在线问题 - 有效练习，帮助您通过 Databricks-Certified-Professional-Data-Scientist 考试（最新 140 个问题）[Q15-Q30]

9 月 21, 20229 月 21, 2022 考试在线问题 - 有效练习，帮助您通过 Databricks-Certified-Professional-Data-Scientist 考试（最新 140 个问题）[Q15-Q30] 0 条评论

给本帖评分

在线问题 - 有效练习，帮助您通过 Databricks-Certified-Professional-Data-Scientist 考试（最新 140 个问题）

Practice To Databricks-Certified-Professional-Data-Scientist - 在 Databricks Certified Professional Data Scientist 考试中进行大量练习

第 15 号 假设我们对影响政治候选人是否赢得选举的因素感兴趣。结果（响应）变量为二进制（0/1）；赢或输。我们感兴趣的预测变量包括竞选活动花费的资金、竞选活动花费的时间以及候选人是否为现任者。
以上是

线性回归

逻辑回归

推荐系统

最大似然估计

分层线性模型

解释：逻辑回归
优点缺点：容易出现拟合不足的情况，准确率可能较低：数值、名义值

NO.16 将多维数据集投影到哪个向量上，方差最大？

第一主成分

第一特征向量

信息不足，无法回答

第二特征向量

第二主成分

说明
基于主成分分析（PCA）的方法根据相关矩阵最大特征向量在初始维度上的投影来评估特征，基于费雪线性判别分析的方法则根据判别向量分量的大小来评估特征。而基于费雪线性判别分析的方法则根据判别向量分量的大小来评估特征。
根据定义，第一个主成分对应的数据方差最大。如果我们将数据投影到第一主成分线上，数据会比投影到任何其他线上（包括其他主成分）更加分散（方差更大）。

第 17 号 您正在处理一个问题，您必须预测索赔是否有效。你发现在手工填写的索赔表中，大多数索赔都有拼写错误和更正，而诚实的索赔则没有。以下哪种技术适合用来找出索赔是否有效？

直觉贝叶斯

逻辑回归

随机决策森林

以上任何一项

说明
在这个问题中，你得到了文本、更正、测试结果等高维自变量，你必须预测有效或无效（二选一）。因此，以下所有技术都可以应用到这个问题中。
支持向量机 Naive Bayes 逻辑回归随机决策森林

第 18 号 您使用 K 均值聚类对一家零售店的 100,000 名顾客的行为进行分类。您决定使用家庭收入、年龄、性别和年购买量作为衡量标准。您选择使用 8 个聚类，但发现有 2 个聚类只分配了 3 名顾客。您该怎么办？

减少所用措施的数量

增加群组数量

减少群组数量

确定分析中需要增加的其他措施

说明
kmeans 使用一种迭代算法，将所有簇中每个对象到其簇中心点的距离总和最小化。这种算法会在簇之间移动对象，直到距离总和无法进一步减小为止。这样就能得到一组尽可能紧凑和分离良好的簇。你可以使用 kmeans 的几个可选输入参数来控制最小化的细节，包括簇中心点的初始值和最大迭代次数。
聚类主要是一种探索性技术，用于发现数据的隐藏结构：可能作为更集中分析或决策过程的前奏。k-means 的一些具体应用包括图像处理^ 医疗和客户细分。聚类通常被用作分类的前奏。一旦确定了聚类，就可以对每个聚类应用标签，根据其特征对每个组进行分类。市场营销和销售团队使用 k-means 来更好地识别具有相似行为和消费模式的客户。

第 19 号 参见附录

在图示中，X 轴代表借款人拖欠贷款的推导概率。同样在图示中，粉红色代表已知没有拖欠贷款的借款人，蓝色代表已知拖欠贷款的借款人。哪种分析方法可以得出建立此展品所需的概率？

线性回归

逻辑回归

判别分析

协会规则

NO.20 以下哪项是连续概率分布？

二项式概率分布

负二项分布

泊松概率分布

正态概率分布

第 21 号 您有 1000 个病人的身高和年龄数据。其中年龄以岁为单位，身高以米为单位。您希望使用这两个属性创建聚类。在创建聚类时，您希望年龄和身高的效果接近相同。您能做些什么？

您将添加数值为 100 的高度

您将把每个高度值转换为厘米数

将年龄和身高除以各自的标准差

您将取高度的平方根

说明
以年龄为单位的数据会有 50 岁、60 岁、70 岁、90 岁等值。在计算与中心点的距离时，最大可能的值是 90-0，其平方为 8100。
以米为单位的身高为 2-0.5（1.5）米，其平方仅为 2.25。由此可见，年龄比身高的影响更大。因此，将身高换算成厘米就可以了。可以将数据放大到 200 厘米，这样就更有效了，就像 200 最大值的平方一样。
不过，还有一种方法是将每个值与其标准偏差相除，这样就不会受到单位的影响，例如年龄/年龄的标准偏差，从而得出没有单位的值。这也有助于减少单位的影响。

第 22 号 关于线性回归模型，以下哪些说法是正确的？

普通最小二乘法可用于估计线性模型中的参数

在线性模型中，它试图找到能够近似反映结果与输入变量之间关系的多条线。

普通最小平方是每个点与回归模型拟合线之间的距离之和。

普通最小平方是每个点与回归模型拟合线之间单个距离的平方和。

说明
线性回归模型用以下公式表示

其中，B(0) 是截距，B(1) 是斜率。随着 B(0)和 B(1)的变化，拟合线在图中也会相应移动。普通最小二乘法的目的就是估计这些参数 B(0) 和 B(1)。
同样，它也是观测点与拟合线之间距离的平方和。普通最小二乘法（OLS）回归最小化残差平方和。如果观测值与模型预测值之间的差值很小且无偏，那么模型就能很好地拟合数据。

第 23 号 以下哪项最能描述主成分分析

降维

协同过滤

分类

回归

聚类

第 24 号 假设您为评级系统建立了一个模型，该系统的评级范围为 1 到 5 星。您计算出 RMSE 值为 1.0，那么以下哪项是正确的

这意味着您的预测与人们的真实想法平均相差一颗星

这意味着你的预测与人们的真实想法平均相差两颗星

这意味着你的预测与人们的真实想法平均相差三颗星

这意味着你的预测与人们的真实想法平均相差四颗星

NO.25 您的客户向您提供了 2. 000 份未标记的三组记录。正确的分析方法是什么？

半线性回归

逻辑回归

奈非贝叶斯分类法

线性回归

K 均值聚类

说明
k-means 聚类是一种矢量量化方法^，最初源于信号处理，在数据挖掘的聚类分析中很受欢迎。k-means 聚类的目的是将 n 个观测值划分为 k 个聚类，其中每个观测值都属于平均值最近的聚类，作为聚类的原型。
这个问题在计算上很困难（NP-hard），但有一些常用的高效启发式算法，可以快速收敛到局部最优。这些算法通常类似于高斯分布混合物的期望最大化算法，这两种算法都采用了迭代改进方法。此外，它们都使用聚类中心来建立数据模型；不过，K-均值聚类倾向于找到空间范围相当的聚类，而期望最大化机制允许聚类具有不同的形状。
该算法与另一种流行的机器学习技术--k-近邻无关，也不应与之混淆。

NO.26 选择回归算法不最合适的选项

当给出的对象尺寸为

给出体重

大气温度

员工身份

说明
当数据点本身是数值变量（如物体的尺寸、人的体重或大气中的温度）时，通常会使用回归算法，但与贝叶斯算法不同的是，回归算法并不适合分类数据（如员工状态或信用评分描述）。

NO.27 在哪个生命周期阶段创建测试和训练数据集？

模型规划

发现

模型制作

数据准备

说明
在第 1 阶段，团队要了解业务领域，包括相关历史，如组织或业务部门过去是否尝试过类似项目，以便从中吸取经验教训。团队从人员、技术时间和数据方面评估支持项目的可用资源。这一阶段的重要活动包括：将业务问题归纳为可在后续阶段解决的分析挑战，制定初步假设 (IH) 以测试并开始学习数据。数据准备：第 2 阶段需要有一个分析沙箱，团队可以在其中处理数据并在项目期间执行分析。团队需要执行提取、加载和转换（ELT）或提取、转换和加载（ETL），将数据导入沙箱。抽取、加载和转换（ELT）和抽取、转换和加载（ETL）有时缩写为 ETLT 数据应在 ETLT 流程中进行转换，以便团队能够对其进行处理和分析。在这一阶段，团队还需要彻底熟悉数据，并采取措施为数据模型规划创造条件：
第 3 阶段是模型规划，在这一阶段，团队要确定后续模型构建阶段打算采用的方法、技术和工作流程。团队通过探索数据来了解变量之间的关系，然后选择关键变量和最合适的模型。
建立模型：在第四阶段，团队开发用于测试、培训和生产的数据集。此外，在这一阶段，团队还将根据模型规划阶段所做的工作来构建和执行模型。团队还要考虑其现有工具是否足以运行模型，或者是否需要更强大的环境来执行模型和工作流（例如，快速硬件和并行处理（如适用））。
通报结果：在第 5 阶段，团队与主要利益相关者合作，根据第 1 阶段制定的标准确定项目结果是成功还是失败。团队应确定主要发现，量化业务价值，并编写说明，以总结并向利益相关者传达发现。
运行：在第六阶段，团队提交最终报告、简报、代码和技术文件。此外，团队还可能开展试点项目，在生产环境中实施模型。

NO.28 情景：假设鲍勃可以从汽车、公共汽车或通勤火车三种交通工具中选择一种去上班。由于交通繁忙，如果他决定开车，有 50% 的概率会迟到。如果他乘坐公交车，虽然有专门的预留车道，但有时也会人满为患，迟到的概率只有 20%。通勤火车几乎从不晚点，晚点概率只有 1 %，但价格比公共汽车贵。
假设鲍勃有一天迟到了，他的老板希望估计他当天开车上班的概率。由于不知道鲍勃通常使用哪种交通方式，他给出的先验概率是
三种可能性各 1 3 个。老板会用以下哪种方法来估计鲍勃开车上班的概率？

直觉贝叶斯

线性回归

随机决策森林

以上都不是

说明
贝叶斯定理（又称贝叶斯法则）是计算条件概率的有用工具。

NO.29 以下哪项是回归（监督学习）中目标变量的正确示例？

名义值，如 true、false

爬行动物、鱼类、哺乳动物、两栖动物、植物、真菌

无限多个数值，如 0.100、42.001、1000.743。

以上皆是

说明
我们将讨论目标变量的两种情况。第一种情况是目标变量只能取名义值：真或假；爬行动物、鱼类：哺乳动物、两栖动物、植物、真菌。第二种分类情况是目标变量可以取无限多个数值，如 0.100、42.001、
1000.743, ....这种情况称为回归。

NO.30 假设要计算行人在人行横道上不注意交通信号灯而被汽车撞倒的概率。设 H 是一个离散随机变量，从（撞到。没撞到）中取一个值。设 L 是一个离散随机变量，从（红灯。黄
绿色）。
也就是说，P(H = 击中)和 P(H = 未击中)会根据 L 是红灯、黄灯还是绿灯而取不同的值。换句话说，对于手 L 的任何给定的可能值对，都必须考虑 H 的联合概率分布。下面的表格显示了被撞的条件概率，它取决于信号灯的状态（请注意，表格中的各列相加必须为 1，因为无论信号灯的状态如何，被撞或不被撞的概率都是 1）。