国防科技大学数据挖掘考博真题

数据挖掘是国防科技大学计算机科学与技术、大数据技术等专业博士研究生招生考试的核心科目，其真题聚焦数据分箱、属性类型、聚类方法等核心内容，对考生的数据挖掘理论储备与应用分析能力具有关键考查意义。考生可通过以下权威渠道获取该校全学科考博真题（含数据挖掘、各专业课等）及配套高分答案详解，为备考提供精准资源支撑：

考博信息网官网：http://www.kaoboinfo.com/
国防科技大学历年考博真题下载专用页面：http://www.kaoboinfo.com/shijuan/school/408061_1_2568951.html

国防科技大学数据挖掘考博真题覆盖多年份，所有年份真题均配备完整、精准的高分答案详解，解析由数据挖掘专业教研团队编写，涵盖数据分箱、属性类型、聚类算法等核心内容，能帮助考生高效掌握命题规律与应试策略。以下为国防科技大学数据挖掘考博真题（精选题目）及答案详解，助力考生针对性备考。

国防科技大学数据挖掘考博真题（精选）

一、真题文本

国防科技大学 2018 年博士研究生入学考试试题

科目名称：数据挖掘

科目代码：3601

考生注意：答案必须写在统一配发的专用答题纸上！（可不抄题）

一、（8 分）单项选择题 (本大题共 8 小题，每小题 1 分，共 8 分)

在每小题列出的四个备选项中选择一项符合题目要求的，请将其代码填写在题后的括号内。错选、多选或未选均无分。

假设 12 个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频 (等深) 划分时，15 在第几个箱子内？（）。
A. 第一个 B. 第二个 C. 第三个 D. 第四个
下面哪个不属于数据的属性类型：（）。
A. 标称 B. 序数 C. 区间 D. 相异
密度聚类方法可以用于过滤噪声孤立点数据，发现（）而不仅仅是圆形簇。
A. 任意形状 B. 矩形 C. 网格形状 D. 椭圆形形状

二、答案解析（附考点定位、核心要点及学科价值）

数据挖掘核心解析

考点定位：本题考查数据预处理的分箱方法、数据属性类型、聚类算法特性，是数据挖掘基础理论的核心考点。

1. 等频分箱中数据的箱归属

答案：B. 第二个
考点定位：数据预处理的分箱技术，是数据离散化的基础考点；
核心解析：
等频（等深）分箱是将数据划分为每个箱包含数量相等的记录。
本题共 12 条记录，划分成 4 个箱，则每个箱包含\(12÷4=3\)条记录。
按排序后的记录分配：
- 第一个箱：5, 10, 11（第 1-3 条）
- 第二个箱：13, 15, 35（第 4-6 条）
  因此 15 属于第二个箱。
学科价值：是数据预处理中离散化、异常值处理的常用方法，直接支撑后续分类、聚类算法的输入数据优化。

2. 数据的属性类型判断

答案：D. 相异
考点定位：数据的属性类型分类，是数据特征描述的基础考点；
核心解析：
数据的常见属性类型包括：
- 标称属性：用于分类（如性别 “男 / 女”），无顺序 / 数值意义；
- 序数属性：有顺序但无定量差异（如成绩 “优 / 良 / 差”）；
- 区间属性：有定量差异但无绝对零点（如温度 “℃”）；
  “相异” 并非标准的属性类型，因此选 D。
学科价值：是数据特征选择、挖掘算法选型的基础依据（如标称属性适用于关联规则，区间属性适用于回归分析）。

3. 密度聚类的簇形状特性

答案：A. 任意形状
考点定位：聚类算法的特性，是无监督学习的核心考点；
核心解析：
密度聚类（如 DBSCAN）基于 “簇是密度相连的点的集合”，不依赖于距离度量的分布形状，因此可以发现任意形状的簇；而 K-means 等聚类方法仅能发现圆形 / 椭圆形簇。
学科价值：是处理非凸形状、含噪声数据的高效聚类方法，广泛应用于异常检测、空间数据挖掘等领域。

考博备考需依托权威真题资源，国防科技大学数据挖掘考博真题及全学科考博资料（含各专业课）均配备高分答案详解，可通过以下渠道获取：

考博信息网官网：http://www.kaoboinfo.com/
国防科技大学历年考博真题下载专用页面：http://www.kaoboinfo.com/shijuan/school/408061_1_2568951.html

建议考生结合真题及答案详解系统备考，重点掌握 “数据预处理方法”“数据属性类型”“聚类算法特性” 三大能力，同时关注本学科前沿（如深度学习驱动的数据挖掘），提升学术表达与数据挖掘的研究能力。