摘要：对于【数据库系统工程师】软考考试而言，试题无疑是最重要的学习资料之一。在软考备考过程中，吃透试题、掌握试题所考知识点、熟悉试题的出题思路，对我们提升分数的效果是最明显的，通过对试题的反复练习，还可以查漏补缺。今天，给大家带来【2017年5月 数据库系统工程师 上午题】部分试题的详解，一起来看看吧~



1、数据挖掘中分类的典型应用不包括(请作答此空 )。( )可以用于数据挖掘的分类任务。
A、 识别社交网络中的社团结构，即连接稠密的子网络
B、 根据现有的客户信息，分析潜在客户
C、 分析数据，以确定哪些贷款申请是安全的，哪些是有风险的
D、 根据以往病人的特征，对新来的病人进行诊断

答案:A
答题解析:

分类（classification ）：有指导的类别划分，在若干先验标准的指导下进行，效果好坏取决于标准选取的好坏。它找出描述并区分数据类或概念的模型（或函数），以便能够使用模型预测类标记未知的对象类。分类分析在数据挖掘中是一项比较重要的任务，目前在商业上应用最多。

识别社交网络中的社团结构，即连接稠密的子网络一般采用社区分析算法CNM。

2、数据挖掘中分类的典型应用不包括( )。(请作答此空)可以用于数据挖掘的分类任务。
A、 EM
B、 Apriori
C、 K-means
D、 SVM

答案:D
答题解析:

分类（classification ）：有指导的类别划分，在若干先验标准的指导下进行，效果好坏取决于标准选取的好坏。它找出描述并区分数据类或概念的模型（或函数），以便能够使用模型预测类标记未知的对象类。分类分析在数据挖掘中是一项比较重要的任务，目前在商业上应用最多。

识别社交网络中的社团结构，即连接稠密的子网络一般采用社区分析算法CNM。

EM算法是期望最大化 (Expectation
Maximization) 算法的简称，用于含有隐变量的情况下，概率模型参数的极大似然估计或极大后验估计。

Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。而且算法已经被广泛的应用到商业、网络安全等各个领域。

K-means（K均值）算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

3、在浏览器地址栏输入一个正确的网址后，本地主机将首先在( )中查询该网址对应的IP地址。
A、 本地DNS缓存
B、 本机hosts文件
C、 本地DNS服务器
D、 根域名服务器

答案:B
答题解析:

本地主机进行DNS解析的时候，查询次序为：

本机hosts文件→本地的DNS缓存→本地DNS服务器→将根域名服务器。

查看完整试题>>>