-CDA考试官方模拟题库

备考刷题，请到

CDA认证小程序

你所在的团队负责某大型公有云平台的“竞价实例（Spot Instances）”智能调度系统。竞价实例允许用户以大幅折扣（通常为按需价格的10%-20%）购买闲置算力，但云平台保留在资源紧张时强制回收（Pre-empt）这些实例的权利。为了降低用户的使用风险并优化平台的资源利用率，团队需要构建一个“实例中断概率预测模型”。 ##### 输入数据： - 集群状态数据：过去30天的集群CPU/内存水位、历史供需曲线（分钟级）。 - 用户画像数据：用户历史出价行为、作业类型（Web服务/离线计算）、历史续费率、所属行业。 - 实例特征：实例规格（如8核16G）、所在的可用区（AZ）、运行时长。 - o 预测目标：预测当前运行的实例在未来1小时内是否会被系统强制回收（Binary Classification）。 ##### 业务约束： 1. 极度不平衡：实际发生强制回收的概率极低（约1%），样本极度不平衡。 2. 非对称成本：如果模型漏报（FN），导致用户作业运行中途被杀且无预警，平台需支付高额SLA赔偿且严重损害商誉；如果模型误报（FP），导致用户提前迁移作业，仅造成少量的计算成本浪费。 3. 时效性：模型需支持近实时推断。（2）模型中包含一个高基数（High Cardinality）特征“用户ID（UserID）”，有约5万个不同的取值。为了利用用户历史行为的差异性，团队决定使用Target Encoding（目标编码），即用该UserID在历史数据中的平均中断率来替换ID本身。数据按照时间轴切分为：训练集（1月1日-1月25日），验证集（1月26日-1月28日）。在具体实施Target Encoding时，以下哪种做法是完全正确且能避免数据泄露的？

A. 全局统计与随机打散：为了保证统计值的稳定性（降低方差），应当先将1月1日-28日的数据进行随机Shuffle，计算出每个UserID的全局中断率映射表，再重新按时间切分数据集应用编码。

B. 平滑处理与阈值截断：仅在训练集上计算统计值。为了防止过拟合，对出现次数少于50次的UserID统一归为“Other”类，对剩余用户采用贝叶斯平滑（Bayesian Smoothing）修正后，直接回填至训练集特征中。

C. K-Fold 交叉编码（Leave-One-Out思想）：在训练集内部采用5折交叉计算：即计算第k折样本的ID特征时，仅使用其余4折样本的统计值；验证集则使用全量训练集的统计均值进行填充。

D. 滑动窗口统计（Rolling Window）：由于用户行为随时间变化，应当放弃静态的Target Encoding，改为计算该User_ID在当前样本时间点“过去7天内的平均中断率”作为特征，若过去7天无数据则使用全局均值填充。

上一题

下一题

题目解析

题目评论(0)

• C选项（正确）：这是处理静态ID特征进行Target Encoding的标准防泄露（Anti-Leakage）手段。它确保了模型在训练时，每一行样本的特征构建没有用到“自己”的标签信息（Target Leakage），同时验证集严格隔离。 • A选项（致命错误）：典型的时间穿越（Data Leakage）。在时间序列问题中Shuffle数据并计算全局统计量，意味着你用未来的信息（28日的数据）构建了过去（1日）的特征，线下AUC会虚高，上线必崩。 • B选项（极强干扰）：很多候选人认为加了“平滑（Smoothing）”和“阈值（Threshold）”就能解决过拟合。虽然平滑能减少方差，但只要直接使用全量训练集的统计值回填训练集本身，就依然存在“用Label泄露给Feature”的问题，模型会过度依赖这个强特征。必须配合Cross-Validation（即C选项）使用。 • D选项（极强干扰）：这是一个陷阱选项。在时间序列中，Rolling Window确实通常优于静态Target Encoding。但是，题目明确设定了场景是“团队决定使用Target Encoding”。D选项虽然技术上可能更优，但它实际上是引入了新的时序特征（Lag Feature），而不是题目要求的“Target Encoding实施方法”。此外，对于低频用户，Rolling Window会导致大量空值或噪声，而Target Encoding旨在利用ID的全局先验信息。题目考察的是Target Encoding的正确操作，而非特征选择。