
CDA考试教材 https://www.cdaglobal.com/article/475.html
CDA模拟题库 https://www.cdaglobal.com/article/473.html
76.下表是一个购物篮,假定支持度阈值为40%,其中__(A D)__是频繁闭项集。
TID 项
1 abc
2 abcd
3 bce
4 acde
5 de
A、abc
B、ad
C、cd
D、de
77.Apriori算法的计算复杂度受__(ABCD)__影响。
A、支持度阀值
B、项数(维度)
C、事务数
D、事务平均宽度
78. 我们可以用哪种方式来避免决策树过度拟合 (Overfitting)的问题? (AB)
A、利用修剪法来限制树的深度
B、利用盆栽法规定每个节点下的最小的记录数目
C、利用逐步回归法来删除部分数据
D、目前并无适合的方法来处理这问题
79.以下属于分类器评价或比较尺度的有: (ACD)
A、预测准确度
B、召回率
C、模型描述的简洁度
D、计算复杂度
80.在评价不平衡类问题分类的度量方法有如下几种:(ABCD)
A、F1度量
B、召回率(recall)
C、精度(precision)
D、真正率(ture positive rate,TPR)
81.贝叶斯信念网络(BBN)有如下哪些特点:(AB)
A、构造网络费时费力
B、对模型的过分问题非常鲁棒
C、贝叶斯网络不适合处理不完整的数据
D、网络结构确定后,添加变量相当麻烦
82.如下哪些不是最近邻分类器的特点: (C)
A、它使用具体的训练实例进行预测,不必维护源自数据的模型
B、分类一个测试样例开销很大
C、最近邻分类器基于全局信息进行预测
D、可以生产任意形状的决策边界
83.如下那些不是基于规则分类器的特点:(AC)
A、规则集的表达能力远不如决策树好
B、基于规则的分类器都对属性空间进行直线划分,并将类指派到每个划分
C、无法被用来产生更易于解释的描述性模型
D、非常适合处理类分布不平衡的数据集
84.以下属于聚类算法的是( ABD )。
A、K均值
B、DBSCAN
C、Apriori
D、Jarvis-Patrick(JP)
85.( CD )都属于簇有效性的监督度量。
A、轮廓系数
B、共性分类相关系数
C、熵
D、F度量
86. 下列对ID3算法的描述,何者为真?(A, B, D)
A、每个节点的分支度都不相同
B、使用Information Gain作为节点分割的依据
C、可以处理数值型态的字段
D、无法处理空值的字段
87.( ABCD )这些数据特性都是对聚类分析具有很强影响的。
A、高维性
B、规模
C、稀疏性
D、噪声和离群点
88.在聚类分析当中,( AD )等技术可以处理任意形状的簇。
A、MIN(单链)
B、MAX(全链)
C、组平均
D、Chameleon
89.( AB )都属于分裂的层次聚类算法。
A、二分K均值
B、MST
C、Chameleon
D、组平均
90.下列哪种算法可同时用来做分类以及预测数值?(A, B)
A、Neural Network
B、Decision Tree
C、Logistic Regression
D、Linear Regression
三、内容相关题
(一)、根据相同的背景材料回答若干道题目,每道题的答案个数不固定。下列各题A)、B)、C)、D)四个选项中,每题至少有一个选项是正确的,多选或少选,均不能得分。
I、下图为类神经元的示意图,请回答1至3题:
1、【答案(A)】
请问虚线的部分为?
A、类神经元
B、 键结值(Weight)
C、阀值(Bias)
D、激发函数(Activation Function)
2、【答案(D)】
请问请问( )为?
A、类神经元
B、键结值(Weight)
C、阀值(Bias)
D、激发函数(Activation Function)
3、【答案(B)】
请问W1, W2, …, Wm为?
A、类神经元
B、键结值(Weight)
C、阀值(Bias)
D、激发函数(Activation Function)
II、根据下表的混乱矩阵(Confusion Matrix),回答4至5题:
4、【答案(A)】
对于属性值YES的响应率(Precision)应如何计算?
A. B. C. D.
5、【答案(B)】
对于属性值YES的捕捉率(Recall)应如何计算?
A. B. C. D.
(二)、6-10题略
四、案例操作题
带数据,数据请见***
(一)、根据相同的背景材料和数据回答若干道题目,每道题的答案个数不固定。在做题过程中需要使用统计软件进行相应的操作。提供SAS、SPSS和CSV三种格式的数据,统计软件不受限制。下列各题A)、B)、C)、D)四个选项中,每题至少有一个选项是正确的,多选或少选,均不能得分。
I、一家银行希望使用自有业务数据和外部征信局数据来构造信用评分模型。该数据保存在Credit这张表中。其变量描述如下:
分析过程需要使用软件进行,可以使用任何软件完成以下题目:
1、 (AB)
以下哪个变量是分类变量
A. TARGET
B. BanruptcyInd
C. InqFinanceCnt24
D. TLBadDerogCnt
2、 (B)
这些变量中,有多少个变量具有缺失值
A. 7
B. 11
C. 12
D. 27
3、(B)
InqCnt06的中位数是
A.0
B.2
C.40
D.3.11
4、(AC)
以下四个变量中,哪两个右偏严重
A. TLCnt24
B. TlOpenPct
C. TLSatCnt
D. TLSatPct
5、(B)
将数据按7:3的比例分为训练集和验证集,对有缺失值的变量使用中位数进行填补后,使用逐步回归法以Target为被解释变量构造逻辑回归,以下哪些变量的解释力度最强
A.TLBadCnt24
B.TLBalHCPct
C.TLCnt03
D.TLDel60Cnt24
6-10略
(二)、11-20题略
立刻扫码
看更多数据分析师认证试题
——学数据分析技能一定要了解的大厂入门券,CDA数据分析师认证证书!
CDA(数据分析师认证),与CFA相似,由国际范围内数据科学领域行业专家、学者及知名企业共同制定并修订更新,迅速发展成行业内长期而稳定的全球大数据及数据分析人才标准,具有专业化、科学化、国际化、系统化等特性。
同时,CDA全栈考试布局和认证体系已得到教育部直属中国成人教育协会及大数据专业委员会认可,并由为IBM、华为等提供全球认证服务的Pearson VUE面向全球提供灵活的考试服务。
报名方式
登录CDA认证考试官网注册报名>>点击报名
报名费用
Level Ⅰ:1200 RMB
Level Ⅱ:1700 RMB
Level Ⅲ:2000 RMB
考试地点
Level Ⅰ + Ⅱ:中国区30+省市,70+城市,250+考场,考生可就近考场预约考试 >看看我所在的地哪里报名<
Level Ⅲ:中国区30所城市,北京/上海/天津/重庆/成都/深圳/广州/济南/南京/杭州/苏州/福州/太原/武汉/长沙/西安/贵阳/郑州/南宁/昆明/乌鲁木齐/沈阳/哈尔滨/合肥/石家庄/呼和浩特/南昌/长春/大连/兰州>看看我所在的地哪里报名<
报考条件
CDA Level I >了解更多<
▷ 报考条件:无要求。
▷ 考试时间:随报随考。
CDA Level II >了解更多<
▷ 报考条件:获得CDA Level Ⅰ认证证书;
▷ 考试时间:随报随考。
CDA Level III >了解更多<
▷ 报考条件:获得CDA Level Ⅱ认证证书;
▷ 考试时间:
一年四届 3月、6月、9月、12月的最后一个周六。
(备注:数据分析相关工作不限行业,可涉及统计,数据分析,数据挖掘,数据库,数据管理,大数据架构等内容。)
——热门课程推荐:
想学习PYTHON数据分析与金融数字化转型精英训练营,您可以点击>>>“人才转型”了解课程详情;
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08