考试模拟样题—数据分析算法和模型

《考试模拟样题—数据分析算法和模型》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、考试模拟样题一数据分析算法与模型一•计算题（共4题,400.0分）1・下面是7个地区2000年的人均国内生产总值（GDP）和人均消费水平的统计数据:一元线性回归.xlsxxlsx要求:相关系数矩阵人均GDP园人均消费水平（元）人均GDP（元）10.9981人均消费水平（元）0.99811人均GDP与人增消费水平正相关，相关系数为0.9981,相关性比较大。（2）人均GDP作自变量，人均消费水平作因变量，利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义;Y=734.6928+0.3O87*X1人均GDP基数为734.6928,随着人均收入0

2、.3087倍的增长，人均消费水平随之增长。(3)计算判定系数，并解释其意义;R方为0.9963,接近于1,模型拟合度很好。(4)检验回归方程线性关系的显著性（a=0・05）；F检验：p值＜0.05,模型整体线性关系显著。T检验：p值＜0.05,所对应的自变量对因变量的影响显著。(5)如果某地区的人均GDP为5000元，预测其人均消费水平;人均消费水平为2278.1066o（所有（6）求人均GDP为5000元时，人均消费水平95%的置信区间和预测区间。结果均保留三位小数）置信区间［1990.749,2565.464］和预测区间［1580.463,29

3、75.750］。2•根据以下给出的数据进行分析，本次给出莺尾花数据，其中包含萼片长、萼片宽、花瓣长、花瓣宽、以及花的类型数据，请根据以下问题进行回答。（本题数据提供在excel里面，数据分析为三份，一份训练数据，一份测试数据，份预测数据）莺尾花训练数据.xlsx莺尾花测试数据.xlsx莺尾花预测数据.xlsxl=J至根据训练数据，用类型_num作为因变量Y,其他变量作为自变量X,做逻辑回归，写出逻辑回归的方程。数值类型是数据型，没有缺失值；根据箱型图进行了异常值分析，占比比较少，可能是数据分类的特征,因此不进行异常值处理；0.56740.52680

4、.79551相关系统矩阵分析，虽然存在相关，但是相关性不是特别强，所以不进行处理。萼片长(cm)10.50030.8331萼片宽(cm)0.500310.4752花黠长(cm)0.83310.47521花瘵宽(cm)0.56740.52680.7955相歩涯阵Intercept萼片长5)萼

5、花腐长(cm)10.99221.46261.5556-2.1949-2.2906逻辑回归的方程:In[P(Y)/l-P(Y)]=0.9922+1.4626X1+1.5556X2-2.1949X3-2.2906X4将预测结果和原训练集中的实际分类进行对比，得到如下

6、混淆矩阵和计算出相应的准确率、召回率，结果如下：AccuracyAUC0.97330.9936PrecisionRecallFl・scoreSupport00.945910.972235110.950.974440由混淆矩阵可知Accuracy和准确率召回率都比较大，模型预测效果较好，训练误差不大。可以用该模型进行预测。根据测试数据得到的结果，写出逻辑回归的混淆矩阵，以及准确率和召回率，Accuracy和Fl的值(可根据测试数据结果计算表格得到测试数据集的相应的结果)。将训练数据和测试数据进行预测，对比测试数据的预测结果和实际分类，得到如下混淆矩阵

7、和计算出相应的Accuracy.准确率召回率，结果如下：类型_numy_predict_newDATA110110001100Accuracy0.933333330000TRUE10PrecisionRecallFl-score10Predict10■00110.90.8333333330.90909110.947368111900000100100由混淆矩阵可知Accuracy和准确率召冋率都比较人，模型预测效果较好，泛化误差不大，可以用该模型进行预测分析。(3)给出一组预测数据，根据训练模型结果预测，写出预测结果。Confusionmatrix

8、3538o1Predictedlabel模型预测结果为：y_predict_newDATA:0011000101正确答案：解析：提示：测试数据结果计算・xls3.下表为购物篮事物数据:「购物蓝数据集・xlsx(1)设minsupport=40%,利用Apriori算法写出所有的频繁项目集，并指出其中支持度最大的二项频繁项目集。支持度排名项目1项目2支持度置信度提升度1{}->{e}0.80.812{}->{a}0.70.713{}・>{d}0.60.614{}->{b}0.60.617{}->{C}0.50.515{a

9、}・>{e}0.60.85711.07146{e}->{a}0.60.751.07148{d}->{e}