31. 已知 iris 資料集前 3 筆資料如下圖所示：

 請問下列的 R 語言指令選項中，何者可完成以下散佈圖矩陣？

(A) pairs(iris)
(B) pairs[iris]
(C) pairs(iris[-5])
(D) pairs[iris(-5)]

32. 關於關聯型態探勘的特點，下列敘述何者「不正確」？ (A) 關聯型態探勘所得到的結果，因為可以直接進行應用，所以廣受歡迎 (B) 關聯型態分析容易從隨機的型態中妄下虛假的結論 (C) 關聯型態探勘符合資料探勘挖掘資料庫中無預期知識的理念 (D) 關聯型態探勘的分析方法對於小資料集的用處不大

33. 下列何種方法通常應用在集群（clustering）問題？ (A) 支援向量機（support vector machine） (B) 隨機森林（random forest） (C) k 近鄰法（k nearest neighbors） (D) k 平均數（k-means）

34. 關於 k 平均數（k-means）與噪訊偵測之空間密度集群算法 （Density-Based Spatial Clustering of Applications with Noise, DBSCAN），下列敘述何者「不正確」？ (A) 兩者都是集群分析 (B) k-means 基於距離的概念，而 DBSCAN 基於密度的概念 (C) 兩者都需要事先告知分群的數量 (D) k-means 集群結果易受離群值的影響

35. 關於傳統「階層式集群法（hierarchical cluster analysis）」，下列敘述何 者「不正確」？ (A) 常利用聚合法（agglomerative approach）和分裂法（divisive approach）產生所需的階層結構 (B) 將彼此相似度高的較小群集合併成較大的群集，或者將較大群集 進行分離 (C) 利用資料點間密度的關係來分群 (D) 利用樹狀結構圖表示群集彼此關係之分群法

36. 關於「關聯規則（association rule）」，下列敘述何者「不正確」？ (A) 關聯規則可以從商品交易中找出隱含的購買規則 (B) 支持度（support）是衡量前提項目（antecedent item）與結果項目 （consequent item）一起出現的機率 (C) 信賴度（confidence）是衡量前提項目發生情況下，結果項目發生 的條件機率 (D) 增益率（lift）是衡量信賴度與前提項目單獨發生時二者機率比值

37. 關於 k 平均數（k-means）集群分析，下列敘述何者正確？ (A) 適合解決非球形或數據密度變化大的集群問題 (B) 演算法算法只要收斂，保證可以獲得最佳的集群結果 (C) 事前不需要估算資料中有多少集群存在，即能執行算法 (D) 不如其它集群演算法精細縝密，但在許多真實的情境下，能將集群的任務處理得足夠好

38. 屬性轉換（feature transformation）與資料縮減（data reduction）屬於資料前處理（data preprocessing）的重要工作，下列敘述何者正確？ (A) 樹狀模型、最小絕對值縮減和選擇算子（Least Absolute Shrinkage and Selection Operator, LASSO ）、 多變量適應 性雲形迴歸 （Multivariate Adaptive Regression Splines, MARS）等算法內嵌有 變數選擇機制的方法，對於預測變數中的雜訊，或是無訊息力的 變數等較不敏感 (B) 偏最小平方法（Partial Least Squares, PLS）是非監督式的屬性萃取 （feature extraction） (C) 最有效的變數編碼取決於數學技巧，無關於領域知識 (D) 資料前處理的需求都一樣，與後續建模所選用的模型種類無關

39. 屬性萃取（feature extraction）是指將原始資料的屬性進行結合，以產生新的代理變數（surrogate variables），下列常用的降維（Dimension Reduction）方法何者「不屬於」屬性萃取的方式？ (A) 非負矩陣分解（non-negative matrix factorization） (B) 因子分析（factor analysis） (C) 集群（clustering） (D) 類神經網絡之自動編碼器（auto-encoders）

40. 關於非監督式學習（unsupervised learning），下列敘述何者「不正確」？ (A) 線性可加模型（General Additive Models, GAM）、效能提升模型 （Boosting）與支援向量機（Support Vector Machine, SVM）等屬 於非監督式學習的範疇 (B) 研究是否預測變數（predictors）X1, X2, . . . , Xp 之間存在有趣的 型態 (C) 研究是否能以具訊息力的方式視覺化資料背後的結構與關係 (D) 能發現變數間或觀測值間的子群體

41. 梯度陡降法（gradient descent）是機器學習中常使用的參數估計方法，可透過修正步距（step size）alpha 來調整整體收斂的速度，請問若 alpha 過大時，會導致下列何種狀況發生？ (A) 太快收斂 (B) 收斂速度過慢 (C) 無法收斂 (D) 以上皆有可能發生

113年 - 113-1 巨量資料分析師能力鑑定初級試題：資料處理與分析概論#122978

112年 - 112 初級巨量資料分析師能力鑑定考試02：資料處理與分析概論#116824

111年 - [非官方正解]111 巨量資料分析師能力鑑定考試02：資料處理與分析概論#114287

110年 - 110-1 初級巨量資料分析師能力鑑定考試02：資料處理與分析概論#119175

110年 - [非官方正解]110-2 初級巨量資料分析師能力鑑定考試02：資料處理與分析概論#119174

109年 - 109-2 初級巨量資料分析師能力鑑定試題：資料處理與分析概論#119179

109年 - 109 初級巨量資料分析師能力鑑定試題：資料處理與分析概論#119176

108年 - 108 初級巨量資料分析師能力鑑定試題：資料處理與分析概論#119181