复试数据挖掘会考查考生对数据挖掘基础理论的掌握。这包括但不限于：
- 数据挖掘的基本概念（数据挖掘的定义、目标、任务）
- 数据挖掘的主要任务（分类、预测、聚类、关联规则挖掘等）
- 数据挖掘的流程与方法（CRISP-DM模型、SEMMA模型）
- 数据挖掘中的关键技术（决策树、支持向量机、神经网络、聚类算法等）
考生需要熟悉常见的数据挖掘算法，并能够理解其应用场景。以下为考查重点：
- 决策树算法（ID
3、C4.
5、CART）及其应用案例
- 支持向量机（SVM）的原理与应用
- 聚类算法（K-means、DBSCAN、层次聚类）及其在不同数据类型上的应用
- 关联规则挖掘（Apriori算法、FP-growth算法）及其在商业分析中的应用
数据挖掘前期的数据预处理和特征工程是关键步骤，以下为考查内容：
- 数据清洗（缺失值处理、异常值处理、噪声处理）
- 数据转换（标准化、归一化、离散化）
- 特征选择（过滤式、包裹式、嵌入式）与特征提取（主成分分析、因子分析）
考生需要了解如何评估数据挖掘模型的性能，并掌握优化方法：
- 评估指标（准确率、召回率、F1值、AUC值）
- 交叉验证与Bootstrap方法
- 模型优化策略（超参数调整、模型融合）
考生可能需要对实际数据挖掘案例进行分析，以下为考查要点：
- 数据挖掘在实际行业中的应用（金融、医疗、营销等）
- 案例分析（数据集描述、数据处理、模型选择与评估）
- 结论与建议（如何根据分析结果提出改进措施）
在准备复试数据挖掘时，考生应全面掌握上述考查内容，并通过阅读相关文献、参与实际项目等方式提升自己的实际应用能力和研究潜力。