数据挖掘考试复习资料

合集下载

防灾科技学院数据挖掘期末考试复习资料

防灾科技学院数据挖掘期末考试复习资料数据挖掘考点总结版本号2.0.0.1第⼀章介绍1. 数据挖掘的定义Hand等⼈200年给了简明定义：数据挖掘就是从⼤型数据集合⾥挖掘出有⽤的信息。

还有⼀个定义来源于⼀家信息技术研究公司——加特那集团：数据挖掘是从⼤量的存储数据⾥进⾏筛选，采⽤模式识别技术以及统计和数学技巧，发现有意义的新的相互关系、模式以及趋势的过程。

2. 数据挖掘处于统计学和机器学习（也称⼈⼯智能）领域的交叉点上。

3. 经典统计学的两个核⼼难点——计算复杂、数据稀少。

4. DarylPregibon把数据挖掘描述为“建⽴在规模和速度上的统计学”。

有⼈把这⼀说法推⼴：数据挖掘是“建⽴在规模、速度和简单化上的统计学”。

5. 过度拟合过度拟合指的是现有样本跟⼀个模型拟合太过，以⾄于模型不仅描述数据的根本特性，⽽且也描述了其随机特性。

按⼯程上的术语指这个模型不光是拟合信号，还拟合噪声。

6. 算法算法指的是⽤于实现某⼀数据挖掘技术——如分类树、辨识分析等的特定程序。

7. 有约束学习有约束学习指的是⽤已有记录得到算法（逻辑回归、回归树等）的过程。

8. ⽆约束学习⽆约束学习指的是⼈们试图从数据中了解⼀些东西的分析，⽽不是预测感兴趣的输出值（例如输出结果是否属于某个聚类）。

9. 或许挖动数据挖掘发展的最重要的因素是数据的增长。

10. 数据仓库——⼀个把企业的决策系统结合在⼀起的⼤型综合数据存储系统。

11. 计算能⼒⽅⾯的持续迅速的改进是数据挖掘发展的⼀个基本动⼒。

12. ⼤数据的特征：数据量⼤、种类多、读取速率快、价值密度⼩第⼆章数据挖掘过程概览1. 数据挖掘的⼀项基本任务就是⽤类别已知的数据找出规则，然后把这些规则⽤在未进⾏分类的数据上。

2. 预测和分类相似，差别在于我们是预测⼀个变量的数值，⽽不是⼀个类别。

当然，在分类时我们试图去预测⼀个类别，⽽“预测”（在本书）是指预测⼀个连续变量的数值。

3. 各数据挖掘技术之间的⼀个基本区别在于是否采⽤了有约束学习⽅法。

数据仓库与数据挖掘技术复习资料

数据仓库与数据挖掘技术复习资料一、单项选择题1.数据挖掘技术包括三个主要的部分（ C ）A．数据、模型、技术 B．算法、技术、领域知识C．数据、建模能力、算法与技术 D．建模能力、算法与技术、领域知识2.关于基本数据的元数据是指: ( D )A.基本元数据与数据源,数据仓库,数据集市和应用程序等结构相关的信息；B.基本元数据包括与企业相关的管理方面的数据和信息；C.基本元数据包括日志文件和简历执行处理的时序调度信息；D.基本元数据包括关于装载和更新处理,分析处理以及管理方面的信息。

3.关于OLAP和OLTP的说法,下列不正确的是: ( A)A．OLAP事务量大,但事务内容比较简单且重复率高B．OLAP的最终数据来源与OLTP不一样C．OLTP面对的是决策人员和高层管理人员D．OLTP以应用为核心，是应用驱动的4．将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？( C )A. 频繁模式挖掘B. 分类和预测C. 数据预处理D. 数据流挖掘5．下面哪种不属于数据预处理的方法？ ( D )A.变量代换B.离散化C. 聚集D. 估计遗漏值6.在ID3 算法中信息增益是指（ D ）A.信息的溢出程度B.信息的增加效益C.熵增加的程度最大D.熵减少的程度最大7.以下哪个算法是基于规则的分类器 ( A )A. C4.5B. KNNC. BayesD. ANN8.以下哪项关于决策树的说法是错误的（ C ）A．冗余属性不会对决策树的准确率造成不利的影响B．子树可能在决策树中重复多次C．决策树算法对于噪声的干扰非常敏感D．寻找最佳决策树是NP完全问题9.假设收入属性的最小与最大分别是10000和90000，现在想把当前值30000映射到区间[0,1],若采用最大－最小数据规范方法，计算结果是（ A ）A. 0.25B. 0.375C.0.125D. 0.510.在抽样方法中，当合适的样本容量很难确定时，可以使用的抽样方法是：( D )A.有放回的简单随机抽样B.无放回的简单随机抽样C.分层抽样D.渐进抽样11.当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？( B)A. 分类B.聚类C. 关联分析D. 隐马尔可夫链12.设X={1，2，3}是频繁项集，则可由X产生( C )个关联规则。

数据挖掘复习资料

第1章数据挖掘概述 (1)第2章数据采集集成与预处理技术 (3)第3章多维数据分析与组织 (7)第4章预测模型研究与应用 (9)第5章关联规则模型及应用 (12)第6章聚类分析方法与应用 (13)第7章粗糙集方法与应用 (14)第八章 (15)第九章 (16)第十章 (16)第十一章 (17)第1章数据挖掘概述数据仓库（Data Warehouse, DW）属于一种高层管理的新型数据库技术。

数据仓库通常是一个面向主题的、集成的、相对稳定的、反映历史变化的数据的集合，用以支持经营管理中的决策制定过程。

1.1.2 数据挖掘的定义与解释数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

1.2 数据仓库系统的相关技术数据仓库系统中主要包括：数据仓库、数据挖掘、联机分析处理、KDD和相关的数据集成、数据标准化、数据仓库建模技术、数据挖掘技术与方法、数据集市、可视化技术、自然语言解释、人机交互、知识发现与知识推理、网络集成技术等研究内容。

1.4.2 数据挖掘的相关技术与工具数据挖掘的相关技术预测技术人工智能技术关联规则技术决策树技术聚类分析技术统计分析方法粗糙集技术知识获取、知识表示、知识推理和知识搜索技术进化计算技术决策与控制理论灰色系统技术可视化技术模糊逻辑技术并行计算技术和海量存储1.4.3 数据挖掘应用及发展针对特定领域的应用，人们开发了许多专用的数据挖掘工具，包括天文学、生物医学、医疗保健、DNA分析、银行、金融、零售业和电信业等。

评价数据挖掘工具的标准产生模式种类的数量解决复杂问题的能力扩展性和与其他产品的接口并行计算数据存取能力数据处理能力模型算法多样性和完备性自动建模能力易操作性和可视化技术第2章数据采集集成与预处理技术2.1 数据采集的对象1.时序数据所谓时间序列类型数据就是按照时间先后顺序排列各个观测记录的数据集。

数据挖掘考试重点复习

1.了解商务智能的定义与大数据的四个基本特征；答：商务智能是企业利用数据仓库DW、数据挖掘DM、在线分析处理OLAP、决策支持系统DSS等现代信息技术对企业生产、经营过程中产生的大量结构化和非结构化数据进行收集、整理、分析;形成知识或情报;以辅助企业做出正确的决策、采取有效的商务行动、优化商务流程、全面提升商务绩效的工具、方法和技术的统称..大数据特征： 4个V2.理解商务智能系统的5层结构商务智能系统结构大致分为五层:①数据源层：也可称作操作型数据层;是整个数据仓库的基础;提供了整个系统最原始的数据②数据获取层：也可称作数据转换层;主要是把数据源层的数据通过ETCL过程转换到数据仓库中③数据存取层：该层是按主题进行分析和对相关的数据进行挖掘的数据源;包括每一个按主题进行分类的数据集市或专门用于数据挖掘的数据仓库④数据分析服务层：该层是数据存储和前端分析工具的桥梁⑤前端展现层：用户界面3.理解操作型与分析型系统分离的必要性以及他们的特征4.理解维度爆炸给数据挖掘带来的困难数据过高的维度会给计算带来麻烦;在数据挖掘处理时;它会耗费很多的处理时间和内存容量..数据的高维度还使得数据间的关系也不容易察觉;增加了数据的无关属性和噪音点..5.掌握数据仓库的定义并理解其四个方面的特征数据仓库是决策支持系统和联机分析应用数据源的结构化数据环境..数据仓库研究和解决从数据库中获取信息的问题..数据仓库是为支持管理决策建立的;面向主题的、集成的、随时间变化的、相对稳定的数据集合..滔注：我觉得写括号里的会好一点四方面特征：①面向主题：主题是指用户使用数据仓库进行决策时所关心的重点忙面..②集成性：在数据进入数据仓库之前;要进过统一于综合;将多个异源数据集成在一起..这一步是数据仓库建设中最关键、最复杂的一步..③时变性：数据仓库随时间变化不断增加新的数据..④相对稳定性：数据仓库反映的是历史的内容;而不是联机数据;主要供企业决策分析之用..6.掌握数据挖掘的定义并描述其主要特征数据挖掘定义从大量的、不完全的、有噪声的、模糊的、随机的数据中;提取隐含在其中的、人们事先不知道的、但又是潜在的有用的信息和知识的过程..数据挖掘是从大量数据中寻找其规律的技术..主要步骤1数据准备：从各种数据源中选取和集成用于数据挖掘的数据；2规律寻找：用某种方法将数据中的规律找出来；3规律表示：用尽可能符合用户习惯的方式将找出的规律表示出来..7.掌握Minkowski距离;并熟练计算l1;l2;l无穷normL1norm当r=1;城市街区也称曼哈顿、出租车、L1范数距离；L2norm当r=2;欧几里得距离；L∞norm当r=∞;上确界距离;这是对象属性之间的最大距离..8.理解Hunt’s算法的基本过程通过将训练记录相继划分成较纯的子集;以递归方式建立决策树..设Dt是与节点t相关联的训练记录集;而Y={ y1;y2;…;y c}是类标号;Hunt算法的递归定义如下:1如果Dt中所有记录都属于同一个类yt;则t是叶节点;用yt标记..2如果Dt中包含属于多个类的记录;则选择一个属性测试条件;将记录划分成较小的子集..对于测试条件的每个输出;创建一个子女节点;并根据测试结果将Dt中的记录分布到子女节点中..然后;对于每个子女节点;递归地调用该算法..9.掌握吉尼系数、熵的定义;会计算其最大值与最小值;理解信息增益在构造决策树时的意义基尼系数、熵是度量不纯度的方法GINI系数和熵都是越小;代表所分的节点属性越纯;最小可取到0;表示这个节点中只有一个类..当一个节点中有n个父节点;而且能分出n个子节点;GINI系数取到最n 滔注：那个2是角标;不是log2n 大值;为1-1/n. 熵也取到最大值 log2基尼值的性质：越大越不纯;越小越纯;0最纯;1-1/n最不纯..b.子节点基尼值c.最大值、最小值最小值表示最纯;最大值表示最不纯熵在信息领域熵被用来衡量一个随机变量出现的期望值..熵是对信息的不确定性的度量..熵越低;意味着传输的信息越少..熵的性质：熵是衡量节点一致性的函数..熵大于等于0;当且仅当p1=p2=……pn时;熵最大;纯的节点熵是0.信息增益当选择熵作为公式的不纯性度量时;熵的差就是所谓的信息增益..信息增益描述了当使用Q进行编码时;再使用P进行编码的差异..通常P代表样本或观察值的分布;也有可能是精确计算的理论分布..Q 代表一种理论;模型;描述或者对P的近似..当纯度高达1时即只有一种数据类型;熵最小;为0；当其中的各类数据均匀分布时;熵最大;为-log2pj|t..10.理解了解最邻近分类的基本思想;邻近分类的前提条件与分类过程近邻分类法是基于类比学习;即通过将给定的检验元组与和它相似的训练元组进行比较来学习..训练元组用n个属性描述..每个元祖代表n维空间的一个点..这样;所有的训练元组都存放在n维模式空间中..当给定一个未知元组时;近邻分类法搜索模式空间;找出最接近未知元组的k个训练元组..这k个训练元组是未知元组的k个“最近邻”..一句话概述：点x的k-最近邻分类就是离点x的欧式距离最近的k个点的集合..三个前提条件：训练集存在内存中；给定距离度量指标；给定K值分类过程：1 计算未知点与其他训练集的距离2找到K个最邻近的邻近组3用邻近组的分类标签来决定未知点所在组的标签..11.了解分类中的过拟合及产生的原因过度拟合数据当决策树变大时;测试误差会越来越小;而训练误差会越来越大;测试集产生的决策树与实际会不符..产生的原因（1）噪声导致的过分拟合（2）决策树的复杂程度超过了需要的程度;会产生过度拟合（3）训练误差的减小已经对结果没有更多意义但却依然在计算;会产生过度拟合（4）没有更多的属性来减小样本误差;会产生过度拟合12.理解关联规则及支持与置信度的定义;并熟练计算支持度与置信度关联规则关联规则是形如X→Y的蕴涵式;其中;X和Y都是事务数据集..关联规则的强度可以用它的支持度和置信度度量..支持度Support事务数据库中既包含X又包含Y某个项集的事务占事务总数的比例；置信度Confidence在所有包含X的事务中包含Y的事务所占比例.. 13.理解Apriori性质及其意义Apriori如果一个项集是频繁的;那么它的所有子集都是频繁的..相反;如果一个项集是非频繁的;则它的所有超集也一定是非频繁的..意义利用该性质;通过减少搜索空间;来提高频繁项集逐层产生的效率..14.理解FP-Growth算法克服了Apriori算法的那些不足1.减少了扫描数据库的次数;只用扫描两次2.候选项变少;不会产生那么大的候选项集15.给定一个交易数据库与支持度阈值;能熟练运用Apriori算法与FP-Growth算法挖掘频繁项集Apriori算法计算频繁项集步骤1、第一次扫描;列出一项集;并计数..2、去除低于阈值的项集;组合出二项集;扫描计数..3、重复步骤2;依次组合出N项集;直至项集计数小于阈值;结束..注意Apriori定义：如果一个项集是非频繁的;则它的所有超集也一定是非频繁的..所以在组合项集时一定要注意;新组合出的项集不应包含已经被“淘汰”的项集..FP-Growth算法计算频繁项集步骤一、扫描一次数据集;确定每个项的支持度计数..丢弃非频繁项;将频繁项按照支持度的递减排序;生成频繁项集头表..注意事项：1、降序排列..2、MinSup的存在步骤二、第二次扫描投影;按照{f;c;a;b;m;p}的顺序逐条对应写出剔除非频繁项后的频繁集;注意：{f;c;a;b;m;p}的顺序确定后就不在变动;这在下面的步骤中起关键作用步骤三、并开始构建FP树..按照事务ID号的顺序;将处理好的频繁项集映射创建FP树;并在对应节点计数..步骤四、构建每个对象的条件模式基;建议从频率低的节点开始..注意：不要忘了f对应的{}..步骤五、列出下表;对照MinSup剔除低于阈值的项..步骤六、针对每一项建立条件FP树..下面用m项作例子;如下..步骤七、找出频繁项集..16.理解关联规则产生时所采取的优化策略老师说直接距离就可以比如;L = {A;B;C;D}:cABC→ D≥ cAB→ CD ≥ cA→ BCD为什么分子不变;都是ABCD;分母越来越大17.理解K-means算法的内容并讨论该算法之不足K-means K均值算法流程1、随机选择K个对象;每个对象代表一个簇的初始均值或中心2、对剩余的每个对象;根据它与簇均值的距离;将他指派到最相似的簇..3、计算每个簇的新均值4、回到步骤2;循环;直到准则函数收敛..不足之处1、只有当簇均值有定义的情况下;K-means方法才能够使用..2、用户必须首先给定簇数目3、不适合发现非凸形状的簇;或者大小差别很大的簇..4、对噪声和离群点数据敏感..18.理解凝聚聚类算法的基本过程;并分析算法时间与空间复杂度步骤：1计算距离矩阵2 让每个数据点成为一个群集3;循环开始4; 合并两个距离最近的群集5; 更新距离矩阵6;直到只剩下一个群集时间复杂度：N2倍空间复杂度：N3倍19.理解DBSCAN算法将待聚类的点分为哪几类;分解解释之三类：中心点：中心点领域范围内的点的个数≥临界值MinPts边界点：边界点领域范围内的点个数小于临界值;但是它在中心点邻域范围的边界上..噪音点：既不是中心点又不是边界点的点..噪音点领域范围内的点个数小于临界点..20.理解DBSCAN算法的思想及它克服了K-means算法的哪些不足基于密度的聚类只要一个区域中的点的密度大于某个域值;就把它加到与之相近的聚类中去..克服基于距离的算法只能发现“类圆形”的聚类的缺点;可发现任意形状的聚类;且对噪声不敏感..但是;其计算密度短语的计算复杂度大;需要建立空间索引来降低计算量;且对数据维数的伸缩性较差..DBSCAN Density-Based Spatial Clustering of Applications with Noise具有噪声的基于密度的聚类应用..算法步骤1、通过检查数据集中每个对象的ε-邻域可以理解为半径来寻找聚类2、如果一个点P的ε-邻域包含多于MinPts最少包含点数个对象;则创建一个P作为核心对象的新簇..3、反复地寻找从这个核心对象直接密度可达的对象;这个过程可能涉及一些密度可达簇的合并..4、当没有新的点可以被添加到任何簇时;过程结束..评价1、适合发现任意形状的簇..2、易于发现噪声..3、无需设置K 值..4、需要输入ε、MinPts..对照着14题理解两种算法21.理解SSE指标对聚类的意义..SSE即Sum of Squared Error ;错误的平方和..意义1、SSE可以很好的用于比较两个聚类或两个簇..2、也可以用于估计簇的数目..观察增加K即簇的数目即可降低SSE..。

数据挖掘考试复习资料

数据挖掘考试复习资料一、名词解释1、数据仓库：面向主题的、集成的、非易失的、是随时间变化的数据集合，用来支持管理决策.2、聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类3、数据挖掘：从大量的数据中挖掘那些令人感兴趣的、有用的、隐含的、先前未知的和可能有用的模式或知识4、人工神经网络：人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。

在工程与学术界也常直接简称为神经网络或类神经网络.5、文本挖掘：文本数据挖掘（Text Mining）是指从文本数据中抽取有价值的信息和知识的计算机处理技术6、OLAP：又称联机分析处理，是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业为特性的信息进行快速、一致、交互地存取,从而获得对数据的更深入了解的一类软件技术。

定义1：OLAP是针对特定问题的联机数据访问和分析。

通过对信息（维数据)的多种可能的观察形式进行快速、稳定一致和交互性的存取，允许管理决策人员对数据进行深入地观察。

定义2：OLAP是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业“维”特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。

)7、概念描述：就是对目标类对象的内涵进行描述,并概括这类对象的有关特征.特征化：提供给定数据汇集的简洁汇总比较：提供两个或多个数据汇集的比较描述8、信息熵：在信息论中，熵被用来衡量一个随机变量出现的期望值.它代表了在被接收之前，信号传输过程中损失的信息量，又被称为信息熵。

信息熵也称信源熵、平均自信息量。

二、简答题1、数据仓库和传统数据库的区别和联系是什么?（1）区别:数据仓库和数据库是不同的概念数据仓库是一个综合的解决方案，而数据库只是一个现成的产品。

数据仓库需要一个功能十分强大的数据库引擎来驱动，它更偏向于工程。

数据挖掘复习资料

1、数据挖掘定义：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取出隐含在其中的、人们事先不知道、但又是潜在有用的信息和知识的过程。

2、数据仓库定义：数据仓库是面向主题的、集成的、不可更新却又随时间不断变化的数据集合，用以支持经营管理中的决策制定过程。

3、数据仓库与数据挖掘的关系：1）数据仓库系统的数据可以作为数据挖掘的数据源。

2）数据挖掘的数据源不一定必须是数据仓库系统4、数据挖掘的功能：概念描述，关联分析，分类与预测，聚类分析，趋势分析，孤立点分析，偏差分析。

5、数据挖掘的过程：P10图1-26、数据仓库的基本特征：1）数据仓库的数据是面向主题的；2）数据仓库的数据是集成的；3）数据仓库的数据时不可更新的；4）数据仓库的数据时随时间不断变化的。

7、主题的概念：主题是一个抽象的概念，是在较高层次上将企业信息系统中的数据综合、归类并进行分析利用的对象。

面向主题的组织方式，就是在较高层次上对分析对象的数据的一个完整、一致的描述，能完整、统一的刻画各个分析对象所涉及的企业的各项数据，以及数据之间的联系。

8、对数据仓库基本特征的理解：数据仓库是面向主题的，面向主题性表示数据仓库中数据组织的基本原则，数据仓库中所有的数据都是围绕某一主题组织、展开的。

数据仓库的数据是集成的，数据仓库的数据时从原有的分散的数据库、数据文件和数据段中抽取来的，数据来源可能既有内部数据又有外部数据，因此，在数据进入数据仓库之前，必然要经过转换、统一和综合。

这一步是数据仓库建设中最关键最复杂的一步，要进行统一数据源，综合和计算两步，统一数据源包括命名规则，编码，数据特征，度量单位的统一。

数据仓库是不可更新的，数据仓库的数据主要提供企业决策分析之用，不是用来进行日常操作的，一般只保存过去的数据，而且不是随着数据源的变化实时更新，数据仓库中的数据一般不再修改。

9、数据仓库数据分为四个级别：早期细节级，当前细节级，轻度综合级和高度综合级。

数据挖掘考试题库完整

一、名词解释1. 数据仓库：是一种新的数据处理体系结构 .是面向主题的、集成的、不可更新的(稳定性)、随时间不断变化 (不同时间)的数据集合.为企业决策支持系统提供所需的集成信息。

2. 孤立点：指数据库中包含的一些与数据的一般行为或模型不一致的异常数据。

3. OLAP：OLAP 是在OLTP 的基础上发展起来的.以数据仓库为基础的数据分析处理 .是共享多维信息的快速分析.是被专门设计用于支持复杂的分析操作 .侧重对分析人员和高层管理人员的决策支持。

4. 粒度：指数据仓库的数据单位中保存数据细化或综合程度的级别。

粒度影响存放在数据仓库中的数据量的大小 .同时影响数据仓库所能回答查询问题的细节程度。

5. 数据规范化：指将数据按比例缩放(如更换大单位).使之落入一个特定的区域(如 0－1) 以提高数据挖掘效率的方法。

规范化的常用方法有：最大－最小规范化、零－均值规范化、小数定标规范化。

6. 关联知识：是反映一个事件和其他事件之间依赖或相互关联的知识。

如果两项或多项属性之间存在关联.那么其中一项的属性值就可以依据其他属性值进行预测。

7. 数据挖掘：从大量的、不完全的、有噪声的、模糊的、随机的数据中.提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

8. OLTP：OLTP 为联机事务处理的缩写.OLAP 是联机分析处理的缩写。

前者是以数据库为基础的.面对的是操作人员和低层管理人员 .对基本数据进行查询和增、删、改等处理。

9. ROLAP：是基于关系数据库存储方式的 .在这种结构中.多维数据被映像成二维关系表.通常采用星型或雪花型架构.由一个事实表和多个维度表构成。

10. MOLAP：是基于类似于“超立方”块的OLAP 存储结构.由许多经压缩的、类似于多维数组的对象构成.并带有高度压缩的索引及指针结构 .通过直接偏移计算进行存取。

11. 数据归约：缩小数据的取值范围.使其更适合于数据挖掘算法的需要 .并且能够得到和原始数据相同的分析结果。

数据挖掘复习知识点整理

数据挖掘：是从大量数据中发现有趣(非平庸的、隐含的、先前未知、潜在实用)模式，这些数据可以存放在数据库，数据仓库或者其他信息存储中。

挖掘流程：(1)学习应用域(2)目标数据创建集(3)数据清洗和预处理(4)数据规约和转换(5)选择数据挖掘函数(总结、分类、回归、关联、分类) (6)选择挖掘算法(7)找寻兴趣度模式(8)模式评估和知识展示(9)使用挖掘的知识概念/类描述：一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过 (1) 数据特征化：目标类数据的普通特性或者特征的汇总； (2) 数据区分：将目标类数据的普通特性与一个或者多个可比较类进行比较； (3)数据特征化和比较来得到。

关联分析：发现关联规则，这些规则展示属性-值频繁地在给定数据集中一起浮现的条件，通常要满足最小支持度阈值和最小置信度阈值。

分类：找出能够描述和区分数据类或者概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。

导出模型的算法：决策树、神经网络、贝叶斯、(遗传、粗糙集、含糊集)。

预测：建立连续值函数模型，预测空缺的或者不知道的数值数据集。

孤立点：与数据的普通行为或者模型不一致的数据对象。

聚类：分析数据对象，而不考虑已知的类标记。

训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或者分组，从而产生类标号。

第二章数据仓库数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。

从一个或者多个数据源采集信息，存放在一个一致的模式下，并且通常驻留在单个站点。

数据仓库通过数据清理、变换、继承、装入和定期刷新过程来构造。

面向主题：排除无用数据，提供特定主题的简明视图。

集成的：多个异构数据源。

时变的：从历史角度提供信息，隐含时间信息。

非易失的：和操作数据的分离，只提供初始装入和访问。

联机事务处理OLTP：主要任务是执行联机事务和查询处理。

联系分析处理OLAP：数据仓库系统在数据分析和决策方面为用户或者‘知识工人’提供服务。

大学数据挖掘课程考试复习材料

一.1. 数据处理与数据分为'操作型'和'分析型'处理与数据. 2. 操作型数据: 细节的, 存取瞬间准确，可更新，操作需求事先可知，生命周期符合SDLC,性能要求高，操作单元，事务驱动,面向应用,支持日常操作. 分析型数据:综合的,代表过去数据,不更新,操作需求事先不可知，完全不同的生命周期，要求宽松，操作集合，分析驱动，面向分析，支持管理需求. 3. 数据组织结构:高度综合级，轻度综合级，当前细节级，早期细节级. 4. 数据组织形式:简单堆积文件，轮转综合文件，简化直接文件，连续文件. 5. 数据挖掘七个步骤:数据清理，数据集成，数据选择，数据变换，数据挖掘，模式评估，知识表示. 6. 数据挖掘系统的主要成分:1 数据库，数据仓库或其他信息库 2 数据库或数据仓库效劳器 3 知识库4数据挖掘引擎 5 模式评估模块6图形用户界面.7 数据挖掘功能: 用于指定数据挖掘任务中要找的模式类型. 8. 数据挖掘任务分为两类:描述和预测.9. 概念/类描述方法:数据特征化，数据区分，数据特征化与比拟. 10 .关联分析发现关联规那么，适用于事务数据分析.关联规那么分为:多维/单维关联规那么. 11. 粒度越大，表示细节程度越低，综合程度越高. 12. 数据仓库定义: 数据仓库是一个面向主题的，集成的，不可更新且随时间不断变化的数据集合，用来支持管理人员的决策. 二.1. 数据立方体由位和事实定义. 维是关于一个组织想要记录的透视或实体;事实是数值的度量. 2. 多维数据模型模式分类: 星型模式，雪花模式，事实星座模式[ 维表，事实表]. 3.度量根据所用的聚焦函数分成三类:分布的度量，代数的度量，整体的度量. 4. 多维数据模型上的OLAP操作：上卷，下钻，切片，切块，转轴，钻过，钻透.5.数据仓库设计的四种视图:1 自顶向下视图2数据源视图 3 数据仓库视图4商务查询视图. 6. 数据仓库通常采用三层结构：底层：数据仓库效劳器中层：OLAP效劳器顶层：前端工具.7. OLAP效劳器类型：关系OLAP(ROLAP效劳器；多维OLAP(MOLAP效劳器；混合OLAP(HOLAP效劳器；特殊的SQL效劳器. 8. ROLAP：关系数据库技术; 响应慢; 数据装载快; 存储消耗小; 维数无限制; 通过SQL 实现存储；维护困难；无文件大小控制.MOLAP专为OLAP设计；性能好，反响快；数据装载快；需进行预计算，无法支持维变化；缺乏模型，访问标准，管理简便；受操作系统文件大小控制. *ROLAP不支持有关预计算读写操作，无法多行计算，无法维间计算• *MOLAP支持高性能决策支持计算；跨维计算，多用户读写操作. 9. 数据仓库设计步骤：1 选取待建模的高务处理 2 选取高务处理的粒度 3 选取用于每个事实表记录的维 4 选取安放在事实表中的度量三 1. 数据质量问题：1 噪声数据2空缺数据3不一致数据4重复5维度高 2. 噪声处理方法：1 分箱2聚类3回归 3. 预处理的根本方法：数据清理，数据集成，数据变量，数据归约 4. 数据选取的参考原那么：1 尽可能赋予属性名和属性值的明确含义2同意多数据源的属性值编码 3 去掉唯一的属性4取出重复属性5去除可以忽略字段6合理选择关联字段 5. 分箱的4种方法：统一权重，统一区间，最小熵，用户自定义区间 6. 数据平滑方法：按箱平均值平滑，按箱中值平滑，按箱便捷平滑7. 数据集成涉及问题：模式集成，数据冗余，数据值冲突8. 数据交换涉及内容：平滑，聚集，数据概化，标准化，属性构造. 9. 数据归约的策略：维归约，数据压缩，数值压缩，离散化和概念分层生成10. 属性子集选择的根本启发式方法包含的技术：1 逐步向前选择 2 逐步向后删除 3 向前选择和向后删除的结合 4 判定树归纳11. 压缩技术：有损(分为小波变换(分为DWT/DFT /主要成分分析PCA /无损12.数值归约：有参方法/无参方法13. 空缺值处理方法：1 忽略元组2人工填写空缺值3使用一个全局常量填充空缺值4使用属性的平局值填充空缺值5使用与给定元组属同一类的所有样本的平均值6使用最可能的值填充空缺值14.抽样：1简单项选择取n个样本，不回放2简单项选择择n个样本，回放3聚类抽样4分层抽样15. 概念分层方法： 1 分箱2直方图分析3聚类分析 4 基于熵的离散化4通过自然划分分段四.1. 数据挖掘语言分类：1 数据挖掘查询语言DMQL2 数据挖掘建模语言PMML3 通用数据挖掘语言 2. 数据挖掘任务的原语：1 任务相关数据原语2要挖掘的知识种类原语3背景知识原语4兴趣度测量原语5被发现模式的表示和可视原语3. 任务相关数据包括：1 数据库与数据仓库名称2数据立方3数据选择条件4相关属性或维5 数据分组条件 4. 背景知识概念分层的主要类型:1 模式层次 2 集合分组分层 3 基于操作层次 4 基于规那么分层 5. 兴趣度度量特点: 简洁性, 确定性, 实用性, 新颖性 6. 兴趣度的分类: 客观兴趣度〔数据驱动〕, 主观兴趣度〔用户驱动〕 7. 数据挖掘系统的结构设计耦合模式: 不耦合,松散耦合,半紧密耦合,紧密耦合8. 挖掘的知识类型:1 特征化2区分3关联4分类/ 预测 5 聚类五六. 1. 从数据分析角度，数据挖掘分为：描述性，预测性 2. 概念描述基本方法：多层概念，汇总，特征化，比拟根本技术：表，图表，图，规那么 3. 类比拟的步骤：数据收集，维相关分析，同步概化，导出比拟的表示 4. 关联规那么挖掘的两个过程： 1 找出频繁项集 2 由频繁项集产生强关联规那么 5. 关联规那么根本分类方法：1 按管理规那么处理的变量类别：布尔型和量化性 2 按关联规那么中数据的抽象层次：单层/多层关联规那么 3 按关联规那么中所涉及的变量数目：单维/ 多维关联规那么 4 按关联规那么的各种扩充，关联规那么可扩充到相关分析，以识别项是否相关 6. 多层关联规那么的主要挖掘方法：1 对于所有层使用一致的最小支持度2 在较低层使用递减的最小支持度 3 逐层独立 4 层交叉单项过滤 5 层交叉K-项集过滤七.1.分类与预测是两种数据分析形式•分类是预测分类标号〔离散性〕；预测是建立连续函数模型. 2. 数据分类步骤:1 学习,用分类算法分析训练数据2分类, 测试数据用于评估分类规那么的准确率. 3. 分类与预测的标准和评估:预测的准确率,速度,强壮度,可伸缩性,可解释性. 4. 常用分类方法:1 决策树归纳2贝叶斯信念网络 3 贝叶斯分类4神经网络5. 预测的方法:1 线性回归2 多元回归3 非线性回归4 广义线性模型*预测步骤:1. 问题的理解与提出 2. 数据准备2.1 变量选择 2.2 数据清洗 2.3 变量转化 2.4 可视化 3.1 神经网络 3.2 决策树3.3 关联规那么3.4 其他模型4结果评价与解释〔回1〕 6. 评估分类法准确性的方法:1 保持方法2 k- 交叉确认方法八.1 基于内存的聚类算法通常采用的数据结构:〔1〕数据矩阵:对象—变量结构〔二模矩阵〕〔2〕相异度矩阵:对象—结构〔单模矩阵〕 2. 对聚类质量/相异度估计评估方法:1 区间标度变量2二元变量3标称变量4比例标度型变量5混合类型的变量 3. 簇间距离度量标准:最短/ 最长/ 中间/平均距离 4. 典型的聚类过程:1 数据准备 2 特征提取 3 聚类 4 聚类结果评估5. 聚类方法的主要分类:1 划分方法2 层次方法3 基于密度的方法4 基于网络的方法5 基于模型的方法 6. 孤立点分析的主要方法:1 统计学方法2基于距离的方法3基于偏差的方法7. 划分方法:1 全局最优2启发式方法〔K- 均值,K- 中心点〕 8. 层次方法:1 凝聚方法〔自底向上方法〕2 分裂方法〔自顶向下〕9.复杂类型数据挖掘包括:1复杂对象2空间数据3多媒体数据4文本数据5WEB数据。

数据挖掘课程复习提纲资料

数据挖掘课程复习提纲（4+0 ）有关考试题型：一、选择题（每题2 分，共16 分）二、判断题（每题1 分，共10 分）三、填空题（每空1 分，共19 分）四、简答题（每题5 分，共15 分）五、计算题（每题10 分，共40 分）基本要求：掌握数据预处理、分类、聚类、关联分析、离群点检测的基本方法，及每类方法的应用场景（每类方法理解、熟悉一个例子）。

算法重点掌握k-means 、一趟聚类、Appriori及基于密度的离群点检测方法；掌握决策树分类（C4.5、CART）、KNN 分类的基本思想，基于聚类的离群点检测方法的思想。

第一章绪论1 数据挖掘的定义技术层面：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中、人们事先不知道的、但又潜在有用的信息和知识的过程。

商业层面：数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。

2 数据挖掘的任务预测任务：根据其它属性的值预测特定（目标）属性的值，如回归、分类、异常检测。

描述任务：寻找概括数据中潜在联系的模式，如关联分析、聚类分析、序列模式挖掘。

聚类（Clustering）分析“物以类聚，人以群分”。

聚类分析技术试图找出数据集中数据的共性和差异，并将具有共性的对象聚合在相应的簇中。

聚类分析可以帮助判断哪些组合更有意义，聚类分析已广泛应用于客户细分、定向营销、信息检索等领域。

分类（Classification）分析分类分析就是通过分析示例数据库中的数据，为每个类别做出准确的描述，或建立分析模型，或挖掘出分类规则，然后用这个分类模型或规则对数据库中的其它记录进行分类。

分类分析已广泛应用于用户行为分析（受众分析）、风险分析、生物科学等领域。

聚类与分类的区别聚类问题是无指导的：没有预先定义的类。

分类问题是有指导的：预先定义有类。

关联(Association) 分析关联分析是发现特征之间的相互依赖关系，通常是在给定的数据集中发现频繁出现的模式知识(又称为关联规则)。

数据挖掘期末复习整理

50.监督学习（185）：分类器的学习在被告知每个训练元组属于哪个类的“监督”下进行。
51.无监督学习（185）：又称为“聚类”，每个训练元组的类标号是未知的，并且要学习的类的个数或集合也可能事先不知道。
52.如何评价学习算法（187）：从以下几个方面评价：准确率、速度、鲁棒性、可升缩性、可解释性。
2.决策树（P189）:信息增益（192）例6-1；增益率（184）例6-2；
3.贝叶斯分类（P200）;贝叶斯定理（201）；朴素贝叶斯分类（202）；例6-4 P203
四．综合
1.数据挖掘产生的背景
答：随着信息科技的进步以及电子化时代的到来，人们以更快捷、更容易、更廉价的方式获取和存储数据，使得数据及信息量以指数方式增长。据粗略估计，一个中等规模企业每天要产生100MB以上的商业数据。而电信、银行、大型零售业每天产生的数量以TB来计算。人们搜集的数据越来越多，剧增的数据背后隐藏着许多重要的信息，人们希望对其进行更高层次的分析，以便更好的利用这些数据。先前的数据库系统可以高效的实现数据的录入、查询、统计等功能，但无法发现数据背后隐藏的知识手段。导致了“数据爆炸但知识贫乏”的现象。于是人们开始提出“要学会选择、提取、抛弃信息”，并且开始考虑：如何才能不被信息淹没？如何从中及时发现有用的知识、提高信息利用率？如何从浩瀚如烟海的资料中选择性的搜集他们认为有用的信息？这给我们带来了另一些头疼的问题：
结果=（1-0.5）*6+0.5*7=6.5
25.五数概况（35）：由中位数，四分位数Q1和Q3,最小和最大观·测值组成，按一下序列写为：Minimun,Q1,Median,Q3,Maximum.
26.方差、标准差（35）：
N个观测值x1,x2………Xn的方差是：

数据挖掘期末复习

《数据挖掘》总复习题1．数据挖掘系统可以根据什么标准进行分类？挖掘的数据库类型分类、挖掘的知识类型分类、所用的技术分类、应用分类2．知识发现过程包括哪些步骤？数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示3．什么是概念分层？一个概念分层定义一个映射序列，将底层概念到更一般的高层概念。

4．多维数据模型上的OLAP操作包括哪些？上卷、下钻、切片和切块、转轴、其它OLAP操作5．OLAP服务器类型有哪几种？关系OLAP(ROLAP)服务器、多维OLAP（MOLAP）服务器、混合OLAP(HOLAP)服务器、特殊的SQL服务器6．数据预处理技术包括哪些？数据清理、数据集成、数据变换、数据归约7．什么是数据清理？数据清理例程可以用于填充遗漏的值，平滑数据，找出局外者并纠正数据的不一致性8．什么是数据集成？数据集成将多个数据源中的数据结合成、存放在一个一致的数据存储，如数据仓库中。

这些源可能包括多个数据库、数据方或一般文件。

9．什么是数据归约？数据归约技术，如数据方聚集、维归约、数据压缩、数值归约和离散化都可以用来得到数据的归约表示，而使得信息内容的损失最小。

10．数据清理的内容包括哪些？遗漏值、噪音数据、不一致数据11.将下列缩略语复原OLAP——on-line analytical processingDM——data miningKDD——knowledge discovery in databasesOLTP——on-line transaction processingDBMS——database management systemDWT——discrete wavelet transform12．什么是数据挖掘？数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的人们事先不知道的，但又有潜在有用的信息和知识的过程。

13．什么是关联规则？什么是强关联规则？强关联规则都是有趣的吗?关联规则：关联规则挖掘寻找给定数据集中项之间的有趣联系。

数据挖掘期末考试重点

1·元数据：是关于数据仓库中数据的数据。

2·数据仓库中的元数据可以分为四类1)关于数据源的元数据：对不同平台上的数据源的物理结构和含义的描述；2)关于数据模型的元数据：描述了数据仓库中有什么数据以及数据之间的关系，它们是用户使用管理数据仓库的基础；3)关于数据仓库映射的元数据：反映数据仓库中的数据项是从哪个特定的数据源填充的，经过哪些转换，变换和加载过程；4)关于数据仓库使用的元数据：数据仓库中信息的使用情况描述，这类元数据能帮助用户到数据仓库查询所需要的信息，用于解决企业问题。

3·数据仓库和数据集市的区别数据仓库收集了关于整个组织的主题（如顾客、商品、销售、资产和人员）信息，因此是企业范围的。

对于数据仓库，通常使用星座模式，因为它能对多个相关的主题建模。

数据集市是数据仓库的一个部门子集，它针对选定的主题，因此是部门范围的。

对于数据集市，流行星型或雪花模式，因为它们都适合对单个主题建模。

4·数据集市主要有两种结构：从属数据集市(数据直接来自于中央数据仓库)独立数据集市(数据直接来源于各生产系统)5·数据库与数据仓库的联系与区别?联系：数据仓库的出现，并不是要取代数据库。

可以说，数据库、数据仓库相辅相成、各有千秋。

区别：出发点不同（面向事物/面向主题）、存储的数据不同（实时数据/历史数据）、设计规则不同（范式/反范式）、提供的功能不同（捕获数据/分析数据）、基本元素不同（事实表/维表）、容量不同（GB/TB）、服务对象不同（业务处理人员/高层决策人员）。

6·粒度的作用：粒度越小，数据的综合程度越低，存储的数据越详细，需要的索引项越多，存储的数据量越大；回答查询的种类越多。

粒度越高，数据综合程度越高，需要的索引项越少，存储的数据量越小,查询的效率也越高7·数据集市（data marts）通常是指较为小型化、针对特定目标且建设成本较低的一种数据仓库。

数据挖掘期末复习提纲(整理版)

1.熟悉数据挖掘的流程：提示：1）业务理解2）数据理解3）数据准备4）建立模型5）模型评估6）模型发布2.数据库系统与数据仓库系统的区别：数据仓库是一个面向主题的、集成的、时变的和非易失的数据集合，支持管理部门的决策过程：而数据库是面向具体操作的、单一的、实时的、更新的数据集合，支持管理机构日常操作的。

数据库系统的主要任务是执行联机事务和查询处理，这种系统称为OLTP系统，涵盖了组织机构的大部分日常操作；另一方面，数据仓库在数据分析和决策方面为用户和知识工人提供服务。

3. 数据聚合需考虑的问题;4. 利用免费商品做促销的关联规则挖掘问题：1）找到免费商品的频繁1—项集，记为S1。

2）使用FP增长算法生成那些价格不少于$200的频繁项集，记为S2。

这是一个单调约束，因此不必要在每一步使用“生成—测试”过程，这样能节省一些不必要的计算开销。

如果我们有一个频繁项价格至少￥200，则没必要对这个频繁项的任何超集进行测试。

这是因为任何其他商品加到这个频繁项里，价格肯定会增多。

需要检验的是超集是否是频繁的。

这里之所以使用FP增长算法的原因是Apriori算法丢弃了那些价格低于$200的频繁项集。

这样导致了将不能够发现满足约束条件的频繁项集。

FP增长算法不会有这样的问题，因为它保留了关于数据库的完整信息在一个树结构中。

3）从S1S2中找到频繁项集。

4）生成满足最小置信度且形如2S 的规则。

1S5.分布式数据的关联规则挖掘方法：第一．在每一个站点挖掘局部频繁项集，设CF为四个站点的局部频繁项集的并集；第二．计算CF中每个频繁项集在各个站点的支持度计数；第三．计算CF中每个项集的全局支持度计数，可以通过将它在四个站点的局部支持度计数累加起来；那些全局支持度大于支持度阀值的项集为频繁项集；第四．从全局频繁项集里导出强规则。

6.急切分类、惰性分类的优缺点：急切分类比惰性分类在速度上要更快。

因为它在接受新的待测数据之前已经构造了一个概括的模型。

数据挖掘_复习总汇

数据挖掘_复习总汇一名词解释1 . 数据挖掘：从大型数据库的数据中提取人们感兴趣的知识。

2.决策树：一个类似于流程图的树结构，内部节点表示一个属性(取值)上的测试，其分支代表每个结果；其每个叶子节点代表一个类别，树的最高节点就是根节点。

3.聚类：将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程。

4.数据分类：从数据库中发现数据对象的共性，并将数据对象分成不同的几类的一个过程。

5. 维：透视或关于一个组织想要记录的实体。

6. 多层次关联规则：一个关联规则的内容涉及不同抽象层次的内容。

7. 单层次关联规则：一个关联规则的内容涉及单一个层次的内容。

8.局外者：数据库中可能包含一些数据对象，它们与数据的一般行为或模型不一致。

9. 数据仓库：一个面向主体的、集成的、时变的、非易失的数据集合，支持管理过程的决策制定。

10. 数据集市：数据仓库的一个部门子集，它针对选定的主题，因此是部门范围的。

11. 数据区别：将目标类对象的一般特性与一个或多个对比类对象的一般特性比较。

12. 数据特征化：目标类数据的一般特征或特性的汇总。

13. 噪声数据：指数据中存在错误、异常(偏离期望值)的数据。

14. 不完整数据：感兴趣的属性没有值。

15. 不一致数据：数据内涵出现不一致的情况。

16. 数据清洗：消除数据中所存在的噪声以及纠正其不一致的错误。

17. 数据集成：将来自多个数据源的数据合并到一起构成一个完整的数据集。

18. 数据消减：通过删除冗余特征或聚类消除多余数据。

19. 数据转换：将一种格式的数据转换为另一种格式的数据。

20.分类：预测分类标号（或离散值），在分类属性中的训练样本集和值(类标号)的基础上分类，数据(建立模型)并使用它分类新数据。

21. 簇：是一组数据对象的集合（是由聚类所生成的）。

22. 数据源：是表明数据地址的联机字符串23. 数据源视图：是一个抽象层们能够让用户修改查看数据的方式，或者定义一个图表并在稍后转换实际的源。

《数据挖掘》复习

《数据挖掘》复习一、题型1、判断题15分2、单选题15分3、简单题15分4、综合题20分5、计算题35分（C5.0算法、感知机算法、Apriori算法，见练习题）二、考试大纲三、实验/作业评讲在教学过程的各个环节，从学生的出勤、日常表现、作业、测试、项目完成情况及完成质量、TOPCARES 能力目标的实现情况等方面，对学生进行全方位的考核。

页脚内容1说明：四、知识点梳理，重点教学内容串讲名词解释数据挖掘（P6）、算法（P10）、MODELER中的节点（P13）、MODELER中的数据流（P14）、MODELER中的超节点（P18）、决策树分析（P104）、人工神经网络分析（P157）、关联分析（P207）、知识发现KDD （P6）主要概念页脚内容2DW产生的基础（P3）DW的基本过程包括（P6）DW能做什么（P7）DW得到的知识形式（P8）DW的算法分类（P10）MODELER的主窗口由哪几部分组成（P13）MODELER中数据流中的节点主要可实现哪些功能（P15）MODELER中数据流的操作主要包括哪几步（P15）MODELER中节点工具箱含由八大选项卡组织（P15）MODELER中通常数据挖掘的基本思路包括哪些过程（P19）MODELER中从数据挖掘角度看变量有哪7大类型（P26），通过TYPE节点可以说明变量什么内容（P42）什么是“有指导学习”（P12、P104）？举例说明；决策树算法的核心问题有哪些（P106）？什么是信息熵（P57、P109）？（信息熵是连续型变量分箱ＭＤＬＰ算法和决策树C5.0算法的核心）人工神经网络中主要有哪些网络种类（P156）神经网络中处理单元的内部结构图（P158）页脚内容3什么是感知机模型（P162）什么是Ｂ－Ｐ反向传播网络模型，由什么特点（P164）Apriority关联分析算法主要包括哪两大部分技术（P213）（产生频繁集、依据频繁集产生关联规则）决策树分析（P104）、人工神经网络分析（P157）、关联分析（P207）等数据挖掘方法主要用来解决什么问题（分类、预测、关联等）３、算法决策树C5.0算法、人工神经网络B-P感知机算法、关联分析Apriori算法五、典型例题分析（一）判断题，在每题后面正确打勾，错误打叉有高质的原始数据，才可能有高质量的数据挖掘结果。

数据挖掘期末考试复习题(精).doc

1数据挖掘来源于机器学习2数据仓库是面向主题的集成的稳定的不同时间的数据集合，用于支持经营管理中决策制定过程；3元素据描述了数据仓库的数据和环境，遍及数据仓库的所有方面，是整个数据仓库的核心，4Codd将数据分析模型分为四类绝对模型解释模型思考模型或公式化；5数据立方体是在所以可能组合的维上进行分组聚集运算的总和；6 （数据质量）是（|数据仓库|）的成败关键; 7概括分析是探索者分析过程的第一步。

8.数据仓库的物理模型设计是对逻辑模型设计的数据模型确定物理存储结构和存取方法。

9.自组织网络以ART模型，Kohonen模型为代表，用于聚集类。

10.预测是利用历史数据找出变化规律，建立模型。

并用此模型来预测未来数据的种类，特征等；11调和数据是存储在企业级数据仓库和操作型数据存储中的数据。

12 S Q L Server ssas提供了所以业务数据的同意整合试图，可以作为传统报表和数据挖掘，在线分析处理，关键性能指示器记分卡的基础13数据仓库的概念模型定义通常采用信息包括图法来进行设计；14关联规则的经典算法包括()()15分类关联规则16分类器设计阶段包含划分数据集，分类器构造，分类器测试；16雪花模型是对星型模型式维表的进一步层次化和规范化来消除冗余的数据；17数据处理通常分为两大类，联机事务处理，联机分析处理。

18数据抽取的两个常见类型是静态抽取和增量抽取；19维度表一般由主键,分类层次和描述属性组成。

20 ROLAp是基于关系数据库的OLAP实现，而MO L AP是基于多维数据机构组织的OLAP实现。

21数据仓库按照其开发过程，其关键环节包括数据抽取，数据存储，数据管理，数据表现。

2 2 KD D是从数据集中识别出有效的新颖的潜在有用的以及最终可理解的模式的高级处理过程。

2 3 遗传算法的基本要素问题编码：初始群体的设定：适应值函数的设计：遗传操作设计；控制参数设定：24数据集市数据集市是指具有特定应用的数据仓库，主要针对某个具有应用战与意义的应用或者具体部门级的应用，支持用户利用自己有的数据获得重要竞争的优势。

数据挖掘期末复习资料

数据挖掘期末复习资料2009-02-21 20:38:37| 分类：读书笔记 | 标签： |字号大中小订阅题型：填空（20空）、判断（20分）、简答（5个：预处理方法、决策树、朴素贝叶斯过程、其他一些知识内容）、大题（算法：关联分析、分类、决策树、ID3算法、贝叶斯方法、A神经网络、聚类回归占得比较小）概述一、数据挖掘是一个多学科领域，具体涉及到哪些相关学科？数据库及相关领域知识。

二、什么是数据挖掘，产生的背景，典型的数据挖掘系统的主要成分？数据挖掘定义：数据挖掘是从存放在数据库，数据仓库或其他信息库中的大量数据中挖掘有趣知识的过程。

典型的数据挖掘系统的主要成分：1.数据库，数据仓库或其他信息库；2.数据库或数据仓库服务器：3.知识库；4.数据挖掘引擎；5.模式评估模块；6.图形用户界面。

三、数据挖掘的功能有哪些？数据挖掘功能-可以挖掘什么类型的模式。

数据挖掘任务：描述和预测。

描述性挖掘任务刻划数据库中数据的一般特性；预测性挖掘任务在当前数据上进行推断。

数据挖掘的功能——用于指定数据挖掘任务中要找的模式类型。

其模式类型介绍如下：（1）、概念/类描述：特征化和区分。

用汇总的、简洁的、精确的方式描述每个类和概念，称这种描述为类/概念描述，通过三种方式得到：1）数据特征化 2）数据区分 3）数据特征化和比较。

(2)关联分析：发现规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件。

关联规则的含义为：满足X中条件的数据库元组多半也满足Y中条件。

包括多维关联规则和单维关联规则。

(3)分类和预测：分类与预测是两种数据分析形式，它们可用于抽取能够描述重要数据集合或预测未来数据趋势的模型。

分类是找出描述并区分数据类或概念的模型或函数，以便能用模型预测类标记未知的对象类。

如：可以构造一个分类模型来对银行贷款进行风险评估（安全或危险）；也可建立一个预测模型以利用顾客收入与职业（参数）预测其可能用于购买计算机设备的支出大小。