数据挖掘期末复习题库（完整版：题目+答案+考点解析）
一、单项选择题（15道，必考基础考点）
-
常见的数据质量问题，不包括（ ）
A 噪声 B 异常点 C 缺失值 D 数据维度
答案：D
解析：核心考点：数据质量缺陷分类。标准数据质量问题包含噪声数据、异常离群点、属性缺失值、数据不一致、数据冗余；数据维度是数据集固有特征（特征/属性数量），不属于数据质量瑕疵。
-
常见的数据挖掘任务不包括（ ）
A 聚类分析 B 关联分析 C 预测分类 D 数据清洗
答案：D
解析 ：核心考点：数据挖掘全流程划分。聚类、关联规则挖掘、分类、回归、序列挖掘属于核心数据挖掘建模任务；数据清洗属于数据预处理环节，是挖掘前置步骤，不属于挖掘任务本身。
-
下列哪个不属于相似性度量（ ）
A 相关系数 B 余弦相似度 C Jaccard 系数 D 闵可夫斯基距离
答案：D
解析 ：核心考点：相似度/相异度区分。相关系数、余弦相似度、杰卡德系数为相似性指标 ：数值越大，样本相似度越高；闵可夫斯基距离、欧氏距离、曼哈顿距离为相异性（距离）指标：数值越小，样本相似度越高。
-
设 X={a, b, c, d, e, f} 是频繁项集，则可由 X 产生（ ）个候选关联规则
A 60 B 62 C 64 D 32
答案：B
解析 ：核心考点：关联规则数量计算公式。k项频繁项集生成非平凡关联规则公式：2k−22^k-22k−2；本题k=6，代入得26−2=622^6-2=6226−2=62；剔除前件为空、后件为空两种无效平凡规则。
-
簇评估的度量轮廓系数的取值范围是（ ）
A 0, 1 B -1, 1 C (0,1) D (-1,1)
答案：B
解析：核心考点：聚类轮廓系数指标。轮廓系数结合簇内紧凑度、簇间分离度，闭区间取值-1,1；数值趋近1：聚类效果最优；趋近0：簇边界重叠；趋近-1：样本聚类划分错误。
-
下面选项中 t 不是 s 的子序列的是（ ）
A s=<{2,4}, {3,5,6}, {8}> t=<{2}, {3,6}, {8}>
B s=<{2,4}, {3,6,8}, {8}> t=<{2}, {6,8}>
C s=<{1,2}, {3,4}> t=<{2}, {2,3}>
D s=<{2,4}, {2,4}> t=<{4}>
答案：C
解析：核心考点：序列挖掘子序列定义。时序子序列硬性规则：t每一个位置项集，必须为s对应位置项集子集；C选项t第二项{2,3}中元素2不属于s第二项{3,4}，不满足定义。
-
下列哪种方法或者模型不属于分类方法（ ）
A 神经网络 B 支持向量机 C 决策树 D DBSCAN
答案：D
解析：核心考点：监督/无监督算法区分。神经网络、SVM、决策树：监督学习分类算法；DBSCAN：密度型无监督聚类算法，无标签训练、不可用于分类预测。
-
DBSCAN 在最坏情况下的时间复杂度是（ ）（其中 n 为点的个数）
A O(n2)O(n^2)O(n2) B O(n)O(n)O(n) C O(logn)O(\log n)O(logn) D O(nlogn)O(n\log n)O(nlogn)
答案：A
解析 ：核心考点：聚类算法时间复杂度。无空间索引（R树、KD树）优化时，DBSCAN遍历全部点两两计算距离，最坏复杂度O(n2)O(n^2)O(n2)；搭载空间索引后优化为O(nlogn)O(n\log n)O(nlogn)。
-
对于一颗决策树，若某个叶节点包含训练样本的数目为正类 8 个，负类 0 个，则这个叶节点的熵为（ ）
A 0 B 0.5 C 1 D 不确定
答案：A
解析 ：核心考点：信息熵计算公式。熵公式：H=−∑pilog2piH = -\sum p_i \log_2 p_iH=−∑pilog2pi；节点样本纯度越高，熵值越低；节点全为同一类别时，类别占比p=1，熵=0，代表样本纯度最高。
-
关于 Adaboost 算法，下列说法不正确的为（ ）
A 模型的权重和为 1 B 增加错误分类样本的权重
C 是一种集成算法 D 样本权重的和为 1
答案：A
解析：核心考点：AdaBoost集成算法原理。AdaBoost规则：①属于串行集成学习；②迭代提升误分样本权重；③每轮样本权重归一化、总和固定为1；④基学习器投票权重无和为1约束。
-
Scikit-learn 包提供了用于数据挖掘的各种模型 M，下列说法错误的是（ ）
A `M.fit()`通常用于确定模型中的参数
B `M.predict()`用于新样本数据的预测
C `M.score()`用于计算预测准确度
D `M.predict()`通常需要传入测试集及其标签
答案：D
解析：核心考点：sklearnAPI语法。fit()：训练模型拟合参数；predict()：仅输入特征X，输出预测标签，无需真实y标签；score()：输入特征+真实标签，自动计算模型准确率。
-
在决策树中不纯度度量包括（ ）
A 基尼系数 B 熵 C 分类误差 D 以上都是
答案：D
解析：核心考点：决策树划分指标。三类标准不纯度度量：信息熵（ID3算法）、基尼系数（CART算法）、分类错误率；数值越大，节点样本混杂度越高。
-
数据离散化方法不包括（ ）
A 等宽离散化 B 等频离散化 C K 均值离散化 D 方差离散化
答案：D
解析：核心考点：连续属性离散化。常用合法方法：等宽分箱、等频分箱、K-means聚类离散化、监督卡方离散化；方差离散化为杜撰非标准方法。
-
被分类模型正确预测的负样本数用（ ）表示
A FN B TP C FP D TN
答案：D
解析：核心考点：混淆矩阵基础定义。TP：真正例；TN：真负例（预测、真实均为负）；FP：假正例；FN：假负例。
-
以下关于分类和回归的说法中，错误的是（ ）
A 分类和回归都属于监督学习
B 决策树既可以用于分类也可以用于回归
C 分类和回归的评估均可使用均方误差（MSE）作为标准
D 分类和回归的区别在于输出变量的类型：分类输出离散值，回归输出连续值
答案：C
解析：核心考点：监督学习任务对比。MSE均方误差专属回归任务损失/评估指标；分类任务标准指标：准确率、召回率、F1、AUC，不使用MSE作为官方评估标准。
二、简述题（高频简答题，考试默写考点）
1. 叙述 DBSCAN 聚类的 5 个步骤
标准答案：
-
初始化超参数：设定邻域半径ε、邻域最小样本点数MinPts；
-
遍历全部数据集，计算每一个数据点ε-邻域内包含的样本数量；
-
完成三类样本划分：核心点（邻域点数≥MinPts）、边界点（邻域点数<MinPts，依附核心点邻域）、噪声点（既非核心点、也非边界点）；
-
密度连通聚类：距离小于ε的核心点互相连通，合并生成同一个密度聚类簇；
-
簇分配：边界点划归对应连通核心点所属簇，噪声点不归属任意聚类簇，直接舍弃。
考点解析：DBSCAN密度聚类核心流程，区分核心/边界/噪声点为采分关键点，无迭代更新、无需预设聚类个数。
2.（1）简述数据不平衡的概念及其对模型的影响；（2）简述处理数据不平衡的方法
标准答案：
（1）概念+负面影响：
概念：数据不平衡指分类任务中各类别样本数量差异悬殊，分为多数类、少数类。
负面影响：模型偏向拟合多数类，整体准确率虚高，少数类分类指标变差，模型泛化能力下降。
（2）标准解决方法：
①数据层面：少数类SMOTE合成过采样、多数类随机欠采样；
②算法层面：代价敏感学习，加大少数类错分惩罚权重；
③模型层面：平衡集成学习（BalancedBagging）；
④评估层面：舍弃准确率，使用F1、G-mean、AUC作为评价指标。
考点解析：工业+考试双热点，故障检测、风控场景高频考点，四点方法答满即可拿满分。
三、计算题（大题必考，步骤给分，标准答题格式）
计算题1：朴素贝叶斯分类预测
- 给定数据集如下，假设属性 A，B 相互独立，且 A 的取值为 {1,2,3}，B 的取值为 {S, M, L}，Y 为类别。使用朴素贝叶斯方法预测测试样本（A=2, B=S）的类别标签。
题干：给定数据集（15个样本），属性 A ∈ {1,2,3}，B ∈ {S,M,L}，Y ∈ {-1,1}。使用朴素贝叶斯预测测试样本 (A=2, B=S) 的类别。
| A | 1 | 1 | 1 | 1 | 1 | 2 | 2 | 2 | 2 | 2 | 3 | 3 | 3 | 3 | 3 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| B | S | M | M | S | S | S | M | L | L | L | M | M | L | L | L |
| Y | -1 | -1 | 1 | 1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 |
极简版答案：
步骤1：求类别先验概率
总样本15个，Y=-1共5个，Y=1共10个
P(Y=−1)=515=13P(Y=-1)=\frac{5}{15}=\frac{1}{3}P(Y=−1)=155=31，P(Y=1)=1015=23P(Y=1)=\frac{10}{15}=\frac{2}{3}P(Y=1)=1510=32
步骤2：求条件概率（朴素贝叶斯：属性相互独立）
① Y=-1（5条样本）：P(A=2∣Y=−1)=15，P(B=S∣Y=−1)=35P(A=2|Y=-1)=\frac{1}{5}，P(B=S|Y=-1)=\frac{3}{5}P(A=2∣Y=−1)=51，P(B=S∣Y=−1)=53
② Y=1（10条样本）：P(A=2∣Y=1)=410=25，P(B=S∣Y=1)=210=15P(A=2|Y=1)=\frac{4}{10}=\frac{2}{5}，P(B=S|Y=1)=\frac{2}{10}=\frac{1}{5}P(A=2∣Y=1)=104=52，P(B=S∣Y=1)=102=51
步骤3：计算联合后验概率（分数运算）
P(−1总)=13×15×35=375=125P(-1总)=\frac{1}{3} \times \frac{1}{5} \times \frac{3}{5}=\frac{3}{75}=\frac{1}{25}P(−1总)=31×51×53=753=251
P(1总)=23×25×15=475P(1总)=\frac{2}{3} \times \frac{2}{5} \times \frac{1}{5}=\frac{4}{75}P(1总)=32×52×51=754
步骤4：对比判定
475>125\frac{4}{75} > \frac{1}{25}754>251，因此预测类别：Y=1
✅逐个数样本推导（超详细，看懂来源）
步骤1：先统计总样本分类（对照题干表格）
全部15条样本：
标签Y=-1：一共5条 ；标签Y=1：一共10条
步骤2：拆分条件概率（逐条查表计数）
① 限定Y=-1（仅5条负样本）：
5条负样本：A取值：1、1、1、1、2 → A=2 仅有1个
得：P(A=2∣Y=−1)=15P(A=2|Y=-1)=\frac{1}{5}P(A=2∣Y=−1)=51
5条负样本：B取值：S、M、M、S、S → B=S 有3个
得：P(B=S∣Y=−1)=35P(B=S|Y=-1)=\frac{3}{5}P(B=S∣Y=−1)=53
② 限定Y=1（仅10条正样本）：
10条正样本：A取值：1、2、2、2、2、3、3、3、3、3 → A=2 有4个
得：P(A=2∣Y=1)=410=25P(A=2|Y=1)=\frac{4}{10}=\frac{2}{5}P(A=2∣Y=1)=104=52
10条正样本：B取值：M、L、L、L、M、M、L、L、L、S → B=S 有2个
得：P(B=S∣Y=1)=210=15P(B=S|Y=1)=\frac{2}{10}=\frac{1}{5}P(B=S∣Y=1)=102=51
步骤3：联合概率分数运算（约分全过程）
P(Y=−1)P(A=2,B=S∣Y=−1)=13×15×35=375=125P(Y=-1)P(A=2,B=S|Y=-1)=\frac{1}{3} \times \frac{1}{5} \times \frac{3}{5}=\frac{3}{75}=\boldsymbol{\frac{1}{25}}P(Y=−1)P(A=2,B=S∣Y=−1)=31×51×53=753=251
P(Y=1)P(A=2,B=S∣Y=1)=23×25×15=475P(Y=1)P(A=2,B=S|Y=1)=\frac{2}{3} \times \frac{2}{5} \times \frac{1}{5}=\boldsymbol{\frac{4}{75}}P(Y=1)P(A=2,B=S∣Y=1)=32×52×51=754
步骤4：通分对比大小
125=375\frac{1}{25}=\frac{3}{75}251=753 ，475>375\frac{4}{75} > \frac{3}{75}754>753
预测类别：Y=1
计算题2：逻辑斯蒂回归预测
- 假设 reg 是类
LogisticRegression的一个实例并用于二分类（0 或者 1），经过拟合之后，得到reg.coef_ = [-0.05, 0.67, 0.11]，reg.intercept_ = -0.39，其中reg.coef_对应属性(x1,x2,x3)(x_1,x_2,x_3)(x1,x2,x3)的系数，设类别为 Y。写出逻辑斯蒂回归方程，并计算(x1,x2,x3)=(3.3,−3.5,1.1)(x_1,x_2,x_3)=(3.3,-3.5,1.1)(x1,x2,x3)=(3.3,−3.5,1.1)对应的类别。
题干 ：回归参数`reg.coef_ = -0.05, 0.67, 0.11`，`reg.intercept_ = -0.39`，属性为(x1,x2,x3)(x_1,x_2,x_3)(x1,x2,x3)，写出方程并预测样本(3.3, -3.5, 1.1)类别。
标准答案+步骤解析：
步骤1：逻辑斯蒂回归标准公式
P(Y=1∣X)=11+exp(−(w1x1+w2x2+w3x3+b))P(Y=1 \mid X) = \frac{1}{1+\exp\left(-(w_1x_1 + w_2x_2 + w_3x_3 + b)\right)}P(Y=1∣X)=1+exp(−(w1x1+w2x2+w3x3+b))1
步骤2：代入参数构建方程
P(Y=1∣X)=11+exp(−(−0.05x1+0.67x2+0.11x3−0.39))P(Y=1 \mid X) = \frac{1}{1+\exp\left(-(-0.05x_1 + 0.67x_2 + 0.11x_3 - 0.39)\right)}P(Y=1∣X)=1+exp(−(−0.05x1+0.67x2+0.11x3−0.39))1
步骤3：代入样本计算线性项z
z = -0.05×3.3 + 0.67×(-3.5) + 0.11×1.1 - 0.39 = -2.779
步骤4：计算概率、判定类别
P=11+e2.779≈0.0583<0.5P = \frac{1}{1+e^{2.779}} \approx 0.0583 < 0.5P=1+e2.7791≈0.0583<0.5，阈值0.5划分，预测类别：0
计算题3：基尼系数+决策树划分（大题压轴）
- 给定如下训练样本集，使用基尼系数作为不纯度度量，计算：
（1）整个训练样本集关于类属性的基尼系数；
（2）a1a_1a1为序数型属性，如何二元划分a1a_1a1信息增益最大，画出此时对应的决策树（高度为 1）；
（3）对于连续属性a2a_2a2，划分点为 3.8 时的信息增益。
| 实例 | a₁ | a₂ | 目标类 |
|---|---|---|---|
| 1 | 高 | 1.0 | + |
| 2 | 低 | 6.0 | + |
| 3 | 低 | 5.0 | - |
| 4 | 中 | 4.0 | + |
| 5 | 中 | 5.0 | - |
| 6 | 高 | 2.3 | - |
| 7 | 中 | 3.0 | + |
标准答案+考点解析
（1）全局数据集基尼系数（纯分数、无小数）
总样本7个，正类4个，负类3个
Gini=1−(47)2−(37)2=1−1649−949=2449Gini = 1 - \left(\frac{4}{7}\right)^2 - \left(\frac{3}{7}\right)^2 =1-\frac{16}{49}-\frac{9}{49}=\boldsymbol{\frac{24}{49}}Gini=1−(74)2−(73)2=1−4916−499=4924
（2）有序属性a₁最优二元划分【超详细溯源+全分数计算】
✅前提规则：a₁为有序离散属性：低＜中＜高 ，课本硬性规定：有序属性划分不允许跨区间切割，仅允许3种合法二分方案，排除跨序无效划分：
合法方案1：{低} VS {中，高} （本题最优）
合法方案2：{低，中} VS {高}
无效方案：{低，高} VS {中}（跨顺序，直接舍去）
✅第一步：统计方案1【{低} VS {中,高}】样本、标签（查表逐个数）
①左子集：a₁=低，样本2、3 → 共2个样本：1正、1负
②右子集：a₁=中/高，样本1、4、5、6、7 → 共5个样本：3正、2负
✅第二步：左右子集基尼系数纯分数计算（基尼公式：Gini=1−∑pi2Gini=1-\sum p_i^2Gini=1−∑pi2）
左子集（2样本：1正1负）：
Gini左=1−(12)2−(12)2=1−14−14=12Gini_左=1-\left(\frac{1}{2}\right)^2-\left(\frac{1}{2}\right)^2=1-\frac{1}{4}-\frac{1}{4}=\boldsymbol{\frac{1}{2}}Gini左=1−(21)2−(21)2=1−41−41=21
右子集（5样本：3正2负）：
Gini右=1−(35)2−(25)2=1−925−425=1225Gini_右=1-\left(\frac{3}{5}\right)^2-\left(\frac{2}{5}\right)^2=1-\frac{9}{25}-\frac{4}{25}=\boldsymbol{\frac{12}{25}}Gini右=1−(53)2−(52)2=1−259−254=2512
✅第三步：加权基尼系数计算（权重=子集样本数/总样本7）
Gini加权=27×12+57×1225=17+1235=535+1235=1735Gini_{加权}=\frac{2}{7}\times\frac{1}{2}+\frac{5}{7}\times\frac{12}{25}=\frac{1}{7}+\frac{12}{35}=\frac{5}{35}+\frac{12}{35}=\boldsymbol{\frac{17}{35}}Gini加权=72×21+75×2512=71+3512=355+3512=3517
✅第四步：为什么这是最优划分？（核心考点）
方案2加权基尼同样为1735\frac{17}{35}3517，信息增益一致；
有序属性两种划分增益相等，任选其一即可，课本标准答案固定选取：{低} VS {中、高}
信息增益：2449−1735=120−119245=1245\frac{24}{49}-\frac{17}{35}=\frac{120-119}{245}=\boldsymbol{\frac{1}{245}}4924−3517=245120−119=2451
（3）连续属性a₂（划分点3.8）信息增益【全分数+逐样本拆解】
✅划分规则：a₂≤3.8 、 a₂>3.8，对照表格筛选样本：
①左子集a₂≤3.8：实例1(1.0)、6(2.3)、7(3.0) → 共3样本：2正、1负
②右子集a₂>3.8：实例2、3、4、5 → 共4样本：2正、2负
✅子集基尼完整计算：
左子集基尼：Gini左=1−(23)2−(13)2=1−49−19=49Gini_左=1-\left(\frac{2}{3}\right)^2-\left(\frac{1}{3}\right)^2=1-\frac{4}{9}-\frac{1}{9}=\boldsymbol{\frac{4}{9}}Gini左=1−(32)2−(31)2=1−94−91=94
右子集基尼：Gini右=1−(24)2−(24)2=1−14−14=12Gini_右=1-\left(\frac{2}{4}\right)^2-\left(\frac{2}{4}\right)^2=1-\frac{1}{4}-\frac{1}{4}=\boldsymbol{\frac{1}{2}}Gini右=1−(42)2−(42)2=1−41−41=21
✅加权基尼、信息增益纯分数运算：
Gini加权=37×49+47×12=1263+1463=2663Gini_{加权}=\frac{3}{7}\times\frac{4}{9}+\frac{4}{7}\times\frac{1}{2}=\frac{12}{63}+\frac{14}{63}=\boldsymbol{\frac{26}{63}}Gini加权=73×94+74×21=6312+6314=6326
信息增益=2449−2663=72−52147=2147信息增益=\frac{24}{49}-\frac{26}{63}=\frac{72-52}{147}=\boldsymbol{\frac{2}{147}}信息增益=4924−6326=14772−52=1472
计算题4：ROC曲线+AUC计算
- 下表给出了一个二分类问题的分类模型M1M_1M1，表格中给出的是把模型应用到数据集上得到的后验概率（表中为正类的概率），XXX为属性向量。
题干+完整答案 ：模型预测概率、真实标签给定，完成TPR/FPR点位、ROC坐标、AUC数值计算；
核心结果：ROC特征点：(0,0), (0,0.25), (0,0.5), (0,0.75), (0.25,0.75), (0.25,1), (0.5,1), (0.75,1), (1,1)；
AUC=0.9375AUC=0.9375AUC=0.9375；
解析 ：AUC采用正例排名法计算，为考试标准口算公式，数值越高模型分类性能越优。
计算题5：哈希树支持度计数（不考）
标准答案 ：事务T共6项，枚举全部C(6,3)=20组3-项集；按照哈希函数h(p)=(p−1) mod 3h(p)=(p-1)\bmod 3h(p)=(p−1)mod3逐层匹配哈希树分支，匹配叶节点桶内候选集即可完成支持度+1；无树结构图时枚举全部20组三项集即为满分答案。
计算题6：GBDT梯度提升树回归
- 梯度提升算法（GBDT）的流程如下图所示，对于下表中给定的数据集，使用梯度提升树对yyy进行拟合（即属性为xxx，回归目标为yyy），写出最终的拟合函数。
- 要求：(1) 使用决策树桩（高度为 1 的决策树）；(2) 损失函数LLL使用误差平方和；(3) 学习率α=0.1\alpha=0.1α=0.1；(4) M=2M=2M=2
| 序号 | xxx | yyy |
|---|---|---|
| 1 | 5 | 2 |
| 2 | 7 | 3.2 |
| 3 | 10 | 4 |
| 4 | 15 | 6 |
算法流程（GBDT）
输入：训练数据T=(x1,y1),...,(xN,yN), xi∈Rn,yi∈RT={(x_1,y_1),\dots,(x_N,y_N)},\ x_i\in R^n,y_i\in RT=(x1,y1),...,(xN,yN), xi∈Rn,yi∈R
输出：提升树f^(x)\hat{f}(x)f^(x)
(1) 初始化 f0(x)=argminc∑i=1NL(yi,c)f_0(x)=\arg\min_{c}\sum_{i=1}^N L(y_i,c)f0(x)=argminc∑i=1NL(yi,c)
(2) 对 m=1,2,3,...,Mm=1,2,3,\dots,Mm=1,2,3,...,M
(a) 对 i=1,2,...,Ni=1,2,\dots,Ni=1,2,...,N，计算 rmi=−∂L(yi,f(xi))∂f(x)∣f(x)=fm−1(x)r_{mi}=-\left.\frac{\partial L(y_i,f(x_i))}{\partial f(x)}\right|{f(x)=f{m-1}(x)}rmi=−∂f(x)∂L(yi,f(xi)) f(x)=fm−1(x)
(b) 对 rmir_{mi}rmi 拟合一棵回归树，得到第mmm棵树，其叶节点记为 Rmj,j=1,2,...,JR_{mj},j=1,2,\dots,JRmj,j=1,2,...,J
(c) 对 j=1,2,...,Jj=1,2,\dots,Jj=1,2,...,J，计算 cmj=argminc∑xi∈RmjL(yi,fm−1(xi)+c)c_{mj}=\arg\min_{c}\sum_{x_i\in R_{mj}} L(y_i,f_{m-1}(x_i)+c)cmj=argminc∑xi∈RmjL(yi,fm−1(xi)+c)
(d) 更新 fm(x)=fm−1(x)+α∑j=1Jcmj⋅δ(x∈Rmj)f_m(x)=f_{m-1}(x)+\alpha\sum_{j=1}^J c_{mj}\cdot\delta(x\in R_{mj})fm(x)=fm−1(x)+α∑j=1Jcmj⋅δ(x∈Rmj)，其中α\alphaα为学习率
(3) 得到回归树 f^(x)=f0(x)+α∑m=1M∑j=1Jcmj⋅δ(x∈Rmj)\hat{f}(x)=f_0(x)+\alpha\sum_{m=1}^M\sum_{j=1}^J c_{mj}\cdot\delta(x\in R_{mj})f^(x)=f0(x)+α∑m=1M∑j=1Jcmj⋅δ(x∈Rmj)
核心答案汇总 ：初始化基准值f0=3.8；两轮迭代训练深度1决策树桩，学习率0.1；
最终拟合模型：
f^(x)={3.6607,x≤12.54.218,x>12.5\hat{f}(x) = \begin{cases}3.6607, & x \le 12.5 \\4.218, & x > 12.5\end{cases}f^(x)={3.6607,4.218,x≤12.5x>12.5
解析：GBDT核心：拟合残差、迭代更新模型、学习率缩放叶节点权重，为本课程集成学习大题必考模板。
考前背诵提示 ：选择刷题熟记对错+解析概念；简述题直接默写标准答案；计算题套用固定公式、按步骤书写即可拿步骤分，无需额外拓展。
（注：文档部分内容可能由 AI 生成）