其中 是 X的子集。（對）25.具有較高的支持度的項集具有較高的置信度。（錯）26.聚類（ clustering）是這樣的過程：它找出描述并區(qū)分數(shù)據(jù)類或概念的模型(或函數(shù))，以便能夠使用模型預(yù)測類標記未知的對象類。（錯）27. 分類和回歸都可用于預(yù)測， 分類的輸出是離散的類別值， 而回歸的輸出是連續(xù)數(shù)值。 ( 對 )28. 對于 SVM分類算法， 待分樣本集中的大部分樣本不是支持向量， 移去或者減少這些樣本對分類結(jié)果沒有影響。 （對）29. Bayes 法是一種在已知后驗概率與類條件概率的情況下的模式分類方法，待分樣本的分

39、類結(jié)果取決于各類域中樣本的全體。( 錯 )30. 分類模型的誤差大致分為兩種：訓(xùn)練誤差（ trainingerror ）和泛化誤差（generalizationerror ） .( 對)31. 在決策樹中， 隨著樹中結(jié)點數(shù)變得太大， 即使模型的訓(xùn)練誤差還在繼續(xù)減低，但是檢驗誤差開始增大，這是出現(xiàn)了模型擬合不足的問題。（錯）32. SVM是這樣一個分類器，他尋找具有最小邊緣的超平面，因此它也經(jīng)常被稱為最小邊緣分類器（ minimal margin classifier）( 錯 )33.在聚類分析當中，簇的相似性越大，簇間的差別越大，聚類的效果就越差。（錯）34.聚類分析可以看作是一種非監(jiān)督的分類

40、。（對）35. K 均值是一種產(chǎn)生劃分聚類的基于密度的聚類算法，簇的個數(shù)由算法自動地確定。（錯36. 給定由兩次運行 K 均值產(chǎn)生的兩個不同的簇集， 誤差的平方和最大的那個應(yīng)該被視為較優(yōu)。（錯）37. 基于鄰近度的離群點檢測方法不能處理具有不同密度區(qū)域的數(shù)據(jù)集。（對）38. 如果一個對象不強屬于任何簇，那么該對象是基于聚類的離群點。（對）39. 從點作為個體簇開始， 每一步合并兩個最接近的簇， 這是一種分裂的層次聚類方法。 （錯）40. DBSCAN是相對抗噪聲的，并且能夠處理任意形狀和大小的簇。（對）普加搜索引擎面試題：一、基本問答題：1. 冒泡和插入排序哪個快？快多少？一樣快（如果插入排序

41、指的是直接插入排序的話）一樣快（如果插入排序指的是折半插入排序的話）一樣快（如果插入排序指的是二路插入排序的話）一樣快（如果插入排序指的是表插入排序的話）插入排序快（如果插入排序指的是希爾插入排序的話）理論上快O（ n2）O （ n1.3）。2. 請說明冒泡排序和插入排序的序列應(yīng)用何種數(shù)據(jù)結(jié)構(gòu)儲存更好？分別對應(yīng)著STL中哪個Tempelate?冒泡排序用數(shù)組比較好，對應(yīng)著插入排序用鏈表比較好，對應(yīng)著template template中的中的vector ；deque。3. 在只有命令行的條件下，你喜歡怎樣調(diào)試程序？在 linux平臺下下用gcc 進行編譯， 在 windows 平臺下用cl.e

42、xe進行編譯， 用 make工具根據(jù)目標文件上一次編譯的時間和所依賴的源文件的更新時間自動判斷應(yīng)當編譯哪些源文件，提高程序調(diào)試的效率。4. 數(shù)據(jù)的邏輯存儲結(jié)構(gòu)（如數(shù)組，隊列，樹等）對于軟件開發(fā)具有十分重要的影響，試對你所了解的各種存儲結(jié)構(gòu)從運行速度、存儲效率和適用場合等方面進行簡要地分析。運行 存儲速度效率適用場合數(shù)組快高比較適合進行查找操作，還有像類似于矩陣等的操作鏈表較快較高比較適合增刪改頻繁操作，動態(tài)的分配存隊列較快較高比較適合進行任務(wù)類等的調(diào)度棧一般較高比較適合遞歸類程序的改寫二叉樹 較快一般一切具有層次關(guān)系的問題都可用樹來描述（樹）圖一般一般除了像最小生成樹、最短路徑、拓撲排序等經(jīng)典

43、用途。還被用于像神經(jīng)網(wǎng)絡(luò)等人工智能領(lǐng)域等等。5. 什么是分布式數(shù)據(jù)庫？分布式數(shù)據(jù)庫系統(tǒng)是在集中式數(shù)據(jù)庫系統(tǒng)成熟技術(shù)的基礎(chǔ)上發(fā)展起來的，但不是簡單地把集中式數(shù)據(jù)庫分散地實現(xiàn)，它具有自己的性質(zhì)和特征。集中式數(shù)據(jù)庫系統(tǒng)的許多概念和技術(shù)，如數(shù)據(jù)獨立性、 數(shù)據(jù)共享和減少冗余度、 并發(fā)控制、完整性、 安全性和恢復(fù)等在分布式數(shù)據(jù)庫系統(tǒng)中都有了不同的、更加豐富的容。6. 寫一段代碼判斷一個單向鏈表中是否有環(huán)。給出如下結(jié)構(gòu)struct nodestruct*next;typedef stuct node Node；算法說明： 初始化兩個指針，一個每次后移 1 個，一個后移 2 個。當?shù)谝粋€指針追上第二個指針時候就說明有環(huán)！intfind_circle(Node* sll)list fast = sll;list slow = sll;if (NULL = fast)return -1;while (fast & fast-next)fast = fast-next-next;slow = slow-next;if (fast = slow)re