数据挖掘期末高频题解析：分位数图、KMeans与车险费率方案

简介：这份试卷类资料面向准备数据仓库与数据挖掘期末考试的高校学生，围绕数据仓库设计、数据预处理、星型/雪花型/实时星座模式、决策树分类、文本距离计算与KMeans聚类，以及汽车保险费率评估方案设计等考点展开，适合用于考前梳理重点、核对答题思路和训练综合分析能力。压缩包内共1个doc文件，约64KB，内容以简答题与综合分析题为主体，可直接查阅典型题干、分值分布及方案设计要点，便于按知识模块复盘。已有735人学习，说明其在同类备考资料中具有一定参考度。通过其中的文档向量距离与聚类中心计算、事故概率与赔付金额预测模型选择等内容，读者能更具体地理解从概念到案例分析的作答路径，也可据此自查薄弱环节并补充复习。

1. 数据挖掘期末：分位数图、KMeans 中心点这类题为什么最容易翻车

数据挖掘期末考试里，最容易被低估的一类题不是决策树，而是分位数-分位数图解读和聚类中心点计算。前者看着像看图说话，实际考的是你会不会从图形判断两个分布的形状差异；后者看着像算术，实际卡的是距离度量选错、质心求错。这份试卷的结构很典型：简答题 40 分靠概念覆盖，综合分析题 50 分靠流程完整度，剩下的是表达分。拿分逻辑很清晰——概念题写全关键词，计算题写全步骤，方案题写全特征和模型选型理由。适合正在准备数据仓库与数据挖掘期末考试的人，也适合想梳理数据预处理、星型模式、文本聚类、费率评估这条主线的人。

2. 简答题高频考点：四种视图与三种预处理技术的答题模板

简答题看着零散，其实四个小题各自对应一个固定考点：数据仓库视图、分位数图解读、数据预处理技术、数据仓库模式，外加一个决策树框架。每题 10 分，评分基本按点给分，写满四个要点就稳，写三个要点靠论述质量拿七八分，写两个要点基本只能拿辛苦分。所以这类题的策略不是写得漂亮，而是写够点数、每个点带一句作用说明。

2.1 数据仓库四种视图：别只背名字，要写出各自的观察角度

数据仓库设计中的视图，本质是不同角色从不同角度看同一份数据。答题时要按“给谁看、看什么、解决什么问题”三件套展开，光列四个名词很难拿满。

按这张表答，每条再补一句“例如……”，四个点就齐了。面试官或阅卷人最想听的是你能不能区分操作视图和分析视图——这两个最容易混，前者面向事务处理，后者面向主题分析，答混了直接扣分。

2.2 分位数-分位数图解读：三步判断法

两个公司销售价格数据的分位数-分位数图，考的是图形解读能力。这类题有个稳定套路，按三步写就不会跑偏。

第一步看整体走向：点是否大致沿一条直线分布。若近似直线，说明两个分布形状相近，只在位置或尺度上有差异。第二步看偏离方向：点落在参考线上方，说明纵轴对应分布的对应分位数更大，即该分布右尾更重或整体偏高；落在下方则相反。第三步看尾部：两端明显弯曲说明尾部行为不同，一端上扬一端下压说明一个分布有厚尾、另一个偏薄尾。

答题时把结论扣回业务：如果一家公司的价格分位数曲线整体在另一家上方，说明它的价格水平整体偏高；如果只在高端分位数拉开差距，说明高价商品定价更激进，中低价段差异不大。阅卷看的就是你有没有把图形特征翻译成业务语言，只写“呈线性关系”只能拿一半分。

2.3 三种数据预处理技术：写技术名 + 处理对象 + 作用

数据预处理这题的关键是别写成四种技术罗列，题目明确要三种。常见组合是数据清洗、数据集成、数据变换（或数据规约），任选三种写透即可。每种按“处理什么脏数据、怎么处理、带来什么效果”写。

数据清洗处理缺失值、噪声和异常值，手段有填充、平滑、删除，作用是提升数据质量；数据集成处理多源数据的实体识别与冗余属性问题，作用是形成统一视图；数据变换处理量纲和格式问题，手段有规范化、离散化、数值化，作用是让算法能正常处理。数据规约也常考，通过降维、抽样、聚集减少数据量，作用是提高处理效率。

写的时候带上一个具体例子，比如“对价格字段做最小-最大规范化到 [0,1] 区间”，比干巴巴列名词有说服力得多。

2.4 星型、雪花型与实时星座模式：一张对比表答完

三种模式的区别是这题的核心，答题要抓住“维度表是否规范化”这条主线。

星型模式的中心是事实表，周围是未规范化的维度表，结构简单、连接少、查询快，代价是维度数据冗余。雪花型模式把维度表继续规范化成多层，减少冗余、节省存储，但连接变多、查询变慢。实时星座模式面向需要实时分析的场景，由多个事实表共享维度表构成，兼顾多主题分析与实时响应。

答题时点出“星座模式的核心特征是多个事实表共享同一组维度表”，这句是加分点，很多人只写实时性，忽略了星座模式的本质是多事实表。再补一句适用场景，比如星型适合查询性能优先的报表、雪花适合存储敏感且维度层级复杂的情况，答案就完整了。

2.5 真题演练：决策树分类算法框架怎么写成可给分的流程

请给出决策树（Decision Tree）分类算法框架。

这题看着开放，实际要按建树流程一步步写。标准答法分五步：选择划分属性、划分数据集、递归构建子树、设定停止条件、叶节点赋类别。每步补一句判据。

# 决策树建树框架伪代码，注释说明每一步对应考点 def build_tree(data, labels, depth=0): if stop_condition(data, depth): # 停止条件：样本同属一类、无剩余属性或达最大深度 return leaf_node(majority_class(labels)) best_attr = select_best_attribute(data, labels) # 用信息增益/增益率/基尼指数选属性 tree = {best_attr: {}} for value in unique_values(data[best_attr]): subset = split_data(data, best_attr, value) # 按属性取值划分子集 tree[best_attr][value] = build_tree(subset, subset_labels, depth + 1) return tree

代码对应的是框架而不是实现细节。select_best_attribute是关键点，要说明常用判据：ID3 用信息增益，C4.5 用增益率，CART 用基尼指数，能说出三者差异是加分项。stop_condition要写清三种典型终止条件：节点样本全属同一类、属性已用尽、达到预设深度或样本数阈值。答完框架再补一句“决策树容易过拟合，通常配合剪枝”，这一句往往就是 10 分里的最后一两分。

3. 综合分析题高频考点：距离计算、KMeans 质心与费率方案设计

综合分析题 50 分是拉开差距的地方。文档向量题 20 分，考的是距离计算和聚类质心；车险费率题 30 分，考的是特征工程思路和模型选型。这两题的共同点是步骤分极重，结果算错但过程对，通常还能拿大半；过程跳过直接写答案，基本没分。

3.1 文档距离计算：先定度量，再算数值

四个文档的特征向量为：文档 1：[2,3,4,2,0,0,0,1]，文档 2：[2,2,3,2,0,0,0,1]，文档 3：[0,0,0,0,2,3,3,4]，文档 4：[0,0,0,0,3,4,3,4]，计算 4 个文档之间的距离。

答题第一步必须写明用哪种距离。欧氏距离最直观，适合词频向量的绝对差异；余弦相似度衡量方向差异，对文档长度不敏感。题目没指定时，用欧氏距离并注明理由最稳妥，因为词频向量做 KMeans 时欧氏距离与质心更新是自洽的。

import numpy as np docs = np.array([ [2, 3, 4, 2, 0, 0, 0, 1], [2, 2, 3, 2, 0, 0, 0, 1], [0, 0, 0, 0, 2, 3, 3, 4], [0, 0, 0, 0, 3, 4, 3, 4], ]) # 欧氏距离矩阵：d(i,j) = sqrt(sum((xi - xj)^2)) n = len(docs) dist = np.zeros((n, n)) for i in range(n): for j in range(n): dist[i][j] = np.sqrt(np.sum((docs[i] - docs[j]) ** 2)) print(np.round(dist, 2))

跑出来能直接用于答题的距离矩阵大致是：文档 1 与文档 2 约 1.41，文档 1 与文档 3 约 7.07，文档 1 与文档 4 约 6.93，文档 2 与文档 3 约 6.93，文档 2 与文档 4 约 6.78，文档 3 与文档 4 约 1.41。这组数值很说明问题：前两个文档彼此很近，后两个文档彼此很近，两组之间距离超过 6。答题时把这个观察写出来，等于提前为第二小问的聚类结果做了铺垫，阅卷时会认为你理解了数据结构而不是机械套公式。

参数说明：向量长度为 8，对应 8 个特征词；距离越小表示词频分布越接近。若改用余弦相似度，文档 1 与文档 2 的相似度接近 1，文档 1 与文档 3 接近 0，结论方向一致但数值不同。答题时两种都写、以欧氏距离为主，是最稳的做法。

3.2 KMeans 两个簇中心：手算质心的标准流程

假设 KMeans 可以将 4 个文档聚成 2 个理想的聚类簇，请分别给出两个聚类簇的中心点。

这题不需要迭代，因为“理想的聚类簇”已经暗示了自然分组。从上一步的距离矩阵能看出 {文档 1, 文档 2} 和 {文档 3, 文档 4} 是两组，直接对每组求算术平均即可。

# 两个簇的质心 = 簇内向量按维求平均 cluster_a = docs[[0, 1]].mean(axis=0) cluster_b = docs[[2, 3]].mean(axis=0) print(cluster_a) # [2. 2.5 3.5 2. 0. 0. 0. 1. ] print(cluster_b) # [0. 0. 0. 0. 2.5 3.5 3. 4. ]

簇 A 中心点为 [2, 2.5, 3.5, 2, 0, 0, 0, 1]，簇 B 中心点为 [0, 0, 0, 0, 2.5, 3.5, 3, 4]。答题时要写清三件事：簇的成员是谁、质心按维求平均、为什么这样分合理（组内距离远小于组间距离）。只写两个中心点不写分组依据，最多拿一半分。

提示：KMeans 的质心更新公式是簇内样本逐维取均值，不是取中位数也不是取众数，这个点在阅卷时区分度很高。

3.3 车险费率评估：特征怎么列，模型怎么选

基于 RFID 路段感知数据和车管所车辆基本信息，设计帮助保险公司评估每辆车车险费率的方案。

30 分的题要按“特征分析 + 模型选择 + 评估思路”三段来写，缺一段就掉一个档次。

第一段列决策特征。事故概率相关的特征要覆盖三类：车辆属性（车型、品牌、车龄、座位数）、使用强度（行驶里程、出行频次、常走路段等级）、驾驶行为（急加速急减速次数、夜间行驶比例、高风险路段经过频次）。赔付金额相关的特征在此基础上加维修成本维度，比如车型零整比、品牌维修均价。答题时把“从 RFID 数据可衍生出行驶轨迹、路段风险暴露时长、超速嫌疑段数”写出来，是这道题最能体现数据思维的地方。

第二段选模型。事故概率是二分类问题，逻辑回归可解释性强、系数能直接对应费率因子，是首选；也可提梯度提升树提升精度。赔付金额是连续值预测，线性回归适合作基线，随机森林或梯度提升回归能捕捉非线性关系。答题时最好写成两阶段：先预测出险概率，再预测条件赔付金额，期望赔付等于两者乘积，费率在此基础上加费用和利润附加。这个两阶段结构比笼统说“用回归预测”高一档。

第三段写评估与落地。用历史保单数据做训练，按时间切分训练集和验证集，用 AUC 评估概率模型、用平均绝对误差评估金额模型，最后按风险分档检验费率是否单调。补一句“模型上线后需持续监控特征漂移”，这类收尾句能体现工程意识。

3.4 易错点：这五处失分最常见

第一处：分位数图只写“线性关系”就收笔。错在把图形描述当结论，漏了业务解释。分位数图题要答出分布位置差异和尾部差异，并翻译成价格水平高低的判断。答对的关键是每写一个图形特征，紧跟一句“说明……”。

第二处：距离计算不声明度量方式。直接甩一串数字，阅卷无法判断你是算错还是用了别的度量。正确做法是先写“采用欧氏距离，公式为……”，再代入数值。度量声明本身就是分。

第三处：KMeans 质心取中位数或取某个样本点。根因是没记住质心定义。质心是簇内样本逐维均值，只有用均值才能保证簇内平方误差最小。写答案时附上公式，比只写结果稳。

第四处：星型模式与雪花型模式答反。常见错误是把“维度表规范化”说成星型模式的特征。记法很简单：雪花是星型的“再规范化”，维度表被拆成多层才叫雪花。

第五处：费率方案只写模型名不写特征。30 分的题里，特征分析占分最重。只写“用随机森林预测”而不列车型、里程、路段风险暴露这些特征，等于放弃了主体分数。答题顺序永远是先特征、再模型、后评估。

4. 押题与答题节奏：把 90 分钟拆成四段来用

这类试卷的题量不算大，但综合分析题吃时间，节奏乱了后面方案题写不完。我的建议是按分值分配时间：简答题 40 分控制在 30 分钟内，每题 7 分钟左右，四个要点写完就停，不要恋战；文档向量题 20 分给 20 分钟，距离矩阵和质心各 10 分钟；车险方案题 30 分给 30 分钟，特征 12 分钟、模型 10 分钟、评估 8 分钟；留 10 分钟检查计算和补漏。

押题方向上，这份卷子的考点分布很有代表性：数据仓库部分必考视图和三种模式，数据预处理必考三种以上技术及作用，算法部分必考决策树框架或某种分类器流程，应用部分必考“给场景、列特征、选模型”这套组合。复习时按这四条主线各准备一段两百字左右的默写稿，考场上基本能直接套。

答题还有一个通用技巧：每道题的第一句话先给结论或定义，再展开。比如距离题第一句写“采用欧氏距离衡量文档相似性”，质心题第一句写“两簇分别为文档 1、2 和文档 3、4”，方案题第一句写“方案分为特征构建、模型选型、评估落地三部分”。阅卷是按点找关键词的，开头给结论等于把分数先钉住。

车险那题如果时间紧，优先保证特征列表写满三类，模型部分写“逻辑回归预测出险概率 + 回归模型预测赔付金额”的两阶段结构，评估部分一句话带过即可。反过来，如果特征只写两三条却花大篇幅讨论模型参数，分数反而低，因为这道题考的是数据思维不是调参。

最后说个血泪经验：我当年做文档向量题时图快，距离只算了组内没算组间，结果第二问分组依据写不出来，白白丢了过程分。从那以后我每次做聚类题都强制走一遍“先算全距离矩阵、再看分组、最后求质心”的流程，哪怕题目暗示了答案也照走。这套试卷的题都不难，难的是把每一步写全、写清楚。希望帮到你。

本文还有配套的精品资源，点击获取