【2019年整理】数据挖掘概念与技术第2版习题答案
数据挖掘考试习题2有答案
1. 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖 掘的哪类问题？ （A ）A. 关联规则发现B. 聚类C. 分类D. 自然语言处理2. 以下两种描述分别对应哪两种对分类算法的评价标准？（A ） （a ） 警察抓小偷，描述警察抓的人中有多少个是小偷的标准。
（b ） 描述有多少比例的小偷给警察抓了的标准。
A. Precisio n. RecallB. Recall, Precisi onA. Precisio n, ROC D. Recall, ROC 3•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 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C. 关联分析D. 隐马尔可夫链B. 领域知识发现动态知识发现 6.使用交互式的和可视化的技术，对数据进行探索属于数据挖掘的哪一类任务？ （ A ） A. 探索性数据分析 B.建模描述C.预测建模D.寻找模式和规则7. 为数据的总体分布建模；把多维空间划分成组等问题属于数据挖掘的哪一类任 务？（B ）A. 探索性数据分析B.建模描述C.预测建模D.寻找模式和规则8. 建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据 挖掘的哪一类任务？ （C ）A. 根据内容检索B.建模描述C.预测建模D.寻找模式和规则9. 用户有一种感兴趣的模式并且希望在数据集中找到相似的模式， 属于数据挖掘哪 一类任务？ （A ）A. 根据内容检索B.建模描述C.预测建模D.寻找模式和规则11.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12•假设12个销售价格记录组已经排序如下： 5, 10, 11, 13, 15,35, 50, 55, 72, 92, 204, 215使用如下每种方法将它们划分成四个箱。
数据挖掘习题答案
数据挖掘习题答案数据挖掘习题答案数据挖掘作为一门重要的技术和方法，广泛应用于各个领域。
在学习数据挖掘的过程中，习题是不可或缺的一部分。
通过解答习题，我们可以更好地理解和掌握数据挖掘的原理和应用。
以下是一些常见的数据挖掘习题及其答案，供大家参考。
一、选择题1. 数据挖掘的目标是什么？A. 发现隐藏在大数据中的模式和关联B. 提供数据存储和管理的解决方案C. 分析数据的趋势和变化D. 优化数据的存储和传输速度答案：A. 发现隐藏在大数据中的模式和关联2. 下列哪个不是数据挖掘的主要任务？A. 分类B. 聚类C. 回归D. 排序答案：D. 排序3. 数据挖掘的过程包括以下几个步骤，哪个是第一步？A. 数据清洗B. 数据集成C. 数据转换D. 数据选择答案：B. 数据集成4. 下列哪个不是数据挖掘中常用的算法？A. 决策树B. 支持向量机C. 朴素贝叶斯D. 深度学习答案：D. 深度学习5. 下列哪个不是数据挖掘的应用领域？A. 金融B. 医疗C. 娱乐D. 政治答案：D. 政治二、填空题1. 数据挖掘是从大量数据中发现________和________。
答案：模式，关联2. 数据挖掘的主要任务包括分类、聚类、回归和________。
答案：预测3. 数据挖掘的过程包括数据集成、数据清洗、数据转换和________。
答案：模式识别4. 决策树是一种常用的________算法。
答案：分类5. 数据挖掘可以应用于金融、医疗、娱乐等多个________。
答案：领域三、简答题1. 请简要介绍数据挖掘的主要任务和应用领域。
答：数据挖掘的主要任务包括分类、聚类、回归和预测。
分类是将数据集划分为不同的类别，聚类是将数据集中相似的样本归为一类，回归是根据已有的数据预测未知数据的值，预测是根据已有的数据预测未来的趋势和变化。
数据挖掘的应用领域非常广泛，包括金融、医疗、娱乐等。
在金融领域，数据挖掘可以用于信用评估、风险管理等方面；在医疗领域，数据挖掘可以用于疾病诊断、药物研发等方面；在娱乐领域，数据挖掘可以用于推荐系统、用户行为分析等方面。
数据仓库与数据挖掘教程(第2版)课后习题答案 第二章
数据仓库与数据挖掘教程(第2版)课后习题答案第二章1. 什么是数据仓库？它与传统数据库有什么不同？答：数据仓库是一个面向主题、集成、稳定、可学习的数据集合，用于支持企业决策制定和决策支持系统。
与传统数据库相比，数据仓库更注重数据的整合和大数据的处理能力，以支持更高级别的数据分析和决策。
2. 什么是元数据？有哪些类型？答：元数据指描述数据仓库中数据的数据，用于描述数据的含义、格式、内容、质量、来源、使用和存储等方面的信息。
元数据有三种类型：技术元数据、业务元数据和操作元数据。
3. 数据仓库的架构有哪些组成部分？请简述各组成部分的作用。
答：数据仓库的架构主要包括数据源、数据抽取、清理和转换、存储和管理、元数据管理、查询和分析等几个组成部分。
- 数据源：指数据仓库的数据来源，可以是事务处理系统、外部数据源、第三方提供商等。
- 数据抽取、清理和转换：将数据从各种不同的来源抽取出来并转化为简单、标准的格式，以便进行加工和分析。
- 存储和管理：将经过抽取、转换和清洗后的数据存储在数据仓库中并进行管理，查找、更新和删除等操作。
- 元数据管理：对数据仓库中的元数据进行管理，并将其存储在元数据存储库中。
- 查询和分析：通过各种查询和分析工具来进行数据挖掘、分析和报告。
4. 请列出数据仓库中的三种主要数据类型。
答：数据仓库中的三种主要数据类型包括事实数据、维度数据和元数据。
5. 请列出数据仓库的三种不同的操作类型。
答：数据仓库的三种不同的操作类型包括基础操作、加工操作和查询操作。
6. 数据挖掘的定义是什么？答：数据挖掘是一种通过分析大量数据来发现有意义模式、趋势和关联的过程。
它是既包含统计学、机器学习和数据库技术的交叉学科，又包含更广泛的知识和业务领域。
7. 请列出数据挖掘中的四个主要任务。
答：数据挖掘中的四个主要任务包括描述性数据挖掘、预测性数据挖掘、关联数据挖掘和分类和聚类。
8. 数据仓库中经常使用OLAP分析方式，您了解OLAP是什么吗？答： OLAP是一种面向主题的数据分析方式，可以帮助用户对快速变化的数据进行多维分析和决策支持。
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。
数据挖掘考试题库及答案
数据挖掘考试题库及答案一、选择题1. 数据挖掘是从大量数据中提取有价值信息的过程，以下哪项不是数据挖掘的主要任务？A. 预测B. 分类C. 聚类D. 数据可视化答案：D2. 以下哪种技术不属于数据挖掘的常用方法？A. 决策树B. 支持向量机C. 关联规则D. 数据仓库答案：D3. 数据挖掘中，以下哪项技术常用于分类和预测？A. 神经网络B. K-均值聚类C. 主成分分析D. 决策树答案：D4. 在数据挖掘中，以下哪个概念表示数据集中的属性？A. 数据项B. 数据记录C. 数据属性D. 数据集答案：C5. 数据挖掘中，以下哪个算法用于求解关联规则？A. Apriori算法B. ID3算法C. K-Means算法D. C4.5算法答案：A二、填空题6. 数据挖掘的目的是从大量数据中提取______信息。
答案：有价值7. 在数据挖掘中，分类任务分为有监督学习和______学习。
答案：无监督8. 决策树是一种用于分类和预测的树形结构，其核心思想是______。
答案：递归划分9. 关联规则挖掘中，支持度表示某个项集在数据集中的出现频率，置信度表示______。
答案：包含项集的记录中同时包含结论的记录的比例10. 数据挖掘中，聚类分析是将数据集划分为若干个______的子集。
答案：相似三、判断题11. 数据挖掘只关注大量数据中的异常值。
（）答案：错误12. 数据挖掘是数据仓库的一部分。
（）答案：正确13. 决策树算法适用于处理连续属性的分类问题。
（）答案：错误14. 数据挖掘中的聚类分析是无监督学习任务。
（）答案：正确15. 关联规则挖掘中，支持度越高，关联规则越可靠。
（）答案：错误四、简答题16. 简述数据挖掘的主要任务。
答案：数据挖掘的主要任务包括预测、分类、聚类、关联规则挖掘、异常检测等。
17. 简述决策树算法的基本原理。
答案：决策树算法是一种自顶向下的递归划分方法。
它通过选择具有最高信息增益的属性进行划分，将数据集划分为若干个子集，直到满足停止条件。
数据挖掘 习题及参考答案
①电信行业中利用数据挖掘技术进行客户行为分析，包含客户通话记录、通话时间、所 开通的服务等，据此进行客户群体划分以及客户流失性分析。
②天文领域中利用决策树等数据挖掘方法对上百万天体数据进行分类与分析，帮助天文 学家发现其他未知星体。
③制造业中应用数据挖掘技术进行零部件故障诊断、资源优化、生产过程分析等。
第 4 页 共 27 页
(b)对于数据平滑，其它方法有： (1)回归：可以用一个函数(如回归函数)拟合数据来光滑数据； (2)聚类：可以通过聚类检测离群点，将类似的值组织成群或簇。直观地，落在簇集合 之外的值视为离群点。
2.6 使用习题 2.5 给出的 age 数据，回答以下问题： (a) 使用 min-max 规范化，将 age 值 35 转换到[0.0，1.0]区间。 (b) 使用 z-score 规范化转换 age 值 35，其中，age 的标准偏差为 12.94 年。 (c) 使用小数定标规范化转换 age 值 35。 (d) 指出对于给定的数据，你愿意使用哪种方法。陈述你的理由。
回归来建模，或使用时间序列分析。 (7) 是，需要建立正常心率行为模型，并预警非正常心率行为。这属于数据挖掘领域
的异常检测。若有正常和非正常心率行为样本，则可以看作一个分类问题。 (8) 是，需要建立与地震活动相关的不同波形的模型，并预警波形活动。属于数据挖
掘领域的分类。 (9) 不是，属于信号处理。
1.6 根据你的观察，描述一个可能的知识类型，它需要由数据挖掘方法发现，但本章未列出。 它需要一种不同于本章列举的数据挖掘技术吗？
答：建立一个局部的周期性作为一种新的知识类型，只要经过一段时间的偏移量在时间序列 中重复发生，那么在这个知识类型中的模式是局部周期性的。需要一种新的数据挖掘技 术解决这类问题。
数据挖掘_概念与技术(第2版)习题答案
数据挖掘——概念概念与技术DataMiningConcepts and Techniques习题解答23页2.3.453页2.3.479页3.6.9117页3.4152页1177页6.8.14207页3251页7285页1320页21.3假设你是BigUniversity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（平均积分点）。
描述你要选取的结构。
该结构的每个成分的作用是什么？答：该应用程序的数据挖掘的体系结构应包括以下主要组成部分：z数据库，数据仓库，万维网或其他信息库：这是一个或一组包含学生和课程信息数据库、数据仓库、电子表格或其他类型的信息库；z数据库或数据仓库服务器：根据用户数据挖掘请求，数据库或数据仓库服务器负责提取相关数据；z知识库：这是领域的知识，用于指导搜索或评估结果模式的兴趣度。
z数据挖掘引擎：这是数据挖掘系统的基本部分，理想情况下由一组功能模块组成，用于执行特征化、关联和相关分析、分类、预测、聚类分析、离群点分析和演变分析等任务。
z模式评估模块：该成分使用兴趣度度量，并与数据挖掘模块交互，以便将搜索聚焦在有兴趣的模式上。
z用户界面：该模块在用户和数据挖掘系统之间通信，允许用户与系统交互，说明挖掘查询或任务，提供信息以帮助搜索聚焦，根据数据挖掘的中间结果进行探索式数据挖掘。
1.4 数据仓库和数据库有何不同？有哪些相似之处？p8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。
1.5 简述以下高级数据库系统和应用：对象-关系数据库、空间数据库、文本数据库、多媒体数据库、流数据和万维网。
数据仓库与数据挖掘教程第2版陈文伟版课后习题答案非常全
第一章作业1．数据库及数据仓库的本质差别是什么？书P2（1）数据库用于事务处理，数据仓库用于决策分析。
（2）数据库保持事物处理的当前状态，数据仓库即保存过去的数据又保存当前的数据。
（3）数据仓库的数据是大量数据库的集成。
（4）对数据库的操作比较明确，操作数量较小。
对数据仓库操作不明确，操作数据量大。
2．从数据库发展到数据仓库的原因是什么？书P1（1）数据库数据太多，信息贫乏。
如何将大量的数据转化为辅助决策信息成为了研究热点。
（2）异构环境数据的转换和共享。
随着各类数据库产品的增加，异构环境的数据也逐渐增加，如何实现这些异构环境数据的转换的共享也成了研究热点。
（3）利用数据进行事物处理转变为利用数据支持决策。
3．举例说明数据库及数据仓库的不同。
比如，银行中储蓄业务要建立储蓄数据库，信用卡要建立信用卡数据库，贷款业务要建立贷款数据库，这些数据库方便了银行的事务处理。
但是要对这些独立数据库进行决策分析就很复杂了。
因此可以把这些数据库中的数据存储转化到数据仓库中，方便进行决策。
4.( ,联机事物处理)是在网络环境下的事务处理工作，以快速的响应和频繁的数据修改为特征，使用户利用数据库能够快速地处理具体的业务。
（，联机分析处理）是使用多维数据库和多维分析的方法，对多个关系数据库共同进行大量的综合计算来得到结果的方法。
5.是用户的数据可以立即传送到计算中心进行处理，并在很短的时间内给出处理结果。
6.7．包括数据项、数据结构、数据流、数据存储和处理过程五个部分。
8．定义为关于数据的数据，描述数据仓库中数据及其环境的数据。
9．元数据不仅仅是数据仓库的字典，而且还是数据仓库本身功能的说明数据，是整个数据仓库的核心。
数据字典是关于数据库中数据的描述，而不是数据本身，数据字典是数据库的元数据。
10 .数据仓库的定义是什么？答：（1）对数据仓库的定义：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。
数据仓库与数据挖掘教程(第2版)课后习题答案 第四章
第四章作业1.数据仓库的需求分析的任务是什么？P67需求分析的任务是通过详细调查现实世界要处理的对象（企业、部门用户等），充分了解源系统工作概况，明确用户的各种需求，为设计数据仓库服务。
概括地说，需求分析要明确用那些数据经过分析来实现用户的决策支持需求。
2.数据仓库系统需要确定的问题有哪些？P67、、（1）确定主题域a)明确对于决策分析最有价值的主题领域有哪些b)每个主题域的商业维度是那些？每个维度的粒度层次有哪些？c)制定决策的商业分区是什么？d)不同地区需要哪些信息来制定决策？e)对那个区域提供特定的商品和服务？（2）支持决策的数据来源a)那些源数据与商品的主题有关？b)在已有的报表和在线查询（OLTP）中得到什么样的信息？c)提供决策支持的细节程度是怎么样的？（3）数据仓库的成功标准和关键性指标a)衡量数据仓库成功的标准是什么？b)有哪些关键的性能指标？如何监控？c)对数据仓库的期望是什么？d)对数据仓库的预期用途有哪些？e)对计划中的数据仓库的考虑要点是什么？（4）数据量与更新频率a)数据仓库的总数据量有多少？b)决策支持所需的数据更新频率是多少？时间间隔是多长？c)每种决策分析与不同时间的标准对比如何？d)数据仓库中的信息需求的时间界限是什么？3.实现决策支持所需要的数据包括哪些内容？P68（1）源数据（2）数据转换（3）数据存储（4）决策分析4．概念：将需求分析过程中得到的用户需求抽象为计算机表示的信息结构，叫做概念模型。
特点：（1）能真实反映现实世界，能满足用户对数据的分析，达到决策支持的要求，它是现实世界的一个真实模型。
（2）易于理解，便利和用户交换意见，在用户的参与下，能有效地完成对数据仓库的成功设计。
（3）易于更改，当用户需求发生变化时，容易对概念模型修改和扩充。
（4）易于向数据仓库的数据模型（星型模型）转换。
5．用长方形表示实体，在数据仓库中就表示主题，椭圆形表示主题的属性，并用无向边把主题与其属性连接起来；用菱形表示主题之间的联系，用无向边把菱形分别与有关的主题连接；若主题之间的联系也具有属性，则把属性和菱形也用无向边连接上。
数据仓库与数据挖掘教程（第2版）课后习题答案第七章
数据仓库与数据挖掘教程（第2版）课后习题答案第七章第七章作业1.信息论的基本原理是什么？一个传递信息的系统是由发送端(信源)和接收端(信宿)以及连接两者的通道(信道)组成的。
信息论把通信过程看做是在随机干扰的环境中传递信息的过程。
在这个通信模型中，信息源和干扰(噪声)都被理解为某种随机过程或随机序列。
在进行实际的通信之前，收信者(信宿)不可能确切了解信源究竟会发出什么样的具体信息，也不可能判断信源会处于什么样的状态。
这种情形就称为信宿对于信源状态具有不确定性，而且这种不确定性是存在于通信之前的，因而又叫做先验不确定性。
在通信后，信宿收到了信源发来的信息，这种先验不确定性才会被消除或者被减少。
如果干扰很小，不会对传递的信息产生任何可察觉的影响，信源发出的信息能够被信宿全部收到，在这种情况下，信宿的先验不确定性就会被完全消除。
但是，在一般情况下，干扰总会对信源发出的信息造成某种破坏，使信宿收到的信息不完全。
因此，先验不确定性不能全部被消除, 只能部分地消除。
换句话说，通信结束之后，信宿仍具有一定程度的不确定性。
这就是后验不确定性。
2.学习信道模型是什么？学习信道模型是信息模型应用于机器学习和数据挖掘的具体化。
学习信道模型的信源是实体的类别，采用简单“是”、“非”两类，令实体类别U 的值域为{u1，u2}，U 取u1表示取“是”类中任一例子，取u2表示取“非”类中任一例子。
信宿是实体的特征（属性）取值。
实体中某个特征属性V ，他的值域为{v1，v2……vq}。
3.为什么机器学习和数据挖掘的分类问题可以利用信息论原理？信息论原理是数据挖掘的理论基础之一。
一般用于分类问题，即从大量数据中获取分类知识。
具体来说，就是在已知各实例的类别的数据中，找出确定类别的关键的条件属性。
求关键属性的方法，即先计算各条件属性的信息量，再从中选出信息量最大的属性，信息量的计算是利用信息论原理中的公式。
4自信息：单个消息ui 发出前的不确定性（随机性）称为自信息。
数据挖掘算法原理与实现第2版第三章课后答案
数据挖掘算法原理与实现第2版第三章课后答案
1.密度聚类分析：
原理：密度聚类分析是指通过测量数据对象之间的密度（density）
来将其聚成几个聚类的一种聚类分析方法。
它把距离邻近的数据归入同一
类簇，并把不相连的数据分成不同的类簇。
实现：通过划分空间中每一点的邻域来衡量数据点之间的聚类密度。
它将每个数据点周围与它最近的K个数据点用一个空间圆包围起来，以定
义该数据点处的聚类密度。
然后，可以使用距离函数将所有点分配到最邻
近的类中。
2.引擎树：
原理：引擎树（Search Engine Tree，SET）是一种非常有效的数据
挖掘方法，它能够快速挖掘关系数据库中指定的有价值的知识。
实现：SET是一种基于决策树的技术，通过从关系数据库的历史数据
中提取出有价值的信息，来建立一种易于理解的引擎树，以及一些有益的
信息发现知识，以便用户快速找到想要的信息。
SET对原始数据进行一系
列数据挖掘处理后，能够提取出其中模式分析的信息，从而实现快速、高
效的引擎。
3.最大期望聚类：
原理：最大期望聚类（Maximization Expectation Clustering，MEC）是一种有效的数据挖掘算法，它可以自动识别出潜在的类簇结构，提取出
类簇内部的模式，帮助用户快速完成类簇分析任务。
数据挖掘概念与技术习题答案-第3章
数据挖掘概念与技术（原书第 3 版）第三章课后习题及解答3.7 习题3.1 数据质量可以从多方面评估，包括准确性、完整性和一致性问题。
对于以上每个问题，讨论数据质量的评估如何依赖于数据的应用目的，给出例子。
提出数据质量的两个其他尺度。
答：数据的质量依赖于数据的应用。
准确性和完整性：如对于顾客的地址信息数据，有部分缺失或错误，对于市场分析部门，这部分数据有80%是可以用的，就是质量比较好的数据，而对于需要一家家拜访的销售而言，有错误地址的数据，质量就很差了。
一致性：在不涉及多个数据库的数据时，商品的编码是否一致并不影响数据的质量，但涉及多个数据库时，就会影响。
数据质量的另外三个尺度是时效性，可解释性，可信性。
3.2 在现实世界的数据中，某些属性上缺失值得到元组是比较常见的。
讨论处理这一问题的方法。
答：对于有缺失值的元组，当前有 6 种处理的方法：（1 ）忽略元组：当缺少类标号时通常这么做（假定挖掘任务涉及分类）。
除非元组有多个属性缺少值，否则该方法不是很有效。
当每个属性缺失值的百分比变化很大时，它的性能特别差。
采用忽略元组，你不能使用该元组的剩余属性值。
这些数据可能对手头的任务是有利的。
（2 ）人工填写缺失值：一般来说，该方法很费时，并且当数据集很大、缺失值很多时，该方法可能行不通。
（3）使用一个全局常量填充缺失值：将缺失的属性值用同一个常量（如“unknown”或- ）替换。
如果缺失值都用“ unknown”替换，则挖掘程序可能误以为它们形成了一个有趣的概念，因为它们都具有相同的值——“ unknown”。
因此，尽管该方法简单，但是并不十分可靠。
（4）使用属性的中心度量（如均值或中位数）填充缺失值：第 2 章讨论了中心趋势度量，它们指示数据分布的“中间”值。
对于正常的（对称的）数据分布，可以使用均值，而倾斜分布的数据则应使用中位数。
（5 ）使用与给定元组属同一类的所有样本的属性均值或中位数（6 ）使用最可能的值填充缺水值：可以用回归、使用贝叶斯形式化方法的基于推理的工具或决策树归纳确定。
数据仓库与数据挖掘教程（第2版）课后习题答案第五章
数据仓库与数据挖掘教程（第2版）课后习题答案第五章第五章作业1．数据仓库的两类用户有什么本质的不同？P96数据仓库的用户有两类：信息使用者和探索者。
信息使用者是使用数据仓库的大量用户，信息使用者以一种可以预测的、重复性的方式使用数据仓库平台。
探索者完全不同于信息使用者，他们有一个完全不可预测的、非重复性的数据使用模式。
2．数据仓库的信息使用者与数据库的信息使用者有什么不同？数据库的信息使用者主要关心当前某一个时间段内的数据，而数据仓库的信息使用者关心企业从过去某一时点(如开始应用数据仓库的时点)到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。
3.1非规格化规范化的作用是产生一种完全没有数据冗余的设计方法。
但是，有时在数据仓库设计中引入一些有限的数据冗余来提高数据访问效果。
2创建数据阵列创建数据阵列，将相关类型的数据(如：1月、2月、3月等月份中的数据)存储在一起，提高访问效果。
3预连接表格一个公用键和共同使用的数据将表格合并在一起。
共享一个公用键，可以将多个表格合并到一个物理表格中。
这样做可以很大程度的提高数据访问效率。
4预聚集数据根据“滚动概括”结构来组织数据。
当数据被输入到数据仓库中时，以每小时为基础存储数据。
在这一天结束时，以每天为基础存储累加每小时的数据。
在一周结束时，以每周为基础存储累加每天的数据。
月末时，则以每月为基础存储累加每周的数据。
5聚类数据将不同类型的数据记录放置在相同的物理位置。
这为用户查看这些记录，可以在同一地点找到它们，提高查询效率。
6压缩数据压缩可以使可读取的数据量极大。
定期净化数据定期删除数据仓库中不需要的数据，可以为每个用户提高性能。
7合并查询如果查询定期发生，那么可以通过把这些查询合并到同一个表格中，从而节省大量资源。
4. 增加一些数据冗余，相当于增加了某些相同的数据，这些数据往往是我们很需要的或者是经常被使用的，由于这些数据所占总量的比例增加，所以被访问的概率增加，从而减少了查询时间，提高了查询速度。
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。
数据挖掘习题参考答案
数据挖掘习题参考答案数据挖掘习题参考答案数据挖掘作为一门热门的学科，已经在各个领域得到广泛应用。
它的目标是从大量的数据中发现有用的信息，并且用这些信息来解决实际问题。
为了帮助读者更好地理解数据挖掘的概念和技术，本文将提供一些数据挖掘习题的参考答案，希望能够对读者有所帮助。
习题一：什么是数据挖掘？它有哪些应用领域？答案：数据挖掘是指从大量的数据中发现有用的信息，并且用这些信息来解决实际问题的过程。
它可以帮助我们发现数据中的模式、规律和趋势，从而提供决策支持和预测能力。
数据挖掘的应用领域非常广泛，包括但不限于市场营销、金融风险管理、医疗诊断、社交网络分析等。
习题二：数据挖掘的主要任务有哪些？答案：数据挖掘的主要任务包括分类、聚类、关联规则挖掘和异常检测。
分类是指根据已有的数据样本来预测新的数据样本所属的类别。
聚类是指将数据样本分成几个不同的组，使得同一组内的数据样本相似度较高，而不同组之间的相似度较低。
关联规则挖掘是指发现数据中的关联关系，例如购物篮分析中的“如果购买了商品A，则更有可能购买商品B”。
异常检测是指发现与其他样本不同的数据点，可能是潜在的异常或异常行为。
习题三：数据挖掘的过程有哪些步骤？答案：数据挖掘的过程通常包括问题定义、数据收集、数据预处理、特征选择和转换、模型选择和建立、模型评估和模型应用等步骤。
首先，我们需要明确问题的定义，确定我们需要从数据中挖掘出什么样的信息。
然后，我们收集相关的数据，并对数据进行预处理，包括数据清洗、数据集成、数据变换和数据规约等。
接下来，我们选择合适的特征，并进行特征转换，以便于模型的建立和分析。
在模型选择和建立阶段，我们选择合适的数据挖掘算法，并进行模型的训练和优化。
最后，我们评估模型的性能，并将模型应用于实际问题中。
习题四：数据挖掘中常用的算法有哪些？答案：数据挖掘中常用的算法包括决策树、朴素贝叶斯、支持向量机、神经网络、聚类算法（如K-means算法和DBSCAN算法）、关联规则挖掘算法（如Apriori算法）等。
数据仓库与数据挖掘教程(第2版)课后习题答案 第六章
第六章作业1.数据挖掘与知识发现两个概念有什么不同？P116知识发现被认为是从数据中发现有用知识的整个过程。
数据挖掘被认为是知识发现过程中的一个特定步骤，它用专门算法从数据中抽取模式。
2.知识发现过程由哪三部分组成？每部分的工作是什么？P116KDD过程可以概括为三个子步骤：数据准备、数据挖掘和结果的解释和评价。
数据准备：数据准备又可分为三个子步骤：数据选取、数据预处理和数据变换。
数据选取的目的是确定发现任务的操作对象，即目标数据，它是根据用户的需要从原始数据库中抽取的一组数据。
数据预处理一般可能包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换（如把连续值数据转换为离散型的数据，以便于符号归纳；或是把离散型的转换为连续值型的，以便于神经网络归纳）等。
当数据开采的对象是数据仓库时，一般来说，数据预处理已经在生成数据仓库时完成了。
数据变换的主要目的是消减数据维数或降维，即从初始特征中找出真正有用的特征以减少数据开采时要考虑的特征或变量个数。
数据挖掘：数据挖掘是利用一系列方法或算法从数据中获取知识。
按照数据挖掘任务的不同，数据挖掘方法分类分为聚类、分类、关联规则发现等。
结果的解释和评价：数据挖掘阶段发现的模式，经过用户或机器的评估，可能存在冗余或无关的模式，这时需要将其剔除；也有可能模式不满足用户要求，这时则需要让整个发现过程退回到发现阶段之前，如重新选取数据、采用新的数据变换方法、设定新的数据挖掘参数值，甚至换一种挖掘算法（如当发现任务是分类时，有多种分类方法，不同的方法对不同的数据有不同的效果）。
另外，由于KDD最终是面向人类用户的，因此可能要对发现的模式进行可视化，或者把结果转换为用户易懂的另一种表示，如把分类决策树转换为“if...then...”规则。
3.数据挖掘的对象有哪些？他们各自的特点是什么？P1181.关系数据库特点：（1）数据动态性（2）数据不完全性（3）数据噪声（4）数据冗余性（5）数据稀疏性（6）海量数据2.文本特点：（1）关键词或特征提取（2）相似检索（3）文本聚类（4）文本数据3.图像与视频数据特点：（1）图像与视频特征提取（2）基于内容的相似检索（3）视频镜头的编辑与组织4.web数据（1）异构数据集成和挖掘（2）半结构化数据模型抽取4.1)．关联分析若两个或多个数据项的取值之间重复出现且概率很高时，它就存在某种关联，可以建立起这些数据项的关联规则。
数据挖掘概念与技术课后答案第二版
数据挖掘概念与技术课后答案第二版第一章：数据挖掘概论1.什么是数据挖掘？数据挖掘是一种通过从大量数据中发现隐藏模式、关系和知识的方法。
它将统计学、机器学习和数据库技术结合起来，用于分析海量的数据，并从中提取出有用的信息。
2.数据挖掘的主要任务有哪些？数据挖掘的主要任务包括分类、回归、聚类、关联规则挖掘和异常检测等。
3.数据挖掘的流程有哪些步骤？数据挖掘的典型流程包括问题定义、数据收集、数据预处理、特征选择、模型构建、模型评估和模型应用等步骤。
4.数据挖掘的应用领域有哪些？数据挖掘的应用领域非常广泛，包括市场营销、金融分析、生物医学、社交网络分析等。
5.数据挖掘的风险和挑战有哪些？数据挖掘的风险和挑战包括隐私保护、数据质量、误差纠正、过拟合和模型解释等。
第二章：数据预处理1.数据预处理的主要任务有哪些？数据预处理的主要任务包括数据清洗、数据集成、数据转换和数据规约等。
2.数据清洗的方法有哪些？数据清洗的方法包括缺失值填补、噪声数据过滤、异常值检测和重复数据处理等。
3.数据集成的方法有哪些？数据集成的方法包括实体识别、属性冲突解决和数据转换等。
4.数据转换的方法有哪些？数据转换的方法包括属性构造、属性选择、规范化和离散化等。
5.数据规约的方法有哪些？数据规约的方法包括维度规约和数值规约等。
第三章：特征选择与数据降维1.什么是特征选择？特征选择是从原始特征集中选择出最具有代表性和区分性的特征子集的过程。
2.特征选择的方法有哪些？特征选择的方法包括过滤式特征选择、包裹式特征选择和嵌入式特征选择等。
3.什么是数据降维？数据降维是将高维数据映射到低维空间的过程，同时保留原始数据的主要信息。
4.数据降维的方法有哪些？数据降维的方法包括主成分分析、线性判别分析和非负矩阵分解等。
5.特征选择和数据降维的目的是什么？特征选择和数据降维的目的是减少数据维度、提高模型训练效果、降低计算复杂度和防止过拟合等。
第四章：分类与预测1.什么是分类？分类是通过训练数据集建立一个分类模型，并将未知数据对象分配到其中的某个类别的过程。
数据仓库与数据挖掘教程（第2版）课后习题答案第八章
第七章作业第七章作业说明等价关系、等价类以及划分的定义。
说明等价关系、等价类以及划分的定义。
等价关系：对于∀a ∈A （A 中包含一个或多个属性），A ⊆R ，x ∈U ，y ∈U ，他们的属性值相同，即fa （x ）= b （y ）成立，称对象x 和y 是对属性A 的等价关系。
的等价关系。
等价类：在U 中，对属性集A 中具有相同等价关系的元素集合成为等价关系IND （A ）的等价类。
的等价类。
划分：在U 中对属性A 的所有等价类形成的划分表示为A={Ei | Ei=[xi]a ，i=1,2，… }说明集合X 的上、下近似关系定义。
的上、下近似关系定义。
下近似定义：下近似定义：任一一个子集X ⊆U ，属性A 的等价类Ei=[x]A ，有：A-（X ）=U{Ei|Ei ∈A ∧Ei Ei⊆⊆X} 或A-（X ）={x|[x]A ={x|[x]A⊆⊆X} 表示等价类Ei=[x]A 中的元素x 都属于X ，即∀x ∈A-（X ），则x一定属于X 。
上近似定义：上近似定义：任一一个子集X ⊆U ，属性A 的等价类Ei=[x]A ，有：A-（X ）=U{Ei|Ei ∈A ∧Ei ∩X ≠∅}或A-（X ）={x|[x]A ∩X ≠∅} 表示等价类Ei=[x]A 中的元素x 可能属于X ，即∀x ∈A-（X ），则x 可能属于X ，也可能不属于X 。
说明正域、负域和边界的定义。
说明正域、负域和边界的定义。
全集U 可以划分为三个不相交的区域，即正域（pos ），负域（neg ）和边界（bnd ）： POSA(X)= A-（X ）NEGA(X)=U- A-（X ） BNDA(X) = A-（X ）-A-（X ）4.粗糙集定义：粗糙集定义：若 ，即，即 ， 即边界为空，称X 为A 的可定义集；的可定义集； 否则X 为A 不可定义的，不可定义的，即 ，称X 为A 的Rough 集（粗糙集）集（粗糙集） 确定度定义：确定度定义： ()A U A X A X X U a ----=其中U 和A X A X ---分别表示集合U 、（AX AX ---）中的元素个数）中的元素个数5. 在信息表中根据等价关系，我们可以用等价类中的一个对象（元组）来代表整个等价类，这实际上是按纵方向约简了信息表中数据。
数据仓库与数据挖掘教程（第2版）陈文伟版课后部分习题答案
数据仓库与数据挖掘教程（第2版）陈⽂伟版课后部分习题答案第⼀章数据仓库与数据挖掘概述1.数据库与数据仓库的本质差别是什么？答：数据库⽤于事务处理，数据仓库⽤于决策分析;数据库保持事务处理的当前状态，数据仓库既保存过去的数据⼜保存当前的数据;数据仓库的数据是⼤量数据库的集成;对数据库的操作⽐较明确，操作数据量少,对数据仓库操作不明确，操作数据量⼤。
数据库是细节的、在存取时准确的、可更新的、⼀次操作数据量⼩、⾯向应⽤且⽀持管理；数据仓库是综合或提炼的、代表过去的数据、不更新、⼀次操作数据量⼤、⾯向分析且⽀持决策。
6.说明OLTP与OLAP的主要区别。
答：OLTP针对的是细节性数据、当前数据、经常更新、⼀次性处理的数据量⼩、对响应时间要求⾼且⾯向应⽤，事务驱动；OLAP针对的是综合性数据、历史数据、不更新，但周期性刷新、⼀次处理的数据量⼤、响应时间合理且⾯向分析，分析驱动。
8.元数据的定义是什么？答：元数据（metadata）定义为关于数据的数据（data about data），即元数据描述了数据仓库的数据和环境。
9.元数据与数据字典的关系什么？答：在数据仓库中引⼊了“元数据”的概念，它不仅仅是数据仓库的字典，⽽且还是数据仓库本⾝信息的数据。
18.说明统计学与数据挖掘的不同。
答：统计学主要是对数量数据（数值）或连续值数据（如年龄、⼯资等），进⾏数值计算（如初等运算）的定量分析，得到数量信息。
数据挖掘主要对离散数据（如职称、病症等）进⾏定性分析（覆盖、归纳等），得到规则知识。
19.说明数据仓库与数据挖掘的区别与联系。
答：数据仓库是⼀种存储技术，它能适应于不同⽤户对不同决策需要提供所需的数据和信；数据挖掘研究各种⽅法和技术，从⼤量的数据中挖掘出有⽤的信息和知识。
数据仓库与数据挖掘都是决策⽀持新技术。
但它们有着完全不同的辅助决策⽅式。
在数据仓库系统的前端的分析⼯具中，数据挖掘是其中重要⼯具之⼀。
它可以帮助决策⽤户挖掘数据仓库的数据中隐含的规律性。
- 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)。
数据挖掘——概念概念与技术DataMiningConcepts and Techniques习题解答Jiawei Han Micheline Kamber 著范明孟晓峰译1.3假设你是BigUniversity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（平均积分点）。
描述你要选取的结构。
该结构的每个成分的作用是什么？答：该应用程序的数据挖掘的体系结构应包括以下主要组成部分：●数据库，数据仓库，万维网或其他信息库：这是一个或一组包含学生和课程信息数据库、数据仓库、电子表格或其他类型的信息库；●数据库或数据仓库服务器：根据用户数据挖掘请求，数据库或数据仓库服务器负责提取相关数据；●知识库：这是领域的知识，用于指导搜索或评估结果模式的兴趣度。
●数据挖掘引擎：这是数据挖掘系统的基本部分，理想情况下由一组功能模块组成，用于执行特征化、关联和相关分析、分类、预测、聚类分析、离群点分析和演变分析等任务。
●模式评估模块：该成分使用兴趣度度量，并与数据挖掘模块交互，以便将搜索聚焦在有兴趣的模式上。
●用户界面：该模块在用户和数据挖掘系统之间通信，允许用户与系统交互，说明挖掘查询或任务，提供信息以帮助搜索聚焦，根据数据挖掘的中间结果进行探索式数据挖掘。
1.4 数据仓库和数据库有何不同？有哪些相似之处？p8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。
1.5 简述以下高级数据库系统和应用：对象-关系数据库、空间数据库、文本数据库、多媒体数据库、流数据和万维网。
答：对象－关系数据库的设计是基于面向对象的编程范式的数据是大量对象类和类层次结构组织。
每个实体在数据库中被视为一个对象。
该对象包含一组变量描述的对象，一组消息的对象可以使用的沟通与其他物体或与其余的数据库系统，以及一套方法，每种方法持有的代码实现一个消息。
空间数据库包含空间有关的数据，这可能是代表的形式，栅格或矢量数据。
栅格数据包括n维位图或像素地图，矢量数据是由点，线，多边形或其他种类的图元处理，一些例子包括地理空间数据库（图）数据库，超大规模集成电路芯片设计，以及医疗和卫星图像数据库。
文本数据库包含文本文件或其他长句或段落格式的文字说明，如产品规格、误差或错误报告、警告信息、总结报告、说明或其他文件。
多媒体数据库存储的图像，音频，视频数据，并应用于诸如图像、基于内容的检索、语音邮件系统、视频点播系统、互联网和以语音为基础的用户界面。
流数据是一类新的数据的产生和分析，其中数据动态地从观测平台（或窗口）流进或流出。
特点：海量甚至可能无限，动态变化，以固定的次序流进或流出，只允许一遍或少数几遍扫描，要求快速响应时间。
如电力供应、网络通信、股票交易、电信、Web点击流、视频监视和气象或环境监控数据。
万维网上提供丰富的、全世界范围内的联机信息服务，其中的数据对象链接在一起便于交互访问。
与之关联的分布式信息服务的例子如：美国在线，雅虎！Alta Vista等。
1.6 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。
它们的相似性是他们都是预测的工具：分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。
聚类分析的数据对象不考虑已知的类标号。
对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。
形成的每一簇可以被看作一个对象类。
聚类也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。
数据演变分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数据的特征化、区分、关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分析、序列或周期模式匹配、和基于相似性的数据分析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 2005~15 45015~20 30020~50 150050~80 70080~110 44 ―――――――――――――――――――――――――――――――――――――计算数据的近似中位数值。
解答：先判定中位数区间：N=200+450+300+1500+700+44=3194；N/2=1597∵ 200+450+300=950<1597<2450=950+1500；∴ 20~50 对应中位数区间。
∴ median=32.97 岁。
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。
答：(a) 该数据的均值是什么？中位数是什么？均值=(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)/27 =29.96中位数应是第14个,即x14=25=Q2。
(b) 该数据的众数是什么？讨论数据的峰（即双峰、三峰等）。
这个数集的众数有两个：25 和35,发生在同样最高的频率处,因此是双峰众数。
(c) 数据的中列数是什么？数据的中列数是最大数和最小数的均值。
即：midrange=(70+13)/2=41.5。
(d) 你能（粗略地）找出数据的第一个四分位数（Q1）和第三个四分位数（Q3）吗？数据集的第一个四分位数应发生在25%处，即在(N+1)/4=（27+1）/4=7 处。
所以：Q1=20。
而第三个四分位数应发生在75%处,即在3×(N+1)/4=21 处。
所以：Q3=35(e) 给出数据的五数概括。
一个数据集的分布的5 数概括由最小值、第一个四分位数、中位数、第三个四分位数、和最大值构成。
它给出了分布形状良好的汇总+并且这些数据是：13、20、25、35、70。
(f) 画出数据的盒图。
(g) 分位数—分位数图与分位数图的不同之处是什么？分位数图是一种用来展示数据值低于或等于在一个单变量分布中独立的变量的粗略百分比。
这样,他可以展示所有数的分位数信息,而为独立变量测得的值（纵轴）相对于它们的分位数（横轴）被描绘出来。
但分位数—分位数图用纵轴表示一种单变量分布的分位数,用横轴表示另一单变量分布的分位数。
两个坐标轴显示它们的测量值相应分布的值域,且点按照两种分布分位数值展示。
一条线（y=x）可画到图中+以增加图像的信息。
落在该线以上的点表示在y 轴上显示的值的分布比x 轴的相应的等同分位数对应的值的分布高。
反之,对落在该线以下的点则低。
2.7 使用习题2.4 给出的age 数据回答下列问题：(a) 使用分箱均值光滑对以上数据进行光滑，箱的深度为3。
解释你的步骤。
评述对于给定的数据，该技术的效果。
(b) 如何确定数据中的离群点？(c) 对于数据光滑，还有哪些其他方法？解答：(a) 使用分箱均值光滑对以上数据进行光滑，箱的深度为3。
解释你的步骤。
评述对于给定的数据，该技术的效果。
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。
箱1：13，15，16 箱2：16，19，20 箱3：20，21，22箱4：22，25，25 箱5：25，25，30 箱6：33，33，35箱7：35，35，35 箱8：36，40，45 箱9：46，52，70 步骤3：计算每个等频箱的算数均值。
步骤4：用各箱计算出的算数均值替换每箱中的每个值。
箱1：44/3，44/3，44/3 箱2：55/3，55/3，55/3 箱3：21，21，21箱4：24，24，24 箱5： 80/3 ，80/3， 80/3 箱 6： 101/3，101/3， 101/3箱7：35，35，35 箱8：121/3，121/3，121/3 箱9：56，56，56(b) 如何确定数据中的离群点？聚类的方法可用来将相似的点分成组或“簇”，并检测离群点。
落到簇的集外的值可以被视为离群点。
作为选择，一种人机结合的检测可被采用，而计算机用一种事先决定的数据分布来区分可能的离群点。
这些可能的离群点能被用人工轻松的检验，而不必检查整个数据集。
(c) 对于数据光滑，还有哪些其他方法？其它可用来数据光滑的方法包括别的分箱光滑方法，如中位数光滑和箱边界光滑。
作为选择，等宽箱可被用来执行任何分箱方式，其中每个箱中的数据范围均是常量。
除了分箱方法外，可以使用回归技术拟合成函数来光滑数据，如通过线性或多线性回归。
分类技术也能被用来对概念分层，这是通过将低级概念上卷到高级概念来光滑数据。