（注：以下题目主要来自牛客网等论坛，解答由个人解答，可能会出现错误，并非标准答案，欢迎大家进行讨论）
1. 请说明随机森林较一般决策树稳定的几点原因
1）bagging的方法，多个树投票提高泛化能力
2）bagging中引入随机（参数、样本、特征、空间映射），避免单棵树的过拟合，提高整体泛化能力
2. 什么是聚类分析？聚类算法有哪几种？请选择一种详细描述其计算原理和步骤。
1）聚类分析是一种无监督的学习方法，根据一定条件将相对同质的样本归到一个类总
2）聚类方法主要有：
a. 层次聚类
b. 划分聚类：kmeans
c. 密度聚类
d. 网格聚类
e. 模型聚类：高斯混合模型
3）k-means比较好介绍，选k个点开始作为聚类中心，然后剩下的点根据距离划分到类中；找到新的类中心；重新分配点；迭代直到达到收敛条件或者迭代次数。 优点是快；缺点是要先指定k，同时对异常值很敏感。
3. 根据要求写出SQL
表A结构如下：
Member_ID（用户的ID，字符型）
Log_time（用户访问页面时间，日期型（只有一天的数据））
URL（访问的页面地址，字符型）
要求：提取出每个用户访问的第一个URL（按时间最早），形成一个新表（新表名为B，表结构和表A一致）
create table B as select Member_ID, min(Log_time), URL from Agroup byMember_ID
4. 销售数据分析
以下是一家B2C电子商务网站的一周销售数据，该网站主要用户群是办公室女性，销售额主要集中在5种产品上，如果你是这家公司的分析师，
a) 从数据中，你看到了什么问题？你觉得背后的原因是什么？
b) 如果你的老板要求你提出一个运营改进计划，你会怎么做？
表如下：一组每天某网站的销售数据
（没有表，所以略）
5. 用户调研
某公司针对A、B、C三类客户，提出了一种统一的改进计划，用于提升客户的周消费次数，需要你来制定一个事前试验方案，来支持决策，请你思考下列问题：
a) 试验需要为决策提供什么样的信息？
b) 按照上述目的，请写出你的数据抽样方法、需要采集的数据指标项，以及你选择的统计方法。
a) 试验要能证明该改进计划能显著提升A、B、C三类客户的周消费次数。
b) 根据三类客户的数量，采用分层比例抽样，然后灰度。
需要采集的数据指标项有：客户类别，改进计划前周消费次数，改进计划后周消费次数；选用统计方法为：分别针对A、B、C三类客户，进行改进前和后的周消费次数的，两独立样本T-检验。
（不知道这算不算事前实验。如果不执行行为直接分析的话，那分析行为应该是在提出改进方案前进行的）
6. 观测宇宙中单位体积内星球的个数，属于什么分布：
A 学生分布：小样本量下对正态分布的均值进行估计
B 泊松分布：某段时间内，事件发生的概率。也可以认为是n很大p很小的二项分布。
C 正态分布：多组（多次独立重复实验下的随机变量的均值）
D 二项分布：多次抛硬币的独立重复试验
把体积看成时间，那么本题符合B泊松分布。
7. 一些关于数据挖掘说法是正确的
A 数据挖掘是万能的（错）
B 如果你建立了一个database，那就意味着你已经有足够的数据可以做数据挖掘了（错）
C 数据挖掘=数据+算法，数据挖掘人员大部分的时间用来处理复杂的挖掘算法（错，业务上的时间大部分在调研和沟通需求，技术上大部分时间在清洗数据）
D ABC均有错（√）
8. 已知随机变量X,Y分别服从泊松分布P(S),卡方分布X2(t)，E(X)=4,D(Y)=9,则参数s,t分别：
A 2,9
B 4,9
C 4,4.5（√）
D 2,4.5
9. 下面算法中哪一种不属于广义线性回归算法
A 生存模型算法（如Cox比例风险回归，属于）
B beta回归算法（属于）
C logit回归算法（属于）
D 判别分析算法（如线性判别分析LDA，不清楚是否属于）
10. 有一列1000万淘宝买家的淘宝运费险保费数据，要计算该列数据的P1-P100分位数，可使用哪个SAS语句？
A proc sort
B proc rank
C proc univariate（√）
D proc freq
11. X服从区间（2，6）上的均匀分布，求对X进行3次独立观测中，至少有2次的观测值大于3的概率
A 0.84375（√）
B 0.75275
C 0.65275
D 0.80370
12. 下面对于“预测变量间可能存在较严重的多重共线性”的论述中
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
