### Python 数据分析与可视化期末考试题目 #### 一、单选题 1. 下列哪项不是数据可视化的常用工具？ A. Matplotlib B. Seaborn C. Pandas D. Plotly 2. 关于Logistic回归的说法错误的是： A. Logistic回归是一种用于分类的统计方法 B. 使用Sigmoid函数将线性组合转换成0到1之间的概率值[^1] C. Logistic回归可以直接处理多类别分类问题而不需任何修改 D. 损失函数通常采用交叉熵损失而非均方误差 3. NumPy数组`a=np.array([[1,3,5],[2,4,6],[3,5,7]])`，执行`print(a[0][2])`会输出什么结果？ A. 1 B. 3 C. 5 D. 报错 #### 二、填空题 1. 在Python中实现数据读取常用的库有__________和_________。 2. 对于给定的数据集，绘制直方图可以使用Matplotlib中的_______函数；如果要创建散点图，则应调用_____函数。 #### 三、编程题 1. **Logistic回归实现** 给定一组二维平面内的点作为训练样本，请编写代码完成如下任务： - 定义一个简单的logistic回归模型； - 计算并打印出当前权重下的预测准确率； - 利用梯度下降法更新权重直到收敛，并再次计算最终的预测准确率。 ```python import numpy as np from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression import matplotlib.pyplot as plt # 创建模拟数据集 X, y = make_classification(n_samples=100, n_features=2, n_redundant=0, random_state=42) # 将数据分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) def sigmoid(z): return 1 / (1 + np.exp(-z)) def predict_proba(X, w, b): z = np.dot(X, w) + b return sigmoid(z) def compute_accuracy(y_true, y_pred): correct_predictions = sum([int(pred == true) for pred, true in zip(y_pred >= 0.5, y_true)]) total_examples = len(y_true) accuracy = correct_predictions / total_examples * 100 return accuracy # 初始化参数 initial_w = np.zeros((X.shape[1],)) initial_b = 0. # 打印初始状态下的准确性 y_prob_initial = predict_proba(X_test, initial_w, initial_b) accuracy_before_training = compute_accuracy(y_test, y_prob_initial) print(f'Accuracy before training: {accuracy_before_training:.2f}%') # 构建逻辑斯蒂回归模型并拟合数据 model = LogisticRegression() model.fit(X_train, y_train) # 获取学习后的权重 trained_weights = model.coef_[0] trained_bias = model.intercept_ # 测试新学到的权重的表现 final_y_prob = predict_proba(X_test, trained_weights, trained_bias) accuracy_after_training = compute_accuracy(y_test, final_y_prob) print(f'Accuracy after training: {accuracy_after_training:.2f}%') ```