时间序列经过1阶差分后平稳，其自相关系数图p阶截尾, 偏自相关系数图q阶截尾,可以识别为（ ）。
【A.】MA(p)模型
【B.】ARIMA(p,1,q)模型
【C.】AR(p)模型
【D.】ARMA(p,q)模型
答案是：B
更新时间:2023/6/29 15:29:00
出自:国家开放大学大数据分析与挖掘技术
如图是某模型最小信息数值，根据结果可以选择最优模型是（ ）【A.】MA(1)
【B.】ARMA(1,1)
【C.】AR(1)
【D.】ARMA(0,1)
答案是：B
更新时间:2023/6/29 15:29:00
出自:国家开放大学大数据分析与挖掘技术
下列说法错误的是（ ）。
【A.】偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【B.】相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【C.】进
答案是：AD
更新时间:2023/6/29 15:29:00
出自:国家开放大学大数据分析与挖掘技术
下列说法正确的是（ ）。
【A.】偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【B.】相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【C.】
答案是：BC
更新时间:2023/6/29 15:29:00
出自:国家开放大学大数据分析与挖掘技术
确定ARMA模型p、q的过程即为模型的识别过程，也称ARMA模型的定阶。下列属于模型识别的方法是（ ）。
【A.】自相关系数
【B.】协方差矩阵
【C.】偏自相关系数图
【D.】最小信息准则
答案是：ACD
更新时间:2023/6/29 15:29:00
出自:国家开放大学大数据分析与挖掘技术
拖尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:29:00
出自:国家开放大学大数据分析与挖掘技术
自相关系数的是为给定中间观测值的条件下，观测值与前面某个间隔的观测值之间的相关系数。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
偏自相关系数的实质是使得残差的方差达到最小的k阶AR模型的第k项系数。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型一定一致。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
拖尾是指在自相关系数图或偏自相关系数图中的系数有指数型、正弦型或震荡型衰减的波动，并不会都落入置信区间内。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
截尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
截尾是指在自相关系数图或偏自相关系数图中的系数有指数型、正弦型或震荡型衰减的波动，并不会都落入置信区间内。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
确定ARMA模型p、q的过程即为模型的识别过程，也称ARMA模型的定阶。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
偏自相关系数的是为给定中间观测值的条件下，观测值与前面某个间隔的观测值之间的相关系数。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:28:00
出自:国家开放大学大数据分析与挖掘技术
Apriori算法的效率比FP-growth算法的效率低。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:27:00
出自:国家开放大学大数据分析与挖掘技术
下列关于Apriori算法和FP-growth算法的说法正确的是（ ）。
【A.】Apriori算法效率较低
【B.】Apriori算法效率较高
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
答案是：AD
更新时间:2023/6/29 15:27:00
出自:国家开放大学大数据分析与挖掘技术
下列关于Apriori算法和FP-growth算法的说法不正确的是（ ）。
【A.】Apriori算法效率较低
【B.】Apriori算法效率较高
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
答案是：BC
更新时间:2023/6/29 15:27:00
出自:国家开放大学大数据分析与挖掘技术
下列关于FP-growth算法的说法不正确的是（ ）。
【A.】FP-growth算法以一种自底向上的方式探索
【B.】FP-growth算法以一种自上而下的方式探索
【C.】FP-growth算法效率较低
【D.】FP-grow
答案是：BC
更新时间:2023/6/29 15:27:00
出自:国家开放大学大数据分析与挖掘技术
下列关于FP-growth算法的说法正确的是（ ）。
【A.】FP-growth算法以一种自底向上的方式探索
【B.】FP-growth算法以一种自上而下的方式探索
【C.】FP-growth算法效率较低
【D.】FP-growt
答案是：AD
更新时间:2023/6/29 15:27:00
出自:国家开放大学大数据分析与挖掘技术
支持度确定规则可以用于给定数据集的频繁程度。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:27:00
出自:国家开放大学大数据分析与挖掘技术
关联规则的强度可以用支持度和置信度度量。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:27:00
出自:国家开放大学大数据分析与挖掘技术
置信度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:26:00
出自:国家开放大学大数据分析与挖掘技术
关联规则是指形如X→Y的蕴含表达式，其中X和Y是不相交的项集。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:26:00
出自:国家开放大学大数据分析与挖掘技术
关联分析中，包含0个或多个项的集合被称为项集，若一个项集包含k项，则称其为k-项集。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:26:00
出自:国家开放大学大数据分析与挖掘技术
置信度确定规则可以用于给定数据集的频繁程度。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:26:00
出自:国家开放大学大数据分析与挖掘技术
持度计数是指包含特定项集的事务个数。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:26:00
出自:国家开放大学大数据分析与挖掘技术
先验原理指的是如果一个项集是频繁的，则它的所有子集也一定是频繁的。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:26:00
出自:国家开放大学大数据分析与挖掘技术
支持度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:26:00
出自:国家开放大学大数据分析与挖掘技术
支持度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
下列关于支持度和置信度的说法不正确的是（ ）。
【A.】置信度确定规则可以用于给定数据集的频繁程度
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X
答案是：AD
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
下列关于支持度和置信度的说法正确的是（ ）。
【A.】置信度确定规则可以用于给定数据集的频繁程度
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X的
答案是：BC
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
下列关于关联规则的说法正确的是（ ）。
【A.】关联规则的强度可以用支持度和置信度度量
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X的事务中出现
答案是：ABC
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
下列方法无法降低频繁项集的计算复杂度的是（ ）。
【A.】减少候选项集的数目
【B.】减少比较次数
【C.】增加候选项集的数目
【D.】增加比较次数
答案是：CD
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
下列方法可以降低频繁项集的计算复杂度的是（ ）。
【A.】减少候选项集的数目
【B.】减少比较次数
【C.】增加候选项集的数目
【D.】增加比较次数
答案是：AB
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
若关联规则为{牛奶，尿布}→{啤酒}:{牛奶，尿布，啤酒}，项集的支持度计数为2，而事务总数为5，则该项集的置信度为（ ）。
【A.】0.4
【B.】0.67
【C.】2
【D.】5
答案是：B
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
若关联规则为{牛奶，尿布}→{啤酒}:{牛奶，尿布，啤酒}，项集的支持度计数为2，而事务总数为5，则该项集的支持度为（ ）。
【A.】0.4
【B.】10
【C.】2
【D.】5
答案是：A
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
下列关于关联规则的说法不正确的是（ ）。
【A.】关联规则的强度可以用支持度和置信度度量
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X的事务中出
答案是：D
更新时间:2023/6/29 15:25:00
出自:国家开放大学大数据分析与挖掘技术
非参数相关系数计算方法较多，常见的主要有Spearman、Kendall.s tau-b和Hoeffding.s D相关系数等。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
常见的非参数相关系数计算方法有（ ）。
【A.】Spearman
【B.】Kendall.s tau-b
【C.】Hoeffding.s D
【D.】Pearson
答案是：ABC
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
下列不属于常见的非参数相关系数计算方法的是（ ）。
【A.】Spearman
【B.】Kendall.s tau-b
【C.】Hoeffding.s D
【D.】Pearson
答案是：D
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
点二列（点双列）相关分析适用于两列变量中一列是来自正态总体的定距或定比数据，另一列是二分类数据的情况。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
简单相关分析有时不能够真实地反映现象之间的关系
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
在进行相关分析时先剔除其对其他变量的影响，再研究变量之间的相关关系的方法称为偏相关分析。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
r的取值范围为[-1,1]，当r取值为1时，表示为完全正线性相关；当r=0时，表现为无线性相关，当r取值为-1时，表示为完全负线性相关。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
按相关因素（变量）的多少，可将相关关系分为单相关和复相关。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
按相关因素（变量）之间的相关方向，可将相关关系分为单相关和复相关。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
按相关因素（变量）的多少，相关关系又可分为正相关和负相关。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
r是两个变量之间线性关系的度量指标，但无法反映两个变量之间的因果关系。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
如果P值越小则相关系数越显著，越能说明总体数据之间存在显著关系。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
按相关因素（变量）之间的关系形态不同，相关关系可分为线性相关和非线性相关。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
r的数值的大小与x和y的计量尺度有关，改变x和y的数据的计量尺度会改变r的数值。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:24:00
出自:国家开放大学大数据分析与挖掘技术
r具有对称性，x与y之间的相关系数与y与x之间的相关系数相等。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:23:00
出自:国家开放大学大数据分析与挖掘技术
按相关因素（变量）之间的相关方向，相关关系又可分为正相关和负相关。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:23:00
出自:国家开放大学大数据分析与挖掘技术
如果P值越大则相关系数越显著，越能说明总体数据之间存在显著关系。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:23:00
出自:国家开放大学大数据分析与挖掘技术
r的数值的大小与x和y的计量尺度无关，改变x和y的数据的计量尺度，并不改变r的数值。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:23:00
出自:国家开放大学大数据分析与挖掘技术
Pearson相关系数是反映两个变量的线性相关程度，但它并不能够度量变量之间的非线性相关程度。
【A.】√
【B.】×
答案是：A
更新时间:2023/6/29 15:23:00
出自:国家开放大学大数据分析与挖掘技术
r是两个变量之间线性关系的度量指标，也可以反映两个变量之间的因果关系。
【A.】√
【B.】×
答案是：B
更新时间:2023/6/29 15:23:00
出自:国家开放大学大数据分析与挖掘技术
下列不属于按相关因素（变量）的多少将相关关系分类的是（ ）。
【A.】单相关
【B.】复相关
【C.】线性相关
【D.】非线性相关
答案是：CD
更新时间:2023/6/29 15:23:00
出自:国家开放大学大数据分析与挖掘技术 目前为： 6/9 页 首页 上页 下页 尾页