（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”的论述中错误的是？

A 回归系数的符号与专家经验知识不符（对）

B 方差膨胀因子（VIF）=0.85（对）

D 变量重要性与专家经验严重违背（对）

13. 由于淘宝买家消费数据是亿级别，假设为了快速计算买家每月的平均消费额，采用抽样1W个买家来计算

A 采用分层抽样方法把全量淘宝买家按照星级，每层抽取相同的数量，计算平均值（要求的是总的分布，分层抽样每层抽一样的把分布改变了）

B 采用系统抽样方法，把全量买家随机排序，每隔一定数量抽一个，计算平均值（√）

C 采用无放回随机方法，从全量买家中随机挑选一个买家，不放回，如此循环（√）

D 采用有放回随机方法，从全量买家中随机挑选一个买家，然后再放回，如此循环（理论上会改变样本分布，虽然很小）

14. 请找出数列4，9，23，60，157的下一项（）

A 411（√）

B 314

C 425

D ABC均错

60*3-23=157,157*3-60=411

15. 以下哪个语法不是R的基础语言

A proc glot（这个是sas）

B select *from table（这个是sql）

C kc