项目暂时告一段落，复习复习！要期末考试了，整理一份宝典备考。文章内容由浅叶轻舟弟弟提供，觉得不错的话，点赞支持一波！
单选
1、下列选项哪个描述的是“训练样本”（B）
A、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果
B、在电子病历数据中，每一个样本有八个检测指标，每个样本还有一个医生诊断结果
C、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果；算法自动得到这些样本的诊断结果
D、在电子病历数据中，每一个样本有八个检测指标，医生根据这八个指标做出诊断
2、下列选项哪个描述的是“分类”（C）
A、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果
B、在电子病历数据中，每一个样本有八个检测指标，每个样本还有一个医生诊断结果
C、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果；算法自动得到这些样本的诊断结果
D、在电子病历数据中，每一个样本有八个检测指标，医生根据这八个指标做出诊断
3、列哪个选项描述的不是“聚类”（C）
A、搜索引擎返回的文档中，将相似的文档聚合成一类
B、电子商务网站数据中，购物历史相似的用户自动聚合成一组
C、电子商务网站数据中，分析出用户常常一起购买的商品，组合到一起促销
D、在电子病历数据中，将体检指标相似的样本自动聚合成一组
4、在MATLAB语言中，以下说法中错误的是
A、MATLAB中默认的数据类型是double
B、3<5的运算结果是logical类型
C、变量Abc和abc是代表两个相同的变量
D、灰度图的图像矩阵中的数据是uint8类型
5、数据对象的别名不包括（D）
A、记录 B、样本 C、向量 D、特征
6、属性的别名不包括（B）
A、特征 B、样本 C、字段 D、维
7、下列说法不正确的是（C）
A、测量标度是将数值或符号与对象的属性相关联的规则
B、属性的性质不必与用来度量它的值的性质完全相同
C、即使在不同的应用问题中，同一个物理量也必然使用同一种类型的属性来描述
D、属性类型可以划分为：标称、序数、区间、比率这四种
8、某办公自动化系统中，采用出生年份表示雇员的年龄，这是什么类型属性（C）
A、标称 B、序数 C、区间 D、比率
9、某学籍管理系统中，采用百分制表示学生分数，这是什么类型属性（D）
A、标称 B、序数 C、区间 D、比率
10、描述一个数据集的属性主要不包括（A）
A、置信度 B、维度 C、分辨率 D、稀疏性
11、下列说法中错误的是（D）
A、噪声是测量误差的随机部分
B、数据中出现遗漏值的原因，可能是信息没有收集到，或者属性不适用于所有情况。
C、通常由于不同的数据源合并时造成重复数据的产生
D、离群点不可能是合法的数据对象或值
12、下列选项中不属于数据预处理方法的是（B）
A、维归约 B、聚类 C、离散化与二元化 D、属性变换
13、下列说法中错误的是（B）
A、维归约是通过创建新属性，将一些旧属性合并在一起来降低数据集的维度值
B、通过聚集操作，对象或属性群的行为通常比单个对象或属性的行为更加稳定；并且聚集操作不会丢失有趣的细节
C、之所以可以进行特征子集选择，是因为特征中通常包含冗余特征和不相关特征
D、特征创建方法包括：特征提取、映射数据到新的空间、特征构造
多选
1、引发人们对数据挖掘开展研究的挑战性问题包括（ABCDE）
A、可伸缩
B、高维性
C、异种数据和复杂数据
D、数据的所有权与分布
E、非传统的分析
2、下列哪些属于预测性任务（BC）
A、关联规则发现 B、分类 C、回归 D、聚类
3、下列哪些属于描述性任务（AD）
A、关联规则发现 B、分类 C、回归 D、聚类
填空
1、执行完matlab命令“a=[1, 2; 2, 3; 6, 10]”之后，a中的数据有 3 行 2 列
2、执行完matlab命令“a=[2:3:10]”之后，a中的数据依次为2、5、8
3、执行完matlab命令“a=[1, 2; 4, 3; 6, 10]”之后，a(3,2)的值为10
4、执行完matlab命令X=[3 2 0; -5 6 1]; indices =find(X>=1) 之后，变量indices中的值依次是1、3、4、6
5、已知X=[3 2 0 4; -5 6 1 2]; 执行完matlab命令“X(:,2)=[ ]”之后，X矩阵有 2 行 3 列
6、分析以下matlab命令的执行结果：
x=[3,2,1,0]
a=length(x)
b=size(x,1)
c=size(x,2)
s=sum(x)
a 的值为 4
b 的值为 1
c 的值为 4
s 的值为 6
7、已知函数定义如下
function [y]=fun(x)
if(x<-5)
y=x*3;
elseif(x<=0)
y=-x;
else
y=x*2;
end
end
fun(-10) 的返回值为 -30
fun(-5) 的返回值为 5
fun(3) 的返回值为 6
8、向量x=[3,2,3,1],y=[1,4,5,3],两者之间的欧几里得距离为 4
9、x=[1,2,0,2,0],y=[2,2,2,0,2],两者之间的夹角余弦相似度为 0.5
10、x=[1,3,0,2],y=[2,3,2,0],两者之间的欧几里得距离为 3
11、x=[0,1,1,0,0],y=[1,1,0,0,1],两者之间的Jaccard相似性系数为0.25
12、x=[0,1,1,0,0],y=[1,1,0,0,1],两者之间的简单匹配系数为 0.4
13、考试成绩定义为“优”、“良”、“中”、“差”四种，属性“良”和“中”之间的相异度为（答案可以写成分数或小数形式，小数形式保留小数点后2位）0.33
14、数据的属性已知，数据的类别也已知，这样的数据叫做 训练 样本
15、数据的属性已知，数据的类别未知，这样的数据叫做 测试 样本
16、已知一个数据集，其中有2个类的样本，这2个类的样本数量分别为1、2，则该数据集的熵值为 -(1/3)*log2(1/3)-(2/3)*log2(2/3)
17、已知一个数据集，其中有3个类的样本，这3个类的样本数量分别为1、1、3，则该数据集的Classification Error为 0.4
18、已知一个数据集，其中有2个类的样本，这2个类的样本数量分别为1、4，则该数据集的 GINI 值为 0.32
19、在神经元细胞中，树突 是接受从其它神经元传入的信息的入口。
20、在神经元细胞中，轴突 是把神经元兴奋的信息传出到其它神经元的出口。
21、感知器模型的输出可以用此公式计算： Y=sign(0.3*X1 + 0.3*X2 + 0.3*X3 - 0.4)。若输入x1= 1，x2= 0，x3= 1，输出 Y＝ 1
22、多层人工神经网络包括：输入层、隐藏层、输出层
23、梯度下降算法中，当学习率设置得过 小 时，收敛过程将变得十分缓慢。
24、梯度下降算法中，当学习率设置的过 大 时，梯度可能会在最小值附近来回震荡，甚至可能无法收敛。
25、logistic回归问题中的损失函数L(a,y)=-(yln(a)+(1-y)ln(1-a))，说明：a为样本类别为1的概率估计，y为样本的真实类别。当y=0，损失函数的单调性是 单调递增 。
26、logistic回归问题中的损失函数L(a,y)=-(yln(a)+(1-y)ln(1-a))，说明：a为样本类别为1的概率估计，y为样本的真实类别。当y=1，损失函数的单调性是 单调递减
27、已知某个二类分类问题的混淆矩阵数据如下：TP=90，FN=20，TN=120，FP=10，则计算其召回率为 9/11
28、已知某个二类分类问题的混淆矩阵数据如下：TP=90，FN=20，TN=120， FP=10，则计算其精度为 9/10
29、已知簇1中有点P1，簇2中有点P2、P3，点P1、P2、P3之间的距离如下表所示，使用全链法（最长距离法），求簇1和簇2之间的距离为 3
30、已知簇1中有点P1，簇2中有点P2、P3，点P1、P2、P3之间的距离如下表所示，使用单链法（最短距离法），求簇1和簇2之间的距离为 2
31、已知购物篮数据如下：{a,d,e}、{a,b,d,e}、{a,c,d,e}、{d,e}、{c,d,e}、{c,d}、{a,b,c}，求项集 {a,b} 的支持度等于 2/7
32、已知购物篮数据如下：{a,d,e}、{a,b,d,e}、{a,c,d,e}、{d,e}、{c,d,e}、{c,d}、{a,b,c}，求规则 {d,e}→{a} 的置信度等于 3/5
33、已知购物篮数据如下：{a,d,e}、{a,b,d,e}、{a,c,d,e}、{d,e}、{c,d,e}、{c,d}、{a,b,c}，求规则 {d,e}→{a} 的支持度等于 3/7
判断
1、通常，信用卡盗刷的交易记录在全体信用卡交易的事务数据中，可以视为是离群点。√
2、离群点可以是合法的数据对象或值。√
3、数据中出现遗漏值的原因，可能是信息没有收集到，或者属性不适用于所有情况。√
4、维归约和特征子集选择这两种操作都可以达到降低数据维度的效果。√
5、对变量进行标准化/规范化，就是创建一个新的变量，它具有均值0和标准差0。×
6、训练误差，是分类模型在训练记录上误分类样本的比例；泛化误差，是分类模型在未
知的测试记录上的期望误差。√
7、出现拟合不足的原因是模型尚未学习到数据的真实结构。√
8、当决策树很小时，训练和检验误差都很大，这种情况称为模型过分拟合×
9、当决策树的规模变得太大时，即使训练误差还在继续降低，但是检验误差开始增大，导致模型拟合不足。×
10、导致过分拟合的原因包括：训练数据中存在噪声、训练数据中缺乏代表性样本。√
11、线性支持向量机是基于“最大边缘”原理，即希望实现分类器边缘最大化。√
12、线性支持向量机，在求解分类器边缘最大化的过程中，不需要满足将两类训练样本正确分开的前提。×
13、实现分类器边缘最大化，可以使得新的测试数据被错分的几率尽可能小，从而使得分类器的泛化能力最大化。√
14、线性支持向量机的求解是一个凸二次优化问题，不能保证找到全局最优解。×
15、对存在数据污染、近似线性分类的情况, 要求分类器将所有训练数据都准确分类，不会导致过拟合。×
16、对存在数据污染、近似线性分类的情况,可以使用软边缘支持向量机。√
17、软间隔支持向量机通过引入松弛变量、惩罚因子，在一定程度上允许错误分类样本，以增大间隔距离。在分类准确性与泛化能力上寻求一个平衡点。√
18、对非线性可分的问题，可以利用核变换，把原样本映射到某个高维特征空间，使得原本在低维特征空间中非线性可分的样本，在新的高维特征空间中变得线性可分。√
19、软间隔支持向量机的求解，可以证找到全局最优解。非线性支持向量机的求解，可以证找到全局最优解。√
20、支持向量机的工作原理决定了，该算法只能解决二分问题，不能解决多类分类问题。×
21、ROC曲线下方的面积AUC越大，说明分类器性能越好。√
22、ROC曲线的纵轴是真正率，横轴是假正率。√
23、折交叉检验中，每个样本有1次被当作测试样本，有6次被当作训练样本。×
24、K均值聚类的算法中，参数K就是希望得到的簇的数目。√
25、K均值聚类的算法中，K个初始质心可以随机选择。√
26、每次簇的质心更新后，将每个点指派到最远的质心。×
27、均值聚类的算法中，随机选取的初始质心，一定可以保证得到好的聚类结果。×
28、对同一批数据进行两次K均值聚类，如果其中一次聚类结果的SSE更小，则说明这次聚类效果更好。√
29、K均值聚类容易受到离群点的影响。并且擅长处理非球形簇、不同尺寸和不同密度的簇。×
30、如果{a,d,e}是频繁项集，则{a,d}一定也是频繁项集。√
31、如果{a,d,e}是非频繁的，则{a,b,d,e}也一定是非频繁的。√
简答
1、简述支持向量机的“最大边缘”原理。（即可分的线性SVM原理）
即追求分类器的泛化能力最大化。即希望所找到的决策边界，在满足将两类数据点正确的分开的前提下，对应的分类器边缘最大。这样可以使得新的测试数据被错分的几率尽可能小。
2、简述软边缘支持向量机的基本工作原理。
对存在数据污染、近似线性分类的情况，可能并不存在一个最优的线性决策超平面；当存在噪声数据时，为保证所有训练数据的准确分类，可能会导致过拟合。因此，需要允许有一定程度“错分”，又有较大分界区域的最优决策超平面，即软间隔支持向量机。
软间隔支持向量机通过引入松弛变量、惩罚因子，在一定程度上允许错误分类样本，以增大间隔距离。在分类准确性与泛化能力上寻求一个平衡点。
3、简述非线性支持向量机的基本工作原理。
对非线性可分的问题，可以利用核变换，把原样本映射到某个高维特征空间，使得原本在低维特征空间中非线性可分的样本，在新的高维特征空间中变得线性可分，并使用线性支持向量机进行分类。
4、简述K均值算法的步骤。选择1个方面论述K均值算法可能遇到的问题及如何解决。
（1）步骤
首先选择K个初始质心，其中K是用户指定的参数，即所期望的簇的个数。每个点指派到最近的质心，而指派到一个质心的点集为一个簇。然后，根据指派到簇的点，更新每个簇的质心。重复指派和更新步骤，直到簇不发生变化，或等价的，直到质心不发生变化。
（2）问题与解决方法
①不同的初始质心将收敛得到不同的目标函数，可能只能达到局部最优解；随机选取初始质心，拙劣的初始质心，可能导致很糟糕的聚类结果。
- 多次运行，选取最小的SSE
- 采用小部分数据，并进行层次聚类得到初始质心
- 选择多于K个的初始质心，并在其中选出K个分布广泛的作为初始质心。
②可能产生空簇
- 选择一个距离当前任何质心最远的点作为替补质心（消除当前对总平方误差影响最大的点）
- 从具有最大SSE的簇中选择一个替补的质心（分裂簇并降低聚类的总SSE）
③容易受到离群点的影响
- 提前删除离群点
- 在后处理时识别离群点
④不能处理非球形簇、不同尺寸和不同密度的簇
- 生产多个初始的簇，再将其中部分簇进行合并
5、以决策树算法为例，说明什么是模型过分拟合？模型过分拟合的原因有哪些？
（1）当决策树很小时，训练和检验误差都很大，这种情况称为模型拟合不足。出现拟合不足的原因是模型尚未学习到数据的真实结构。
（2）当决策树的规模变得太大时，即使训练误差还在继续降低，但是检验误差开始增大，导致模型过分拟合。
过分拟合的原因
（1）噪声
（2）缺乏代表性样本
6、属性的类型有哪4种？对每种属性类型各自有意义的运算有哪些？
（1）类型
-
标称（Nominal）
Examples:邮编、雇员ID -
序数（Ordinal）
Examples:成绩（优良差）、街道号码 -
区间（Interval）
Examples:日期、温度 -
比率（Ratio）
Examples:绝对温度、长度、年龄（出生年月属于第三种）、计数
（2）性质
-
Distinctness（相异性）
:＝≠ -
Order（序）：
<> -
Addition（加法）：
+- -
Multiplication（乘法）：
*/
标称类型具有性质①，序数类型具有性质①、②，区间类型具有性质①、②、③，比率类型具有性质①、②、③、④。
计算
1、朴素贝叶斯分类
（1）该数据集中，分类为“yes”“no”的先验概率各自是多少？0.6、0.4
（2）已知待分类的测试样本X=（Attribute1= V1c, Attribute2= V2c）计算以下条件概率：（答案请表示为分数b/a；b/a约分为最简形式）
P(Attribute1= V1c |yes)= 1/2
P(Attribute1= V1c |no)= 1/4
P(Attribute2= V2c |yes)= 1/2
P(Attribute2= V2c |no)= 1/4
P(Attribute1= V1c, Attribute2= V2c |yes) = 1/4
P(Attribute1= V1c, Attribute2= V2c |no) = 1/16
（3）已知待分类的测试样本X=（Attribute1= V1c, Attribute2= V2c）。后验概率P(no|X)、P(yes|X) 各自是多少？（答案请表示为分数b/a；b/a约分为最简形式）
P(yes|Attribute1=V1c,Attribute2=V2c)=3/20（说明：忽略分母1/P(X)）
P(no |Attribute1=V1c,Attribute2=V2c)=1/40（说明：忽略分母1/P(X)）
（4）已知训练数据集如表1。已知待分类的测试样本X=（Attribute1= V1c, Attribute2= V2c）。 该测试样本被分成哪一类？Yes
2、计算数据集的熵，计算划分的期望信息
（1）该数据中：
P（Yes）= 0.6
P（No）= 0.4
Info（D）＝ I(6,4)
（2）若以Attribute1为分裂属性，将数据集分成三个子集D1、D2、D3，分别对应Attribute1=V1a，Attribute1=V1b，Attribute1=V1c。三个子集的样本数量与原始数据集的比例分别为0.4、0.2、0.4
（3）若以Attribute1为分裂属性，将数据集分成三个子集D1、D2、D3，分别对应Attribute1=V1a，Attribute1=V1b，Attribute1=V1c。三个子集的熵分别为 I(1,3)、I(2,0)、I(3,1)
（4）若以Attribute1为分裂属性，将数据集分成三个子集D1、D2、D3，分别对应Attribute1=V1a，Attribute1=V1b，Attribute1=V1c。该划分的期望信息为 (2/5)*I(1,3)+(1/5)*I(2,0)+(2/5)*I(3,1)
（5）若以Attribute1为分裂属性，将数据集分成三个子集D1、D2、D3，分别对应Attribute1=V1a，Attribute1=V1b，Attribute1=V1c。该划分的信息增益为I(6,4)-(2/5)*I(1,3)-(1/5)*I(2,0)-(2/5)*I(3,1)
3、计算欧氏距离、KNN分类
（1）已知有5个训练样本，分别为
样本1，属性为：[2,0,2] 类别 0
样本2，属性为：[1,5,2] 类别 1
样本3，属性为：[3,2,3] 类别 1
样本4，属性为：[3,0,2] 类别 0
样本5，属性为：[1,0,6] 类别 0
有1个测试样本，属性为：[1,0,2]
1、测试样本到5个训练样本（样本1、2、3、4、5）的欧氏距离依次为：1、5、3、2、4
2、K=3，距离测试样本最近的k个训练样本依次为：样本1、样本4、样本3
3、距离最近的k个训练样本类别依次为：类别0、类别0、类别1
4、KNN算法得到的测试样本的类别为：类别0
如若本文整理有不对之处，请予以指正，谢谢。
学如逆水行舟，不进则退