2025年数据科学专业认证(CDSP)考试题库（附答案和详细解析）（1108）.docxVIP

数据科学专业认证（CDSP）考试试卷

一、单项选择题（共10题，每题1分，共10分）

混淆矩阵中，准确率（Accuracy）的计算公式是：

A.TP/(TP+FN)

B.TP/(TP+FP)

C.(TP+TN)/(TP+TN+FP+FN)

D.TN/(TN+FP)

答案：C

解析：准确率是预测正确的样本占总样本的比例，公式为（真阳性TP+真阴性TN）除以总样本数（TP+TN+FP+FN）。选项A是召回率（Recall），选项B是精确率（Precision），选项D是真负率（Specificity）。

以下哪种特征选择方法属于过滤法（FilterMethod）？

A.递归特征消除（RFE）

B.卡方检验（Chi-squareTest）

C.基于树模型的特征重要性

D.L1正则化（Lasso）

答案：B

解析：过滤法通过统计指标（如卡方检验、信息增益）独立于模型评估特征重要性。选项A（RFE）和C（树模型特征重要性）属于包裹法（Wrapper），选项D（Lasso）属于嵌入法（Embedded）。

对数据进行标准化（Z-scoreNormalization）后，数据的均值和标准差分别为：

A.0，1

B.1，0

C.0，0

D.1，1

答案：A

解析：标准化公式为(z=(x-)/)，处理后数据均值为0，标准差为1。其他选项不符合标准化定义。

以下哪种方法最适合解决过拟合问题？

A.增加训练数据量

B.减少特征数量

C.降低模型复杂度

D.以上都是

答案：D

解析：过拟合的核心原因是模型对训练数据的噪声过度学习，增加数据量（减少噪声影响）、减少特征（降低复杂度）、降低模型复杂度（如减少决策树深度）均是有效方法。

在假设检验中，显著性水平α表示：

A.原假设为真时拒绝原假设的概率

B.原假设为假时接受原假设的概率

C.备择假设为真时拒绝备择假设的概率

D.备择假设为假时接受备择假设的概率

答案：A

解析：显著性水平α是第一类错误（弃真错误）的概率，即原假设为真时错误拒绝原假设的概率。选项B是第二类错误（取伪错误）的概率（β）。

若数据分布呈现右偏（正偏态），则均值、中位数、众数的关系通常为：

A.均值中位数众数

B.均值中位数众数

C.中位数均值众数

D.众数中位数均值

答案：A

解析：右偏分布中，右侧有长尾，均值受极端值影响最大，因此均值中位数众数；左偏分布则相反。

以下聚类算法中，需要预先指定聚类数k的是：

A.DBSCAN

B.层次聚类（凝聚法）

C.K-means

D.谱聚类（SpectralClustering）

答案：C

解析：K-means需要用户指定k值；DBSCAN通过邻域半径ε和最小样本数min_samples确定聚类数；层次聚类通过树状图选择分割点；谱聚类通常也需要指定k。

时间序列分析中，用于检测趋势成分的常用方法是：

A.移动平均法（MovingAverage）

B.自相关函数（ACF）

C.偏自相关函数（PACF）

D.季节分解（SeasonalDecomposition）

答案：D

解析：季节分解可将时间序列分解为趋势（Trend）、季节（Seasonal）和残差（Residual）成分；移动平均主要用于平滑噪声；ACF和PACF用于识别ARIMA模型阶数。

正则化（Regularization）的核心作用是：

A.提高模型训练速度

B.防止过拟合，降低模型复杂度

C.解决类别不平衡问题

D.提升模型在训练集上的准确率

答案：B

解析：正则化通过在损失函数中添加惩罚项（如L1/L2范数）限制模型参数大小，避免模型过于复杂，从而防止过拟合。其他选项与正则化无关。

关联规则挖掘中，支持度（Support）的计算公式是：

A.包含A和B的事务数/总事务数

B.包含A的事务中包含B的比例

C.包含B的事务中包含A的比例

D.(支持度)/(支持度(A)*支持度(B))

答案：A

解析：支持度衡量规则“X→Y”的普遍性，定义为同时包含X和Y的事务数占总事务数的比例。选项B是置信度（Confidence），选项D是提升度（Lift）。

二、多项选择题（共10题，每题2分，共20分）（每题至少2个正确选项）

数据清洗的常见方法包括：

A.缺失值填充（如均值、中位数）

B.异常值检测（如Z-score、IQR）

C.数据格式转换（如日期字符串转时间戳）

D.特征交叉（生成新特征）

答案：ABC

解析：数据清洗聚焦于修正数据质量问题，包括处理缺失值（A）、异常值（B）和格式错误（C）。特征交叉（D）属于特征工程，不属于清洗范畴。

以下属于特征工程（Feature