数据仓库与数据挖掘习题

数据仓库与数据挖掘习题

1.1什么是数据挖掘？在你的回答中，强调以下问题：

(a) 它是又一个骗局吗？

(b) 它是一种从数据库，统计学和机器学习发展的技术的简单转换吗？

(c) 解释数据库技术发展如何导致数据挖掘

(d) 当把数据挖掘看作知识发现过程时，描述数据挖掘所涉及的步骤。

1.2 给出一个例子，其中数据挖掘对于一种商务的成功至关重要的。这种商务需要什么数据挖掘功能？他们能够由数据查询处理或简单的统计分析来实现吗？

1.3 假定你是Big-University的软件工程师，任务是设计一个数据挖掘系统，分析学校课程数据库。该数据库包括如下信息：每个学生的姓名，地址和状态（例如，本科生或研究生），所修课程，以及他们累积的GPA（学分平均）。描述你要选取的结构。该结构的每个成分的作用是什么？

1.4 数据仓库和数据库有何不同？它们有那些相似之处？

1．5简述以下高级数据库系统和应用：面向对象数据库，空间数据库，文本数据库，多媒体数据库和WWW。

1．6 定义以下数据挖掘功能：特征化，区分，关联，分类，预测，聚类和演变分析。使用你熟悉的现实生活中的数据库，给出每种数据挖掘的例子。

1．7 区分和分类的差别是什么？特征化和聚类的差别是什么？分类和预测呢？对于每一对任务，它们有何相似之处？

1．8 根据你的观察，描述一种可能的知识类型，它需要由数据挖掘方法发现，但未在本章中列出。它需要一种不同于本章列举的数据挖掘技术吗？

1. 9 描述关于数据挖掘方法和用户交互问题的三个数据挖掘的挑战。

1. 10 描述关于性能问题的两个数据挖掘的挑战。

2.1 试述对于多个异种信息源的集成，为什么许多公司宁愿使用更新驱动的方法（构造使用数据仓库），而不愿使用查询驱动的方法（使用包装程序和集成程序）。描述一些情况，其中查询驱动方法比更新驱动方法更受欢迎。

2.2 简略比较以下概念，可以用例子解释你的观点

（a）雪花模式、事实星座、星型网查询模型

（b）数据清理、数据变换、刷新

（c）发现驱动数据立方体、多特征方、虚拟仓库

2.3 假定数据仓库包含三个维time，doctor和patient，两个度量count 和charge，其中charge 是医生对一位病人的一次诊治的收费。

（a）列举三种流行的数据仓库建模模式。

（b）使用（a）列举的模式之一，画出上面数据仓库的模式图。

（c）由基本方体[day，doctor，patient]开始，为列出2000年每位医生的收费总数，应当执行哪些OLAP操作？

（d）为得到同样的结果，写一个SQL查询。假定数据存放在关系数据库中，其模式如下：fee（day，month，year，doctor，hospital，patient，count，charge）

2.4 假定Big_University的数据仓库包含如下4个维student, course, semester和instructor，2个度量count和avg_grade。在最低的概念层（例如对于给定的学生、课程、学期和教师的组合），度量avg_grade存放学生的实际成绩。在较高的概念层，avg_grade存放给定组合的

平均成绩。

（a）为数据仓库画出雪花模式图；

（b）由基本方体[student, course, semester, instructor]开始，为列出Big_University每个学生的CS课程的平均成绩，应当使用哪些OLAP操作（如由semester上卷到year）；

（c）如果每维有5层（包括all），如student

2.5 假定数据仓库包含4个维date，spectator，location和game，2个度量count和charge。其中charge是观众在给定的日期观看节目的付费。观众可以是学生、成年人或老人，每类观众有不同的收费标准。

（a ）画出该数据仓库的星型模式图；

（b）由基本方体[date，spectator，location，game]开始，为列出2000年学生观众在GM-Place 的总付费，应当执行哪些OLAP操作？

（c）对于数据仓库，位图索引是有用的。以该数据立方体为例，简略讨论使用位图索引结构的优点和问题。

2.6 为地区气象局设计一个数据仓库。气象局大约有1000观察点，散步在该地区的陆地、海洋，收集基本气象数据，包括每小时的气压、温度、降雨量。所有的数据都送到中心站，那里已收集了这种数据长达十年。你的设计应当有利于有效的查询和联机分析处理，有利于有效地导出多维空间的一般天气模式。

2.7 关于数据立方体中的度量计算：

（a）根据计算数据立方体所用的聚集函数，列出度量的三种分类；

（b）对于具有三个维time，location和product的数据立方体，函数variance属于哪一类？如果立方体被分割成一些块，描述如何计算它；

（c）假定函数是"最高的10个销售额"。讨论如何在数据立方体里有效的计算该度量。2.8 假定需要在数据立方体中记录三种度量：min，average和median。给定的数据立方体允许递增的删除（即每次一小部分），为每种度量设计有效的计算和存储方法。

2.9 数据仓库实现的流行方法是构造一个称为数据立方体的多维数据库。不幸的是，这常常产生大的、稀疏的多维矩阵。

（a）给出一个例子，解释这种大的、稀疏的数据立方体；

（b）设计一种实现方法，可以很好的克服这种稀疏矩阵问题。注意，需要详细解释你的数据结构，讨论空间需求量，以及如何由你的结构中检索数据；

（c）修改你在（b）的设计，处理递增的数据更新。给出你的新设计的理由。

2.10 假定数据仓库包含20个维，每个维有5级粒度。

（a）用户感兴趣的主要是4个特定的维，每维有3个上卷、下钻频繁访问的级。你如何设计数据立方结构，有效地对此予以支持？

（b）用户时常想由一两个特定的维钻透数据立方体，到原始数据。你如何支持这一特征？

2.11 假定基本立方体有三个维A，B，C，其单元数如下：|A|=1000000，|B|=100，|C|=1000。假定分块将每维分成10部分。

（a）假定每维只有一层，画出完整的立方体的格。

（b）如果每个立方单元存放一个4字节的度量，若方是稠密的，所计算的立方体有多大？（c）指出立方体中空间需求量最小的块计算次序，并对计算２－维平面所需要的内存空间计算空间量。

3．1 数据的质量可以用精确性，完整性和一致性来评估。提出两种数据质量的其他尺度。3．2 在现实世界的数据中，元组在某些属性上缺少值是常有的。描述处理该问题的各种方法。

3．3 假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13，15，