cpda考試應(yīng)用模擬(編輯修改稿)
2025-04-23 23:34 本頁面
【文章內(nèi)容簡介】 解釋模型，說明模型的實(shí)際意義。答案解析：因變量是報(bào)價(jià)，連續(xù)變量，所以用線性回歸，直接導(dǎo)入Datahoop做線性回歸，會(huì)自動(dòng)刪除共線的變量，F(xiàn)檢驗(yàn)T檢驗(yàn)都通過（，分析實(shí)際情況是會(huì)不夠理想，但是也在可接受范圍）。實(shí)際意義：分析每
個(gè)變量對二手車交易價(jià)的影響，哪個(gè)最大哪個(gè)最小，哪個(gè)可調(diào)，從而提出一些自己的見解。，寫出下列購物籃數(shù)據(jù)的頻繁項(xiàng)集和強(qiáng)關(guān)聯(lián)規(guī)則（設(shè)定支持度為2，）若此購物籃數(shù)據(jù)為某超市隨機(jī)選取的7位顧客的交易數(shù)據(jù)，請結(jié)合之前得到的結(jié)果為該超市提一些建議。答案解析：頻繁項(xiàng)集不過多說明。支持度次數(shù)化為2，實(shí)際為2/7，將數(shù)據(jù)TF化導(dǎo)入平臺(tái)關(guān)聯(lián)分析設(shè)置參數(shù)，即可得強(qiáng)關(guān)聯(lián)規(guī)則。，各行業(yè)工資難免相關(guān)，因此，請先進(jìn)行降維處理再進(jìn)行聚類分析。降維、答案解析：分析數(shù)據(jù)沒有缺失值、異常值不作處理。做相關(guān)性分析后，發(fā)現(xiàn)變量之間相關(guān)性很高，用主成分分析或因子分析（取2或3個(gè)因子）降維，降維后導(dǎo)出再進(jìn)行聚類分析。，收集如下數(shù)據(jù)：收集變量包括：PassengerId，Survived，Pclass，Sex，Age，SibSp，Parch，Ticket，F(xiàn)are，Cabin，Embarked?PassengerId = 乘客ID?Survived = 是否生還?Pclass = 乘客等級(jí)(1/2/3等艙位)?Name = 乘客姓名?Sex = 性別?Age = 年齡?SibSp = 堂兄弟/妹個(gè)數(shù)?Parch = 父母與小孩個(gè)數(shù)?Ticket = 船票信息?Fare = 票價(jià)?Cabin = 客艙?Embarked = 登船港口對收集進(jìn)行預(yù)處理，選擇適當(dāng)?shù)乃惴ㄟM(jìn)行分析，并評價(jià)和解釋模型，要求寫出具體的思路過程。答案解析：本次分析選取變量包括：Survived = 是否生還、Pclass = 乘客等級(jí)(1/2/3等艙位)、Sex = 性別、Age = 年齡、SibSp = 堂兄弟/妹個(gè)數(shù)、Parch = 父母與小孩個(gè)數(shù)、Fare = 票價(jià)。理把性別進(jìn)行0和1處理，
female（女）轉(zhuǎn)換成0，male（男）轉(zhuǎn)換成1。年齡Age存在缺失值，因此對于年齡的缺失值需要進(jìn)行處理，本次對年齡的缺失值用所有年齡數(shù)據(jù)的平均值進(jìn)行填充。采用方法：邏輯回歸，根據(jù)模型的預(yù)測結(jié)果可以看出模型的準(zhǔn)確度還是比較好的，模型的AUC值也是比較高的。因此可以根據(jù)這些變量預(yù)測乘客生還與否。一、 計(jì)算題，為客戶是否流失提供參考依據(jù)，隨機(jī)選取了600名客戶進(jìn)行研究，得到了如附表所示一系列數(shù)據(jù)，收集到的數(shù)據(jù)包含下列字段：在網(wǎng)月數(shù)截止數(shù)據(jù)收集時(shí)間為止的在網(wǎng)月數(shù)年齡客戶實(shí)際年齡婚姻狀況客戶婚姻狀況，0代表未婚，1代表已婚現(xiàn)地址居住時(shí)間現(xiàn)在地址的居住月份教育程度1：?？埔韵?；2：本科；3：碩士；4：研究生；5：博士工作狀態(tài)0：待業(yè)；1：在職性別0：女；1：男租設(shè)備0：不租；1：租IP電話0：無；1：有無線電話0：有；1：無本月話費(fèi)話費(fèi)具體金額語音信箱0：無；1：有網(wǎng)絡(luò)0：無；1：有來電顯示0：無；1：有呼叫等待0：無；1：有呼叫轉(zhuǎn)移0：無；1：有流失狀態(tài)0：未流失；1：流失 根據(jù)這些客戶數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，之后分別用邏輯回歸和SVM算法進(jìn)行分析，對比兩種算法的擬合優(yōu)度，從而選擇兩者中更加適合的算法模型。寫出分析思路和過程，并為電信公司提供客戶運(yùn)營的相關(guān)建議。答案解析：根據(jù)邏輯回歸和SVM算法對數(shù)據(jù)的不同要求，預(yù)處理要分析數(shù)據(jù)的共線性和異常值，之后分別進(jìn)行邏輯回歸和SVM算法分析，發(fā)現(xiàn)SVM的召回率、準(zhǔn)確率、準(zhǔn)確度等指標(biāo)均較好，因此選擇SVM算法。相關(guān)建議包括引入此
模型分析客戶，從而針對性運(yùn)營等。，對全國31個(gè)省、直轄市、自治區(qū)(浙江、湖南、甘肅除外)進(jìn)行聚類分析（各項(xiàng)數(shù)據(jù)均來自2010年國家統(tǒng)計(jì)年鑒）。對數(shù)據(jù)進(jìn)行預(yù)處理（創(chuàng)建新的變量等），比較說明聚成幾類時(shí)聚類效果最好，寫出分析思路和過程，并分析每一類的實(shí)際意義。答案解析：若用kmeans進(jìn)行聚類，預(yù)處理要考慮共線性和異常值（數(shù)據(jù)比較少不能輕易刪除異常值），且分別分析聚成4等類的效果（由平均輪廓系數(shù)判定）。一、 計(jì)算題，收集整理了一些客戶的數(shù)據(jù)，包括他們的基本信息，經(jīng)濟(jì)情況，以及是否拖欠還款等，具體如附表所示（已經(jīng)將客戶分為了訓(xùn)練集和測試集）。進(jìn)行數(shù)據(jù)預(yù)處理，并用不同的算法模型（邏輯回歸、神經(jīng)網(wǎng)絡(luò)等）分析信用卡拖欠還款情況，結(jié)合測試數(shù)據(jù)對比模型的擬合優(yōu)度，要求寫出具體的思路過程。答案解析：分析數(shù)據(jù)有沒有缺失值異常值等，數(shù)據(jù)預(yù)處理（邏輯回歸考慮共線性、神經(jīng)網(wǎng)絡(luò)不考慮），分別用邏輯回歸和神經(jīng)網(wǎng)絡(luò)對訓(xùn)練集進(jìn)行擬合，由召回率、準(zhǔn)確率等分析訓(xùn)練誤差，接著對測試集進(jìn)行預(yù)測分析得到預(yù)測值
高考資料相關(guān)推薦
鄂ICP備17016276號(hào)-1