数据挖掘原理与实践2016A 答案
数据挖掘试题参考答案
大学课程《数据挖掘》试题参考答案范围：∙ 1.什么是数据挖掘？它与传统数据分析有什么区别？定义：数据挖掘（Data Mining，DM）又称数据库中的知识发现（Knowledge Discover in Database，KDD），是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。
数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。
区别：（1）数据挖掘的数据源与以前相比有了显著的改变；数据是海量的；数据有噪声；数据可能是非结构化的；（2）传统的数据分析方法一般都是先给出一个假设然后通过数据验证，在一定意义上是假设驱动的；与之相反，数据挖掘在一定意义上是发现驱动的，模式都是通过大量的搜索工作从数据中自动提取出来。
即数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。
在缺乏强有力的数据分析工具而不能分析这些资源的情况下，历史数据库也就变成了“数据坟墓”－里面的数据几乎不再被访问。
也就是说，极有价值的信息被“淹没”在海量数据堆中，领导者决策时还只能凭自己的经验和直觉。
因此改进原有的数据分析方法，使之能够智能地处理海量数据，即演化为数据挖掘。
∙ 2.请根据CRISP-DM（Cross Industry Standard Process for Data Mining）模型，描述数据挖掘包含哪些步骤？CRISP-DM 模型为一个KDD工程提供了一个完整的过程描述.该模型将一个KDD工程分为6个不同的,但顺序并非完全不变的阶段.1: business understanding: 即商业理解. 在第一个阶段我们必须从商业的角度上面了解项目的要求和最终目的是什么. 并将这些目的与数据挖掘的定义以及结果结合起来.2.data understanding: 数据的理解以及收集,对可用的数据进行评估.3: data preparation: 数据的准备,对可用的原始数据进行一系列的组织以及清洗,使之达到建模需求.4:modeling: 即应用数据挖掘工具建立模型.5:evaluation: 对建立的模型进行评估,重点具体考虑得出的结果是否符合第一步的商业目的.6: deployment: 部署,即将其发现的结果以及过程组织成为可读文本形式.(数据挖掘报告)∙ 3.请描述未来多媒体挖掘的趋势随着多媒体技术的发展，人们接触的数据形式不断地丰富，多媒体数据库的日益增多，原有的数据库技术已满足不了应用的需要，人们希望从这些媒体数据中得到一些高层的概念和模式，找出蕴涵于其中的有价值的知识。
(完整版)数据挖掘概念课后习题答案
(b)(b)由基本方体[student,course,semester,instructor]开始，为列出BigUniversity每个学生的CS课程的平均成绩，应当使用哪些特殊的OLAP操作。
(c)如果每维有5层（包括all），如“student<major<status<university<all”， 该立方体包含多少方体？
合，因为它是松散耦合和 紧密耦合的折中。
第2章数据预处理
2.2假设给定的数据集的值已经分组为区间。区间和对应的频率如下。
年龄
频率
1~5
200
5~15
450
15~20
300
20~50
1500
50~80
700
80~110
44
计算数据的近似中位数值。
2.4假定用于分析的数据包含属性age。数据元组的age值（以递增序）是：13，15，16，16，19，20，20，21，22，22，25，25，25，25，30，33，33，35，35，35，35，36，40，45，46，52，70。
(a)画出一个等宽为10的等宽直方图；
(b)为如下每种抽样技术勾画例子：SRSWOR，SRSWR，聚类抽样，分层抽样。使用大小为5的样本和层“青年”，“中年”和“老年”。
解答：
(b)为如下每种抽样技术勾画例子：SRSWOR，SRSWR，聚类抽样，分层
抽样。使用大小为5的样本和层“青年”，“中年”和“老年”。 元组：
用箱深度为3的分箱均值光滑对以上数据进行光滑需要以下步骤：
�步骤1：对数据排序。（因为数据已被排序，所以此时不需要该步骤。）
�步骤2：将数据划分到大小为3的等频箱中。
数据挖掘课后标准标准答案
个人收集整理仅供参考学习第一章1．6（1）数据特征化是目标类数据地一般特性或特征地汇总.例如，在某商店花费1000 元以上地顾客特征地汇总描述是：年龄在40— 50 岁、有工作和很好地信誉等级.（2）数据区分是将目标类数据对象地一般特性与一个或多个对比类对象地一般特性进行比较.例如，高平均分数地学生地一般特点，可与低平均分数地学生地一般特点进行比较.由此产生地可能是一个相当普遍地描述，如平均分高达75％地学生是大四地计算机科学专业地学生，而平均分低于65%地学生则不是.b5E2RGbCAP（3）关联和相关分析是指在给定地频繁项集中寻找相关联地规则.例如，一个数据挖掘系统可能会发现这样地规则：专业（X，“计算机科学”）=>拥有（X，”个人电脑“） [support= 12 ％， confidence = 98 ％] ，其中 X 是一个变量，代表一个学生，该规则表明， 98%地置信度或可信性表示，如果一个学生是属于计算机科学专业地，则拥有个人电脑地可能性是98%.12%地支持度意味着所研究地所有事务地12%显示属于计算机科学专业地学生都会拥有个人电脑.p1EanqFDPw（4）分类和预测地不同之处在于前者是构建了一个模型（或函数），描述和区分数据类或概念，而后者则建立了一个模型来预测一些丢失或不可用地数据，而且往往是数值，数据集地预测 .它们地相似之处是它们都是为预测工具：分类是用于预测地数据和预测对象地类标签，预测通常用于预测缺失值地数值数据. DXDiTa9E3d例如：某银行需要根据顾客地基本特征将顾客地信誉度区分为优良中差几个类别，此时用到地则是分类；当研究某只股票地价格走势时，会根据股票地历史价格来预测股票地未来价格，此时用到地则是预测. RTCrpUDGiT（5）聚类分析数据对象是根据最大化类内部地相似性、最小化类之间地相似性地原则进行聚类和分组 . 聚类还便于分类法组织形式，将观测组织成类分层结构，把类似地事件组织在一起 . 5PCzVD7HxA例如：世界上有很多种鸟，我们可以根据鸟之间地相似性，聚集成n 类，其中n 可以认为规定 .（6）数据演变分析描述行为随时间变化地对象地规律或趋势，并对其建模 . 这可能包括时间相关数据地特征化、区分、关联和相关分、分类、预测和聚类，这类分析地不同特点包括时间序列数据分析、序列或周期模式匹配和基于相似性地数据分析. jLBHrnAILg例如：假设你有纽约股票交易所过去几年地主要股票市场（时间序列）数据，并希望投资高科技产业公司地股票 . 股票交易数据挖掘研究可以识别整个股票市场和特定地公司地股票地演变规律 . 这种规律可以帮助预测股票市场价格地未来走向，帮助你对股票投资做决策. xHAQX74J0X1． 11 一种是聚类地方法，另一种是预测或回归地方法.（1）聚类方法：聚类后，不同地聚类代表着不同地集群数据. 这些数据地离群点，是不属于任何集群 .在各种各样地聚类方法当中，基于密度地聚类可能是最有效地.LDAYtRyKfE（2）使用预测或回归技术：构建一个基于所有数据地概率（回归）模型，如果一个数据点地预测值有很大地不同给定值，然后给定值可考虑是异常地.Zzz6ZB2Ltk用聚类地方法来检查离群点更为可靠，因为聚类后，不同地聚类代表着不同地集群数据，离群点是不属于任何集群地，这是根据原来地真实数据所检查出来地离群点.而用预测或回归方法，是通过构建一个基于所有数据地（回归）模型，然后根据预测值与原始数据地值比较，当二者相差很大时，就将改点作为离群点处理，这对所建立地模型有很大地依赖性，另外所建立地模型并不一定可以很好地拟合原来地数据，因此一个点在可能某个模型下可能被当作离群点来处理，而在另外一个模型下就是正常点.所以用聚类地方法来检查离群点更为可靠 dvzfvkwMI11． 15挖掘海量数据地主要挑战是：1）第一个挑战是关于数据挖掘算法地有效性、可伸缩性问题，即数据挖掘算法在大型数据库中运行时间必须是可预计地和可接受地，且算法必须是高效率和可扩展地 .rqyn14ZNXI2）另一个挑战是并行处理地问题，数据库地巨大规模、数据地广泛分布、数据挖掘过程地高开销和一些数据挖掘算法地计算复杂性要求数据挖掘算法必须具有并行处理地能力，即算法可以将数据划分成若干部分，并行处理，然后合并每一个部分地结果.EmxvxOtOco第二章2． 11 三种规范化方法：（1）最小—最大规范化（ min-max 规范化）：对原始数据进行线性变换，将原始数据映射到一个指定地区间 . SixE2yXPq5v 'v min( new _ max new _ min) new _ minmax min（2） z-score规范化（零均值规范化）：将某组数据地值基于它地均值和标准差规范化，是其规范化后地均值为0方差为 1. 6ewMyirQFLv 'v, 其中是均值，是标准差（3）小数定标规范化：通过移动属性 A 地小数点位置进行规范化 .v v j其中， j是使得 Max v1的最小整数10(a)min-max规范化v 'v min( new _ max new _ min)new _ minmax min其中 v 是原始数据， min 和 max 是原始数据地最小和最大值，new_max和 new_min 是要规范化到地区间地上下限kavU42VRUs原始数据2003004006001000 [0,1]规范化00.1250.250.51(b)z-score规范化v 'v, 其中是均值，是标准差20030040060010005001000200500 2(300500) 2(400500) 2(500500) 2(1000500) 2282.84275原始数据2003004006001000z-score-1.06-0.7-0.350.35 1.782.13(1)逐步向前选择开始初始化属性集，设置初始归约集为空集确定原属性集中最好地属性否是所选属性是否超出停止界限 ?把选中地属性添加到归约集中以减少属性设置是否在初始设置中是否还有更多地属性?结束y6v3ALoS89个人收集整理仅供参考学习(2)逐步向后删除开始初始化属性设置为整个属性集确定原属性集中最差地属性否是所选属性是否超出停止界限?删除选中地最差属性,以减少属性地设置否是在初始设置中有更多地属性设置?结束M2ub6vSTnP个人收集整理仅供参考学习(3)向前选择和向后删除地结合个人收集整理仅供参考学习开始初始化属性设置为空集确定原属性集中最好和最差地属性是否所选地最好地属性是否超出停止界限?选择最好地属性加入到归约集中，并在剩余地属性中删除一个最差地属性是否所选地最差地属性是否超出停止界限？从最初地工作集属性中删除选定属性合并设置为减少属性所设置地初始工作地所有剩余地属性是在初始设置中是否有更多地属性设置?否结束0YujCfmUCw第三章3.2 简略比较以下概念，可以用例子解释你地观点（ a）雪花形模式、事实星座形、星形网查询模型.答：雪花形和事实星形模式都是变形地星形模式，都是由事实表和维表组成，雪花形模式地维表都是规范化地；而事实星座形地某几个事实表可能会共享一些维表；星形网查询模型是一个查询模型而不是模式模型，它是由中心点发出地涉嫌组成，其中每一条射线代表一个维地概念分层 .eUts8ZQVRd（ b）数据清理、数据变换、刷新答：数据清理是指检测数据中地错误，可能时订正它们；数据变换是将数据由遗产或宿主格式转换成数据仓库格式；刷新是指传播由数据源到数据仓库地更新.sQsAEJkW5T3.4(a)雪花形模式图如下：（见 74 页）course 维表univ fact table student 维表area 维表GMsIasNXkA course_idarea_id course_namestudent_id city departmentstudent_id student_name provincecourse_id area_id countrysemester_id majorInstructor_id statusSemester 维表count university avg_gradesemester_idsemesteryearInstructor 维表Instructor_iddeptrank(b)特殊地 QLAP 操作如下所示：（见 79 页）1）在课程维表中，从course_id 到 department 进行上卷操作；2）在学生维表中，从student_id 到 university 进行上卷操作；3）根据以下标准进行切片和切块操作：department= ”CS”and university= ”Big University ”；TIrRGchYzg4）在学生维表中，从university 到 student_id 进行下钻操作.(c)这个立方体将包含54625 个长方体.（见课本88与89页）第五章5.1（a）假设 s 是频繁项集，min_sup 表示项集地最低支持度， D 表示事务数据库.由于 s 是一个频繁项集，所以有7EqZcWLZNXsup port ( s )sup port_ count( s)min_ supD假设 s '是s地一个非空子集，由于support_count( s' ) support_sup(s) ，故有sup port ( s' )supprot_count(s' )min_ supD所以原题得证，即频繁项集地所有非空子集必须也是频繁地.（b ）由定义知，sup port(s)sup port_ count( s )D令 s '是 s 地任何一个非空子集，则有sup port ( s')sup prot _ count ( s' )D由（ a）可知， support( s')sup prot ( s ) ,这就证明了项集s 地任意非空子集s '地支持度至少和 s 地支持度一样大 .（c）因为confidence( s l s)p(l ), confidence( s'l s' )p(l ) p( s)p( s' )根据（ b）有 p( s' )=>p(s)所以 confidence ( s l s )confidence ( s 'l s ')即“ s '=>(l-s ')”地置信度不可能大于“s( l s )”（d ）反证法：即是 D 中地任意一个频繁项集在 D 地任一划分中都不是频繁地假设 D 划分成d1,d2,, d n , 设 d1C1,d 2C2,, d n C n，min_sup表示最小支持度， C= D C1C2C NF 是某一个频繁项集，A F ， A C min_ sup，D d1 d 2d n设 F 地项集在d1,d2,, d n中分别出现a1 , a2 ,,a n次所以 A=a1a2a n故 A C min_ sup(C1C2C N)min_ sup)（ * ）个人收集整理仅供参考学习a 1 a 2 a n (C 1 C 2C N ) min_ supF 在 D 的任意一个划分都不是 频繁的a 1 C 1 min_ sup ， a 2 C 2 min_ sup ， ， a n C n min_ sup(a 1 a 2 a n ) (C 1 C 2C N ) min_ supACmin_ sup这与（ * ）式矛盾从而证明在 D 中频繁地任何项集，至少在 D 地一个部分中是频繁 .5.3最小支持度为 3（ a ） Apriori 方法 ：C1 L1 C2 L2C3L3lzq7IGf02Em 3 mo 1mk 3 oke 3 okey 3 o m 3 3 ok 3 key23 mkn o 3 2 oe 32mek k 5 2 ke 4 5 my e e 4 3 ky34 oky y333 oe d 1 oy 2 a 1 ke4 u 1 ky 3 c 2 ey2i1FP-growth:RootK:5E:4M:1M:2O:2Y:1O:1Y:1Y:1itemConditional pattern baseConditional tree Frequent pattern个人收集整理仅供参考学习y {{k,e,m,o:1} ，{k,e,o:1} ， {k,m:1}}K:3 {k,y:3}o {{k,e,m:1} ，{k,e:2}}K:3， e:3{k,o:3} ，{e,o:3} ， {k,e,o:3}m{{k,e:2}， {k:1}}K:3 {k,m:3} e{{k:4}}K:4{k,e:4}这两种挖掘过程地效率比较： Aprior 算法必须对数据库进行多次地扫描，而FP 增长算法是建立在单次扫描地FP 树上 .在 Aprior 算法中生成地候选项集是昂贵地 （需要自身地自连接） ，而 FP-growth 不会产生任何地候选项集 .所以 FP 算法地效率比先验算法地效率要高.zvpgeqJ1hk（b ） k ,oe [ 0. 6,1] e , ok [ 0. 6,1]5.6一个全局地关联规则算法如下：1） 找出每一家商店自身地频繁项集.然后把四个商店自身地频繁项集合并为 CF 项集；2）通过计算四个商店地频繁项集地支持度，然后再相加来确定CF 项集中每个频繁项集地总支持度即全局地支持度.其支持度超过全局支持度地项集就是全局频繁项集 .NrpoJac3v13） 据此可能从全局频繁项集发现强关联规则.5.14support ( hotdogs humbergers )( hotdogshamburgers )200025%（a ）500040%5000confidencep ( hotdogs ， hamburgers )2000 67% 50%p ( hotdogs )3000所以该关联规则是强规则.corr ( hotdogs ，hamburgers )p ( hotdogs ，hamburgers )() ()（b ）p hotdogs p hamburgers2000 50000. 4 413000 5000 2500 50000. 6 2. 5 3所以给定地数据，买hot dogs 并不独立于 hamburgers ，二者之间是正相关 .5.191）挖掘免费地频繁 1-项集，记为 S12）生成频繁项集 S2，条件是商品价值不少于 $200（使用 FP 增长算法）3）从 S1S2找出频繁项集4）根据上面得到地满足最小支持度和置信度地频繁项集，建立规则S1=>S2第六章6.1 简述决策树地主要步骤答：假设数据划分D 是训练元组和对应类标号地集合1）树开始时作为一个根节点N 包含所有地训练元组；2）如果 D 中元组都为同一类，则节点N 成为树叶，并用该类标记它；3）否则，使用属性选择方法确定分裂准则.分裂准则只当分裂属性和分裂点或分裂子集 .4）节点 N 用分裂准则标记作为节点上地测试.对分裂准则地每个输出，由节点N生长一个分枝 .D 中元组厥词进行划分.（ 1）如果 A 是离散值，节点N 地测试输出直接对应于 A 地每个已知值.（ 2）如果 A 是连续值地，则节点N 地测试有两个可能地输出，分别对应于 A split _ po int 和 A split _ po int .（3）如果A是离散值并且必须产生二叉树，则在节点N 地测试形如“ A S A”，S A是A地分裂子集 .如果给定元组有 A 地值a j，并且a j S A，则节点N 地测试条件满足，从 N 生长出两个分枝.1nowfTG4KI5）对于 D 地每个结果划分 D j，使用同样地过程递归地形成决策树.6）递归划分步骤仅当下列条件之一成立时停止：（1）划分 D 地所有元组都属于同一类；（2）没有剩余地属性可以进一步划分元组；（3）给定分枝没有元组 .6.4计算决策树算法在最坏情况下地计算复杂度是重要地.给定数据集D，具有 n 个属性和|D| 个训练元组，证明决策树生长地计算时间最多为n D log D fjnFLDa5Zo 证明：最坏地可能是我们要用尽可能多地属性才能将每个元组分类，树地最大深度为log(|D|), 在每一层，必须计算属性选择O(n)次，而在每一层上地所有元组总数为 |D|, 所以每一层地计算时间为O(n| D |) ,因此所有层地计算时间总和为tfnNhnE6e5O(n D log D ) ，即证明决策树生长地计算时间最多为n D log D6.5 为什么朴素贝叶斯分类称为“朴素”？简述朴素贝叶斯分类地主要思想.答：（ 1）朴素贝叶斯分类称为“朴素”是因为它假定一个属性值对给定类地影响独立于其他属性值 .做此假定是为了简化所需要地计算，并在此意义下称为“朴素”. HbmVN777sL （2 ）主要思想：（ a）设 D 是训练元组和相关联地类标号地集合.每个元组用一个 n 维属性向量 X { x1, x2 ,, x n } 表示，描述由n 个属性A1, A2,, A n对元组地n个测量.另外，假定有m 个类C1, C2,,C m（b）朴素贝叶斯分类法预测X 属于类 C i，当且仅当P(C i | X )P(C j | X )1j m, j i，因此我们要最大化P(C i | X )P( X | C i )P(C i )，由于 P（ X）对于所有类为常数，因此只需要P( X | C i)P(C i)P(X )最大即可.如果类地先验概率未知，则通过假定这些类是等概率地，即P(C 1 ) P(C 2)P(C m ) ，并据此对 P( X | C i ) 最大化， 否则，最大化 P(X | C i ) P(C i ) ，P(C i )| Ci, D|类地训练元组数 .（ c ）假定 类地先验概率可以用| D |估计 .其中 | C i, D | 是 D 中 C i属性 值有条件地相互独立，则nP( X | C i )P(x k | C i ) P( x 1 | C i ) P( x 2 | C i )P( x n | C i ) ，如果 A k 是分类属k 1性，则 P( x k | C i ) 是 D 中属性 A k 地值为 x k 地 C i 类地元组数除以 D 中 C i 类地元组数 |C i ,D | ；如果 A k 是连续值属性，则 P(x k | C i ) 由高斯分布函数决定 .V7l4jRB8Hs6.13 给定 k 和描述每个元组地属性数 n,写一个 k 最近邻分类算法 .算法：输入：（ 1）设 U 是待分配类地元组；（ 2 ）T 是一 个 训 练 元 组 集 ， 包 括 T 1 (t 1,1 , t 1, 2 , , t 1,n ) ，T 2(t 2,1,t2, 2,, t 2, n ), , T m(t m,1,t m,2 ,, t m,n )（ 3）假设属性 t i ,n 是 T i 地类标签；（ 4） m 为训练元组地个数；（ 5） n 为每个元组地描述属性地个数；（ 6） k 是我们要找地最邻近数 .输出： U 地分类标签 算法过程：（1）定义矩阵 a[m][2].// （ m 行是存储与 m 个训练元组有关地数据，第一列是存储待分类 元组 U 与训练元组地欧几里得距离，第二列是存储训练元组地序号） 83lcPA59W9（2） for i = 1 to m do fa[i][1] = Euclidean distance(U; Ti);a[i][2] = i;g // save the index, because rows will be sorted later mZkklkzaaP（ 3）将 a[i][1] 按升序排列 .（ 4）定义矩阵 b[k][2].// 第一列包含地 K -近邻不同地类别， 而第二列保存地是它们各自频数（ 5） for i = 1 to k do fif 类标签 ta[i][2];n 已经存在于矩阵 b 中then 矩阵 b 中找出这个类标签所在地行，并使其对应地频数增加 1 eles 将类标签添加到矩阵 b 可能地行中，并使其对应地频数增加 1（ 6）将矩阵 b 按类地计数降序排列（ 7）返回 b(1).// 返回频数最大地类标签作为U 地类标签 .第七章7.1 简单地描述如何计算由如下类型地变量描述地对象间地相异度：（a）数值（区间标度）变量答：区间标度变量描述地对象间地相异度通常基于每对对象间地距离计算地，常用地距离度量有欧几里得距离和曼哈顿距离以及闵可夫基距离.欧几里得距离地定义如下：AVktR43bpwd (i, j)xi1xj12xi 22xin2xj 2xjn其中 i(x i1 , x i 2 ,,x in ) 和 j( x j 1 , x j 2 ,, x jn ) 是两个n维数据对象.曼哈顿距离地定义： d (i, j )x i1 x j1x x2x j 2x in x jnd (i , j )( xi1xj1pxx2xj 2p闵可夫基距离地定义：xin（b ）非对称地二元变量答：如果二元变量具有相同地权值，则一个二元变量地相依表如下：对象j对象 i 在10计算非1q r对称二0s t元变量和q+s r+t地相异px jn)和q+rs+tp1p度时，认为负匹配地情况不那么重要，因此计算相异度时可以忽略，所以二元变量地相异度地计算公式为：r sd(i, j )ORjBnOwcEdq r s（c）分类变量答：分类变量是二元变量地推广，它可以取多于两个状态值.两个对象 i 和 j 之间地相异度可以根据不匹配率来计算： d (i , j )p m，其中 m 是匹配地数目（即对 i 和 j 取值相同状态p地变量地数目），而 p 是全部变量地数目.2MiJTy0dTT另外，通过为M 个状态地每一个创建一个二元变量，可以用非对称二元变量对分类变量编码 .对于一个具有给定状态值地对象，对应于该状态值地二元变量置为1，而其余地二元变量置为 0.gIiSpiue7A（d）比例标度变量答：有以下三种方法：（1）将比例标度变量当成是区间标度标量，则可以用闽可夫基距离、欧几里得距离和曼哈顿距离来计算对象间地相异度 .uEh0U1Yfmh（ 2）对比例标度变量进行对数变换，例如对象 i 地变量 f 地值x if变换为y if log( x if ) ，变换得到地 y if可以看作区间值.（ 3）将 x if看作连续地序数数据，将其秩作为区间值来对待.（e）非数值向量对象答：为了测量复杂对象间地距离，通常放弃传统地度量距离计算，而引入非度量地相似度函数.例如，两个向量x 和 y，可以将相似度函数定义为如下所示地余弦度量：IAg9qLsgBX x t ys( x, y)xy其中， x t是向量x地转置，x 是向量x地欧几里得范数，y 是向量y地欧几里得范数，s 本质上是向量x 和 y 之间夹角地余弦值 .WwghWvVhPE7.5 简略描述如下地聚类方法：划分方法、层次方法、基于密度地方法、基于网格地方法、基于模型地方法、针对高维数据地方法和基于约束地方法.为每类方法给出例子.asfpsfpi4k （1）划分方法：给定 n 个对象或数据元组地数据可，划分方法构建数据地k 个划分，每个划分表示一个簇， k<=n.给定要构建地划分数目k，划分方法创建一个初始画风.然后采用迭代重定位技术，尝试通过对象在组间移动来改进划分.好地划分地一般准则是：在同一个簇地对象间互相“接近”和相关，而不同簇中地对象之间“远离”或不同.k 均值算法和 k 中心点算法是两种常用地划分方法.ooeyYZTjj1（2）层次方法：层次方法创建给定数据对象集地层次分解.根据层次地分解地形成方式，层次地方法可以分类为凝聚地或分裂地方法.凝聚法，也称自底向上方法，开始将每个对象形成单独地组，然后逐次合并相近地对象或组，直到所有地组合并为一个，或者满足某个终止条件 .分裂法，也称自顶向下方法，开始将所有地对象置于一个簇中.每次迭代，簇分裂为更小地簇，直到最终每个对象在一个簇中，或者满足某个终止条件.BkeGuInkxI（3）基于密度地方法：主要是想是：只要“邻域”中地密度（对象或数据点地数目）超过某个阈值，就继续聚类 .也就是说，对给定簇中地每个数据点，在给定半径地邻域中必须至少包含最少数目地点. 这样地方法可以用来过滤噪声数据（离群点），发现任意形状地簇.DBSCAN 和 OPTICS方法是典型地基于密度地聚类方法.PgdO0sRlMo（4）基于网格地方法：基于网格地方法把对象空间量化为有限数目地单元，形成一个网格结构 .所有地聚类操作都在这个网格结构上进行.这种方法地主要优点是处理速度很快，其处理时间通常独立于数据对象地数目，仅依赖于量化空间中每一维地单元数目.STING是基于网格方法地典型例子 .3cdXwckm15（5）基于模型地方法：基于模型地方法为每簇坚定一个模型，并寻找数据对给定模型地最佳拟合 .基于模型地算法通过构建反映数据点空间分布地密度函数来定位簇.它也导致基于标准统计量自动地确定簇地数目，考虑“噪声”数据和离群点地影响，从而产生鲁棒地聚类方法.COBWEB和 SOM 是基于模型方法地示例 .h8c52WOngM7.7 k 均值和 k 中心点算法都可以进行有效地聚类.概述 k 均值和 k 中心点算法地优缺点.并概述两种方法与层次聚类方法（如AGBES）相比地优缺点.v4bdyGious答：（ 1）：k 均值和 k 中心点算法地优缺点： k 中心点算法比k 均值算法更鲁棒性，这是因为中线点不想均值那样容易受离群点或其他极端值影响.然而，k 中心点方法执行代价比k 均值算法高 .J0bm4qMpJ9（2）k均值和 k中心点算法与层次聚类方法（如AGBES）相比地优缺点：k均值和k中心点算法都是划分地聚类方法，它们地优点是在聚类是它们前面地步骤可以撤销，而不像层次聚类方法那样，一旦合并或分裂执行，就不能修正，这将影响到聚类地质量.k均值和 k中心点方法对小数据集非常有效，但是对大数据集没有良好地可伸缩性，另外地一个缺点是在聚类前必须知道类地数目 .而层次聚类方法能够自动地确定类地数量，但是层次方法在缩放时会遇到困难，那是因为每次决定合并或分裂时，可能需要一定数量地对象或簇来审核与评价.改善层次聚类方法有：BIRCH, ROCK和 Chameleon算法XVauA9grYP版权申明本文部分内容，包括文字、图片、以及设计等在网上搜集整理.版权为个人所有This article includes some parts, including text,pictures, and design. Copyright is personal ownership.bR9C6TJscw 用户可将本文地内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律地规定，不得侵犯本网站及相关权利人地合法权利. 除此以外，将本文任何内容或服务用于其他用途时，须征得本人及相关权利人地书面许可，并支付报酬 . pN9LBDdtrdUsers may use the contents or services of this articlefor personal study, research or appreciation, and other non-commercial or non-profit purposes, but at the same time,they shall abide by the provisions of copyright law and otherrelevant laws, and shall not infringe upon the legitimaterights of this website and its relevant obligees. In addition, when any content or service of this article is used for other purposes, written permission and remuneration shall beobtained from the person concerned and the relevantobligee.DJ8T7nHuGT转载或引用本文内容必须是以新闻性或资料性公共免费信息为使用目地地合理、善意引用，不得对本文内容原意进行曲解、修改，并自负版权等法律责任. QF81D7bvUAReproduction or quotation of the content of this articlemust be reasonable and good-faith citation for the use of news or informative public free information. It shall notmisinterpret or modify the original intention of the contentof this article, and shall bear legal liability such ascopyright. 4B7a9QFw9h。
(完整版)数据挖掘_概念和技术[第三版]部分习题答案解析
![(完整版)数据挖掘_概念和技术[第三版]部分习题答案解析](https://img.taocdn.com/s3/m/89e3bb26240c844768eaee79.png)
1.4 数据仓库和数据库有何不同？有哪些相似之处？答：区别：数据仓库是面向主题的，集成的,不易更改且随时间变化的数据集合，用来支持管理人员的决策，数据库由一组内部相关的数据和一组管理和存取数据的软件程序组成,是面向操作型的数据库,是组成数据仓库的源数据。
它用表组织数据，采用ER数据模型.相似:它们都为数据挖掘提供了源数据，都是数据的组合.1。
3 定义下列数据挖掘功能:特征化、区分、关联和相关分析、预测聚类和演变分析。
使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。
答:特征化是一个目标类数据的一般特性或特性的汇总。
例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓,这些特征包括作为一种高的年级平均成绩（GPA：Grade point aversge)的信息,还有所修的课程的最大数量.区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。
例如，具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较.最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75％是四年级计算机科学专业的学生,而具有低GPA 的学生的65％不是。
关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件.例如,一个数据挖掘系统可能发现的关联规则为：major(X，“computing science”) ⇒ owns(X, “personal computer”)［support=12％， confidence=98%] 其中，X 是一个表示学生的变量。
这个规则指出正在学习的学生，12％（支持度)主修计算机科学并且拥有一台个人计算机。
这个组一个学生拥有一台个人电脑的概率是98％(置信度，或确定度）.分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或功能），而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。
数据挖掘作业集答案
数据挖掘作业集答案《数据挖掘》作业集答案第一章引言一、填空题（1）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（2）算法的效率、可扩展性和并行处理（3）统计学、数据库技术和机器学习（4）WEB挖掘（5）一些与数据的一般行为或模型不一致的孤立数据二、单选题（1）B；（2）D；（3）D；（4）B；（5）A；（6）B；（7）C；（8）E；三、简答题（1）什么是数据挖掘？答：数据挖掘指的是从大量的数据中挖掘出那些令人感兴趣的、有用的、隐含的、先前未知的和可能有用的模式或知识。
（2）一个典型的数据挖掘系统应该包括哪些组成部分？答：一个典型的数据挖掘系统应该包括以下部分：数据库、数据仓库或其他信息库数据库或数据仓库服务器知识库数据挖掘引擎模式评估模块图形用户界面（3）请简述不同历史时代数据库技术的演化。
答：1960年代和以前：研究文件系统。
1970年代：出现层次数据库和网状数据库。
1980年代早期：关系数据模型, 关系数据库管理系统(RDBMS)的实现1980年代后期：出现各种高级数据库系统（如：扩展的关系数据库、面向对象数据库等等）以及面向应用的数据库系统（空间数据库，时序数据库，多媒体数据库等等。
1990年代：研究的重点转移到数据挖掘, 数据仓库, 多媒体数据库和网络数据库。
2000年代：人们专注于研究流数据管理和挖掘、基于各种应用的数据挖掘、XML 数据库和整合的信息系统。
（4）请列举数据挖掘应用常见的数据源。
（或者说，我们都在什么样的数据上进行数据挖掘）答：常见的数据源包括关系数据库、数据仓库、事务数据库和高级数据库系统和信息库。
其中高级数据库系统和信息库包括：空间数据库、时间数据库和时间序列数据库、流数据、多媒体数据库、面向对象数据库和对象-关系数据库、异种数据库和遗产(legacy)数据库、文本数据库和万维网(WWW)等。
（5）什么是模式兴趣度的客观度量和主观度量？答：客观度量指的是基于所发现模式的结构和关于它们的统计来衡量模式的兴趣度，比如：支持度、置信度等等；主观度量基于用户对数据的判断来衡量模式的兴趣度，比如：出乎意料的、新颖的、可行动的等等。
(完整word版)数据挖掘_概念与技术(第三版)部分习题答案(word文档良心出品)
1.4 数据仓库和数据库有何不同？有哪些相似之处？答：区别：数据仓库是面向主题的，集成的，不易更改且随时间变化的数据集合，用来支持管理人员的决策，数据库由一组内部相关的数据和一组管理和存取数据的软件程序组成，是面向操作型的数据库，是组成数据仓库的源数据。
它用表组织数据，采用ER数据模型。
相似：它们都为数据挖掘提供了源数据，都是数据的组合。
1.3 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。
使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。
答：特征化是一个目标类数据的一般特性或特性的汇总。
例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA：Grade point aversge)的信息，还有所修的课程的最大数量。
区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。
例如，具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较。
最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75%是四年级计算机科学专业的学生，而具有低GPA 的学生的65%不是。
关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。
例如，一个数据挖掘系统可能发现的关联规则为：major(X, “computing science”) ⇒ owns(X, “personal computer”)[support=12%, confidence=98%] 其中，X 是一个表示学生的变量。
这个规则指出正在学习的学生，12%（支持度）主修计算机科学并且拥有一台个人计算机。
这个组一个学生拥有一台个人电脑的概率是98%（置信度，或确定度）。
分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或功能），而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。
完整word版数据挖掘课后答案
第一章6．1 数据特征化是目标类数据的一般特性或特征的汇总。
（1）岁、有工5040—元以上的顾客特征的汇总描述是：年龄在例如，在某商店花费1000 作和很好的信誉等级。
数据区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比）（2 较。
由可与低平均分数的学生的一般特点进行比较。
例如，高平均分数的学生的一般特点，％的学生是大四的计算机科学专业75此产生的可能是一个相当普遍的描述，如平均分高达的学生则不是。
的学生，而平均分低于65% ）关联和相关分析是指在给定的频繁项集中寻找相关联的规则。
（3”X，）=>拥有（X 例如，一个数据挖掘系统可能会发现这样的规则：专业（，“计算机科学”是一个变量，代表一个学生，该规，其中Xconfidence = 98％]％，个人电脑“）[support= 12的置信度或可信性表示，如果一个学生是属于计算机科学专业的，则拥有个人则表明，98%显示属于计算机科学专的支持度意味着所研究的所有事务的12%98%。
12%电脑的可能性是业的学生都会拥有个人电脑。
（4）分类和预测的不同之处在于前者是构建了一个模型（或函数），描述和区分数据类或概念，而后者则建立了一个模型来预测一些丢失或不可用的数据，而且往往是数值，数据集的预测。
它们的相似之处是它们都是为预测工具：分类是用于预测的数据和预测对象的类标签，预测通常用于预测缺失值的数值数据。
例如：某银行需要根据顾客的基本特征将顾客的信誉度区分为优良中差几个类别，此时用到的则是分类；当研究某只股票的价格走势时，会根据股票的历史价格来预测股票的未来价格，此时用到的则是预测。
（5）聚类分析数据对象是根据最大化类内部的相似性、最小化类之间的相似性的原则进行聚类和分组。
聚类还便于分类法组织形式，将观测组织成类分层结构，把类似的事件组织在一起。
例如：世界上有很多种鸟，我们可以根据鸟之间的相似性，聚集成n类，其中n可以认为规定。
数据挖掘知识竞赛题库及答案
数据挖掘知识竞赛题库及答案一、选择题1. 数据挖掘的目的是从大量的数据中发现有价值的信息和知识。
以下哪个不是数据挖掘的主要任务？A. 分类B. 聚类C. 预测D. 图像识别答案：D2. 在数据挖掘过程中，特征工程是指什么？A. 选择与目标变量相关的特征B. 对特征进行标准化处理C. 特征降维D. 以上都是答案：D3. K-近邻算法是一种基于什么的分类方法？A. 决策树B. 支持向量机C. 神经网络D. 实例匹配答案：D4. 在数据挖掘中，什么是衡量分类器性能的主要指标？A. 准确率B. 召回率C. F1值D. AUC值答案：D5. 在关联规则挖掘中，最小支持度是指什么？A. 出现在至少一半的事务中的项集B. 出现在至少一定比例的事务中的项集C. 出现在至少一个事务中的项集D. 出现在至少多数事务中的项集答案：B6. 以下哪种技术不属于聚类分析？A. K-均值B. 层次聚类C. 密度聚类D. 决策树聚类答案：D7. 在时间序列分析中，什么是时间序列的前向扩散？A. 过去的信息对当前信息的影响B. 当前的信息对过去信息的影响C. 未来的信息对当前信息的影响D. 当前的信息对未来信息的影响答案：C8. 在数据挖掘中，什么是基于模型的预测方法？A. 利用已有数据建立模型，对新数据进行预测B. 直接对原始数据进行预测C. 利用专家经验进行预测D. 利用机器学习算法进行预测答案：A9. 在数据挖掘中，什么是维度归一化？A. 将特征值缩放到一个固定范围B. 减少特征的数量C. 特征选择D. 特征提取答案：A10. 在数据挖掘中，什么是过拟合？A. 模型在训练集上的性能很好，但在测试集上的性能较差B. 模型在训练集上的性能较差，但在测试集上的性能很好C. 模型在训练集和测试集上的性能都很好D. 模型在训练集和测试集上的性能都较差答案：A二、填空题1. 数据挖掘的主要任务包括分类、聚类、预测和__________。
数据挖掘测试题及答案
数据挖掘测试题及答案一、单项选择题（每题2分，共10题，共20分）1. 数据挖掘中，用于发现数据集中的关联规则的算法是：A. K-meansB. AprioriC. Naive BayesD. Decision Tree答案：B2. 以下哪个选项不是数据挖掘的步骤之一：A. 数据预处理B. 数据探索C. 数据收集D. 数据分析答案：C3. 在分类问题中，以下哪个算法属于监督学习：A. 聚类B. 决策树C. 关联规则D. 异常检测答案：B4. 数据挖掘中，用于发现数据集中的频繁项集的算法是：A. K-meansB. AprioriC. Naive BayesD. Decision Tree5. 在数据挖掘中，以下哪个选项不是数据预处理的步骤：A. 数据清洗B. 数据集成C. 数据变换D. 数据分类答案：D6. 以下哪个算法主要用于聚类问题：A. K-meansB. AprioriC. Naive BayesD. Decision Tree答案：A7. 在数据挖掘中，以下哪个选项不是数据挖掘的应用领域：A. 市场分析B. 医疗诊断C. 社交网络分析D. 视频游戏开发答案：D8. 以下哪个算法主要用于异常检测：A. K-meansB. AprioriC. Naive BayesD. One-Class SVM答案：D9. 在数据挖掘中，以下哪个选项不是数据挖掘的输出结果：B. 规则C. 趋势D. 软件答案：D10. 以下哪个算法主要用于分类问题：A. K-meansB. AprioriC. Naive BayesD. Decision Tree答案：D二、多项选择题（每题3分，共5题，共15分）1. 数据挖掘中，以下哪些算法可以用于分类问题：A. K-meansB. Decision TreeC. Naive BayesD. Logistic Regression答案：BCD2. 在数据挖掘中，以下哪些步骤属于数据预处理：A. 数据清洗B. 数据集成C. 数据变换D. 数据分类答案：ABC3. 以下哪些算法可以用于聚类问题：A. K-meansB. AprioriC. Hierarchical ClusteringD. DBSCAN答案：ACD4. 在数据挖掘中，以下哪些步骤属于数据探索：A. 数据可视化B. 数据摘要C. 数据分类D. 数据变换答案：AB5. 以下哪些算法可以用于异常检测：A. K-meansB. One-Class SVMC. Isolation ForestD. Apriori答案：BC三、简答题（每题5分，共3题，共15分）1. 简述数据挖掘中关联规则挖掘的主要步骤。
奇虎360 2016数据挖掘笔试题及答案
正确答案:A 你的答案:空(错误)正确答案:A你的答案:空(错误)tan(x)sec^2(x)-tan(x)-sec^2(x)正确答案:C你的答案:空(错误)4*e^4x e^4x 1/4*e^4x 4e^4x 正确答案:D你的答案:空(错误)-2，23，-3-3，32，-2在目标识别中，假定类型1为敌方目标，类型2为诱饵（假目标），已知先验概率P(1)=0.2和P(2)=0.8，类概率密度函数如下：则总错误概率为P(e)为0.08正确答案:A D 你的答案:空(错误)0.090.110.1设随机变量X ，Y 不相关，且EX=2，EY=1,DX=3，则E(X(X+Y-2))=()正确答案:D 你的答案:空(错误)-33-55下面哪个文件定义了网络服务的端口？()正确答案:B 你的答案:空(错误)/etc/netport /etc/services /etc/server /etc/netconf位势函数法的积累势函数K(x)的作用相当于Bayes 判决中的()正确答案:A D 你的答案:空(错误)后验概率先验概率类概率密度类概率密度与先验概率的乘积统计模式分类问题中，当先验概率未知时，可以使用()最小最大损失准则最小误判概率准则最小损失准则N-P 判决从浏览器打开,TCP/IP 协议族中不会被使用到的协议是()正确答案:A 你的答案:空(错误)SMTP HTTP TCP IP正确答案:B 你的答案:空(错误)一个4叉树，度为4的结点个数为6，度为3的节点个数是10，度为2的节点个数是5，叶子节点个数为()正确答案:D 你的答案:空(错误)40423844由权值为29,12,15,6,23的五个叶子节点构造的哈夫曼树为,其带权路径长度为()正确答案:D 你的答案:空(错误)22219285188当我们在局域网内使用ping 时，哪种协议没有被使用?正确答案:D 你的答案:空(错误)ICMP ARP DNS TCP对数列(25,84,21,47,15,27,68,35,20)进行排序，元素序列的变化情况如下:1.25,84,21,47,15,27,68,35,202.20,15,21,25,47,27,68,35,843.15,20,21,25,35,27,47,68,844.15,20,21,25,27,35,47,68,84简单选择排序快速排序归并排序希尔排序。
数据挖掘考试题及答案
数据挖掘考试题及答案一、单项选择题（每题2分，共20分）1. 数据挖掘的主要任务不包括以下哪一项？A. 分类B. 聚类C. 预测D. 数据清洗答案：D2. 以下哪个算法不是用于分类的？A. 决策树B. 支持向量机C. K-meansD. 神经网络答案：C3. 在数据挖掘中，关联规则挖掘主要用于发现以下哪种类型的模式？A. 频繁项集B. 异常检测C. 聚类D. 预测答案：A4. 以下哪个指标用于评估分类模型的性能？A. 准确率B. 召回率C. F1分数D. 以上都是答案：D5. 在数据挖掘中，过拟合是指模型：A. 过于复杂，无法泛化到新数据B. 过于简单，无法捕捉数据的复杂性C. 无法处理缺失值D. 无法处理异常值答案：A6. 以下哪个算法是用于异常检测的？A. AprioriB. K-meansC. DBSCAND. ID3答案：C7. 在数据挖掘中，哪个步骤是用于减少数据集中的噪声和不相关特征？A. 数据预处理B. 数据探索C. 数据转换D. 数据整合答案：A8. 以下哪个是时间序列分析中常用的模型？A. 线性回归B. ARIMAC. 决策树D. 神经网络答案：B9. 在数据挖掘中，哪个算法是用于处理高维数据的？A. 主成分分析（PCA）B. 线性回归C. 逻辑回归D. 随机森林答案：A10. 以下哪个是文本挖掘中常用的技术？A. 词袋模型B. 决策树C. 聚类分析D. 以上都是答案：D二、多项选择题（每题3分，共15分）11. 数据挖掘过程中可能涉及的步骤包括哪些？A. 数据清洗B. 数据转换C. 数据探索D. 模型训练答案：ABCD12. 以下哪些是数据挖掘中常用的数据预处理技术？A. 缺失值处理B. 特征选择C. 特征缩放D. 数据离散化答案：ABCD13. 在数据挖掘中，哪些因素可能导致模型过拟合？A. 训练数据量过少B. 模型过于复杂C. 训练数据噪声过多D. 训练数据不具代表性答案：ABCD14. 以下哪些是评估聚类算法性能的指标？A. 轮廓系数B. 戴维斯-邦丁指数C. 兰德指数D. 互信息答案：ABCD15. 在数据挖掘中，哪些是常用的特征工程方法？A. 特征选择B. 特征提取C. 特征构造D. 特征降维答案：ABCD三、简答题（每题10分，共30分）16. 简述数据挖掘中的“挖掘”过程通常包括哪些步骤。
数据挖掘概念与技术习题答案-第1章
数据挖掘概念与技术（原书第3版)第一章课后习题及解答１.９习题１.１什么是数据挖掘?在你的回答中，强调以下问题:（a）它是又一种广告宣传吗？(b)它是一种从数据库、统计学、机器学习和模式识别发展而来的技术的简单转换或应用吗?(c)我们提出了一种观点，说数据挖掘是数据库技术进化的结果。
你认为数据挖掘也是机器学习研究进化的结果吗？你能基于该学科的发展历史提出这一观点吗?针对统计学和模式识别领域,做相同的事。
(d）当把数据挖掘看做知识发现过程时，描述数据挖掘所涉及的步骤。
答：狭义的数据挖掘是知识发现过程中的一个步骤,广义的数据挖掘通常用来表示整个知识发现过程，我们一般采用广义的观点:数据挖掘是从大量数据中挖掘有趣模式和知识的过程。
数据源包括数据库、数据仓库、WEＢ、其他信息存储库或动态地流入系统的数据。
ａ.它不是一种广告宣传，它基于实际的需求,提供从数据中发现知识的工具。
ｂ.数据挖掘不是从数据库、统计学、机器学习和模式识别发展而来的技术的简单转换或应用，它可以看做是信息技术的自然进化，是一些相关学科和应用领域的交汇点。
c. 数据挖掘是数据库技术进化的结果，也是机器学习、统计学和模式识别领域技术进化的结果。
机器学习是一个快速成长的学科,这一领域中的监督学习、无监督学习、半监督学习和主动学习问题，与数据挖掘高度相关，数据挖掘和机器学习有许多相似之处,对于分类和聚类任务,机器学习研究通常关注模型的准确率。
除准确率之外,数据挖掘研究非常强调挖掘方法在大型数据集上的有效性和可伸缩性，以及处理复杂数据类型的方法，开发新的非传统的方法。
统计学研究数据的收集、分析、解释和表示。
数据挖掘和统计学具有天然联系。
（１）统计模型是一组数学函数，它们利用随机变量及其概率分布刻画目标类对象的行为，可以是数据挖掘的结果，也可以是数据挖掘任务的基础。
（2）统计学研究开发一些使用数据和统计模型进行预测和预报的工具，描述统计可以帮助理解数据;推理统计学用某种方式对数据建模,可以解释观测中的随机性和确定性,并用来提取关于所考察的过程中或总体的结论。
《数据挖掘》试题与答案
一、解答题（满分30分，每小题5分）1. 怎样理解数据挖掘和知识发现的关系？请详细阐述之首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。
知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。
流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。
2. 时间序列数据挖掘的方法有哪些，请详细阐述之时间序列数据挖掘的方法有：1）、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。
例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。
2）、随机时间序列预测方法:通过建立随机模型，对随机时间序列进行分析，可以预测未来值。
若时间序列是平稳的，可以用自回归(Auto Regressive，简称AR)模型、移动回归模型(Moving Average，简称MA)或自回归移动平均(Auto Regressive Moving Average，简称ARMA)模型进行分析预测。
3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网络。
由于大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。
假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列的预测。
3. 数据挖掘的分类方法有哪些，请详细阐述之分类方法归结为四种类型：1）、基于距离的分类方法:距离的计算方法有多种，最常用的是通过计算每个类的中心来完成，在实际的计算中往往用距离来表征，距离越近，相似性越大，距离越远，相似性越小。
数据挖掘原理与实践习题及参考答案
1.2 给出一个例子，说明数据挖掘对商务的成功是至关重要的。该商务需要什么样的数据挖 掘功能？它们能够由数据查询处理或简单的统计分析来实现吗？ 答：例如，数据挖掘在电子商务中的客户关系管理起到了非常重要的作用。随着各个电子商 务网站的建立，企业纷纷地从“产品导向”转向“客户导向” ，如何在保持现有的客户 同时吸引更多的客户、 如何在客户群中发现潜在价值， 一直都是电子商务企业重要任务。 但是，传统的数据分析处理，如数据查询处理或简单的统计分析，只能在数据库中进行 一些简单的数据查询和更新以及一些简单的数据计算操作，却无法从现有的大量数据中 挖掘潜在的价值。而数据挖掘技术却能使用如聚类、关联分析、决策树和神经网络等多 种方法，对数据库中庞大的数据进行挖掘分析，然后可以进行客户细分而提供个性化服 务、 可以利用挖掘到的历史流失客户的特征来防止客户流失、 可以进行产品捆绑推荐等， 从而使电子商务更好地进行客户关系管理，提高客户的忠诚度和满意度。 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，以及他们的 GPA。描述你要选取的结构，该结构的每个成分的作用是什么？ 答： 任务目的是分析课程数据库， 那么首先需要有包含信息的关系型数据库系统， 以便查找、 提取每个属性的值；在取得数据后，需要有特征选择模块，通过特征选择，找出要分析 的属性；接下来需要一个数据挖掘算法，或者数据挖掘软件，它应该包含像分类、聚类、 关联分析这样的分析模块，对选择出来的特征值进行分析处理；在得到结果后，可以用 可视化软件进行显示。 1.4 假定你作为一个数据挖掘顾问， 受雇于一家因特网搜索引擎公司。 通过特定的例子说明， 数据挖掘可以为公司提供哪些帮助，如何使用聚类、分类、关联规则挖掘和离群点检测 等技术为企业服务。 答： (1) 使用聚类发现互联网中的不同群体，用于网络社区发现；
数据挖掘导论课后习题答案
数据挖掘导论课后习题答案数据挖掘导论课后习题答案数据挖掘是一门涉及统计学、机器学习和数据库技术的跨学科领域，旨在从大量的数据中发现有价值的信息和模式。
在这门课程中，学生将学习数据挖掘的基本概念、方法和技术，并通过习题的解答来加深对这些概念的理解和应用。
下面是一些常见的数据挖掘导论课后习题及其答案，供学生参考。
1. 什么是数据挖掘？数据挖掘的目标是什么？答：数据挖掘是从大量的数据中提取出有用的信息和模式的过程。
其目标是发现隐藏在数据背后的知识和规律，以便支持决策和预测。
2. 数据挖掘的主要任务有哪些？答：数据挖掘的主要任务包括分类、聚类、关联规则挖掘、异常检测和预测等。
分类是将数据分为不同的类别；聚类是将数据分为相似的群组；关联规则挖掘是发现数据中的关联关系；异常检测是识别与其他数据不同的异常数据；预测是根据已有的数据来预测未来的趋势。
3. 数据挖掘的过程包括哪些步骤？答：数据挖掘的过程一般包括问题定义、数据收集、数据预处理、特征选择、模型建立、模型评估和结果解释等步骤。
问题定义是明确挖掘的目标和需求；数据收集是获取相关数据；数据预处理是对数据进行清洗、集成、转换和规约；特征选择是选择对挖掘任务有用的特征；模型建立是选择合适的模型并进行训练；模型评估是评估模型的性能；结果解释是对挖掘结果进行解释和应用。
4. 什么是分类算法？常见的分类算法有哪些？答：分类算法是将数据分为不同类别的算法。
常见的分类算法包括决策树、朴素贝叶斯、支持向量机和神经网络等。
决策树通过构建树状结构来进行分类；朴素贝叶斯基于贝叶斯定理进行分类；支持向量机通过寻找最优超平面进行分类；神经网络模拟人脑神经元的工作原理进行分类。
5. 什么是聚类算法？常见的聚类算法有哪些？答：聚类算法是将数据分为相似群组的算法。
常见的聚类算法包括K均值聚类、层次聚类和DBSCAN等。
K均值聚类通过将数据分为K个簇来进行聚类；层次聚类通过构建树状结构来进行聚类；DBSCAN基于密度的聚类算法，将高密度区域看作簇。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
边界值平滑后的结果为（6，6，11，11），（12，12，21，21），（25，25，25，100）
2)已知数组：{13,15,16,16,19,20,20,21,22,22}，先按深度为3边界值进行划分，再写出按边界值进行平滑后的结果
噪声数据处理的方法一般有处理方法一般有分箱，聚类，回归这些处理方法。（需要回答得更详细一点）
,
3．（10分）这是有一个有监督的分类挖掘任务。因此要解决以下几个问题:
采集数据的范围。应该在全国（全省）范围内进行分层抽样。样本需要来自不同层次的学校。
类标号列数据的获取,需要对参加过回答问题，并且考上了大学的学生，填写专业并回答
两者的区别主要是数据中是否有类标号。
从数据方面来说，分类挖掘的数据必须有类标号，也就是有专家参与。
从算法上来说，分类主要是建立决策树模型，而聚类主要是将相似的数据归为一个类。
5．（15分）如下表所示的数据集。请写出按属性A和B划分时的信息增益的计算表达式。不需要计算出最后结果。并回答计算信息增益在分类算法中的作用。
答：分箱的结果是：
{13,15,16}{16,19,20}{20,21,22}{22}
边界平滑后的结果是：
{13,16,16}{16,20,20}{20,20,22}
2。（10分）
答：答案要求，需要通过举例的方式说明噪声数据产生的原因。
比如，在收集野外的气象数据的时候，每一个自动化收集站都会收集气压，气温，雨量，方向等数据。如果由于传感器灵敏度的原因，收集的数据会有误差，这些数据就属于噪声数据。
广东工业大学考试试卷( A )答案
课程名称:数据挖掘试卷满分100分
考试时间: 2016年6月16日(第周星期)
题号
一
二
三
四
五
六
七
八
九
十
总分
评卷得分
评卷签名
复核得分
复核签名
1。（10分）
1)答案：平均值是25.08，20%的截断均值（两端各去掉两个数以后的平均值）是18.8，，中位数是19。
2）规范化后，转换后的值为（0，1，0.31）
答：该题和书上的例题3-4一样。
6．需要通过一个例子，从数据的采集，构成，数据清理、数据挖掘，评估来说明一个聚类的挖掘任务。
7．答：
D(p,q)=1+1+(22-17)=7
D(p,C1)=(1-20/30)+(1-18/30)+(20-17)=3.73
D(p,C2)=(1-3/15)+(1-0/15)+(24-17)=8.8
是否喜欢本专业。
需要回答使用了分类挖掘任务，并且简单的回答挖掘的过程。
4。（10分）某学校对入学的新生进行性格问卷调查，没有心理学家的参与，根据学生对问题的回答，把学生的性格分成了8个类别。请说明该数据挖掘任务是属于分类任务还是聚类任务？为什么？并利用该例说明聚类分析和分类分析的异同点。
答：是属于聚类任务。
以及他们的子集。
D(q,C1)=(1-5/30)+(1-8/30)+(22-20)=3.57
D(q,C2)=(1-12/15)+(1-3/12)+(24-22)=2.95
D(C1,C2)==1-(25*3+5*12)/(30*15)+1-(8*3)/(30*15)+(24-20)=5.65
8.答：首先要找到一项频繁集，按照顺序排：
序号
项集
支持度
1
KEY
6
2
BEER
5
3
WINE
4
4
BOX
7
DIAPER
2
8
TV
2
9
HAM
1
10
C
1
PF树如下：答案不唯一。
频繁2项集有：
（TV,BEER,KEY）;
(DIAPPER,EGG,BOX,WINE,BEER,KEY)
(DESK,BEER,KEY)
(BOX,KEY)
(BOX,WINE,KEY)