大数据仓库及大数据挖掘技术复习总结学习资料.doc
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘是现代数据分析和决策支持系统中非常重要的概念和技术。
数据仓库是一个用于集成、存储和管理大量结构化和非结构化数据的系统，而数据挖掘则是从这些数据中发现有价值的信息和模式的过程。
本文将详细介绍数据仓库与数据挖掘的学习要点，并提供一些答案以帮助您更好地理解和掌握这些概念和技术。
一、数据仓库学习要点1. 数据仓库的定义和特点数据仓库是一个面向主题的、集成的、稳定的、可变的、非易失性的数据集合，用于支持管理决策。
数据仓库具有以下特点：- 面向主题：数据仓库按照主题进行组织，便于用户进行分析和决策。
- 集成的：数据仓库集成了来自不同数据源的数据，使得用户可以从一个统一的视图中获取数据。
- 稳定的：数据仓库的数据是经过清洗和转换的，保证了数据的一致性和准确性。
- 可变的：数据仓库中的数据可以根据需求进行更新和变化。
- 非易失性的：数据仓库的数据是持久的，不会因为系统故障或断电而丢失。
2. 数据仓库的架构和组成数据仓库的架构包括三层：数据源层、数据仓库层和用户接口层。
- 数据源层：包括各种数据源，如关系数据库、文件系统、Web服务等。
- 数据仓库层：包括数据仓库的存储和管理系统，如ETL（抽取、转换、加载）工具、数据仓库服务器等。
- 用户接口层：包括各种用户接口，如查询工具、报表工具、数据挖掘工具等。
3. 数据仓库的设计和建模数据仓库的设计和建模是数据仓库开发的核心任务之一。
主要包括以下步骤：- 确定主题和维度：根据用户需求确定数据仓库的主题和维度，如销售、客户、产品等。
- 设计事实表和维度表：事实表包含与主题相关的数值型数据，维度表包含与主题相关的描述性数据。
- 建立关系和连接：通过建立事实表与维度表之间的关系和连接，构建数据仓库的物理模型。
4. 数据仓库的数据清洗和转换数据仓库的数据清洗和转换是确保数据质量和一致性的重要步骤。
数据挖掘与数据仓库 知识点总结
1、数据仓库定义:数据仓库是一种新的数据处理体系结构,它与组织机构的操作数据库分别维护,允许将各种应用系统一起，为统一的历史数据分析提供坚实的平台，对信息处理提供支持。
数据仓库是面向主题的、集成的、相对稳定的、反映历史变化的数据集合,为企业决策支持系统提供所需的集成信息。
设计和构造步骤：1）选取待建模的商务处理;2）选取商务处理的粒变；3）选取用于每个事实表记录的维;4）选取事实表中每条记录的变量系统结构：（1）底层是仓库数据服务器，总是关系数据库系统.（2）中间层是OLAP服务器，有ROLAP 和MOLAP，它将对多维数据的操作映射为标准的关系操作(3)顶层是前端客户端，它包括查询和报表工具、分析工具和数据挖掘工具2、数据仓库的多维数据模型:（1）星形模式：在此模型下，数据仓库包括一个大的包含大批数据并且不含冗余的中心表，一组小的附属表，维表围绕中心事实表显示的射线上。
特征：星型模型四周的实体是维度实体，其作用是限制和过滤用户的查询结果，缩小访问范围。
每个维表都有自己的属性，维表和事实表通过关键字相关联。
【例子:sales数据仓库的星形模式，此模式包含一个中心事实表sales，它包含四个维time，item, branch和location。
(2）雪花型模式：它是星形模式的变种,其中某些维表是规范化的，因而把数据进一步分解到附加的表中。
特征：雪花模型通过最大限度地减少数据存储量和联合较小的维表来改善查询性能，增加了用户必须处理的表数量和某些查询的复杂性，但同时提高了处理的灵活性，可以回答更多的商业问题，特别适合系统的逐步建设要求。
【例子同上，只不过把其中的某些维给扩展了.（3)事实星座形:复杂的应用可能需要多个事实表共享维表，这种模式可看作星形模式的汇集。
特征：事实星座模型能对多个相关的主题建模。
例子:有两个事实表sales和shipping，它们可以共享维表time, item和location。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代信息技术中非常重要的概念，它们在数据分析和决策支持方面扮演着关键角色。
本文将详细介绍数据仓库和数据挖掘的基本概念、学习要点以及一些常见问题的答案。
一、数据仓库的基本概念和学习要点1. 数据仓库的定义和作用数据仓库是一个用于存储和管理大量结构化和非结构化数据的集合，它的主要作用是支持企业的决策制定和业务分析。
数据仓库通过将不同来源的数据整合到一个统一的存储中，提供了一个一致、可靠且易于访问的数据源。
2. 数据仓库的架构和组成数据仓库的架构通常包括数据源层、数据抽取和转换层、数据存储层和数据查询和分析层。
数据源层用于连接各种数据源，数据抽取和转换层用于将数据从源系统中提取出来并进行清洗和转换，数据存储层用于存储清洗后的数据，数据查询和分析层用于用户查询和分析数据。
3. 数据仓库的建模方法数据仓库的建模方法主要包括维度建模和实体关系建模。
维度建模是一种以业务过程为中心的建模方法，它将数据组织成事实表和维度表的形式，以支持复杂的分析查询。
实体关系建模是一种以实体和关系为中心的建模方法，它将数据组织成实体和关系的形式，以支持数据的存储和查询。
4. 数据仓库的ETL过程ETL（抽取、转换和加载）是数据仓库中非常重要的一个过程，它用于将数据从源系统中抽取出来并进行清洗、转换和加载到数据仓库中。
ETL过程包括数据抽取、数据清洗、数据转换和数据加载四个阶段，每个阶段都有相应的技术和工具支持。
5. 数据仓库的性能优化数据仓库的性能优化是保证数据仓库查询和分析效率的重要任务。
性能优化的方法包括索引设计、分区设计、查询优化、数据压缩等。
通过合理的性能优化策略，可以提高数据仓库的查询效率，减少数据加载时间，提升用户体验。
二、数据挖掘的基本概念和学习要点1. 数据挖掘的定义和作用数据挖掘是从大量数据中发现隐藏模式和知识的过程，它可以帮助人们发现数据中的规律、趋势和关联，从而支持决策制定和业务优化。
数据仓库与数据挖掘实训课程学习总结
数据仓库与数据挖掘实训课程学习总结在经过一学期的数据仓库与数据挖掘实训课程学习之后，我对这门课程有了更深入的了解，并且对于数据仓库与数据挖掘的应用和重要性有了更清晰的认识。
本文将从三个方面对我的学习总结进行论述，分别是课程内容的学习与理解、实验项目的实践和应用以及对未来的展望。
首先，通过课程内容的学习与理解，我对数据仓库的概念和特点有了更为全面的认识。
数据仓库是企业数据管理的重要组成部分，它能够集成和存储不同来源、不同格式的数据，并为企业决策提供支持。
在课程中，我们学习了数据仓库的建模、设计和实施等方面的知识，掌握了数据仓库的构建方法和技术。
通过实验和案例分析，我更加深入地了解了数据仓库的实际应用和操作流程，为以后的实践打下坚实的基础。
其次，通过实验项目的实践和应用，我进一步巩固了对数据仓库与数据挖掘知识的理解，并学会了将其应用于实际问题中。
在实验项目中，我们需要选择一个具体的业务场景，运用所学的数据仓库和数据挖掘技术进行分析和挖掘。
这对我来说是一个很好的机会，可以将课堂上学到的理论知识运用到实践中，进一步加深对知识的理解和应用能力的培养。
通过与同学们的合作和老师的指导，我顺利完成了实验项目，并成功地提取了有关业务场景的有价值的信息，并应用于实际决策中。
最后，对未来的展望方面，我认为数据仓库与数据挖掘领域具有广阔的发展前景。
随着社会的进步和信息技术的快速发展，数据量呈现爆炸式增长，数据的管理和挖掘需求也越来越迫切。
数据仓库和数据挖掘技术的应用将对企业的决策和运营产生深远的影响。
因此，我将继续深入学习与研究数据仓库与数据挖掘相关的知识，提升自己在这个领域的专业能力，并将其应用于实际工作中，为企业的发展做出贡献。
综上所述，通过数据仓库与数据挖掘实训课程的学习，我对于数据仓库的概念、构建方法和技术有了全面的认识，并通过实验项目的实践和应用巩固了所学知识。
我深刻认识到数据仓库与数据挖掘在企业决策和运营中的重要性，对未来有着广阔的发展前景。
数据仓库与数据挖掘期末综合复习
数据仓库与数据挖掘期末综合复习第一章１、数据仓库就是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合。
2、元数据是描述数据仓库内数据的结构和建立方法的数据，它为访问数据仓库提供了一个信息目录,根据数据用途的不同可将数据仓库的元数据分为技术元数据和业务元数据两类。
3、数据处理通常分成两大类：联机事务处理和联机分析处理。
４、多维分析是指以“维”形式组织起来的数据（多维数据集)采取切片、切块、钻取和旋转等各种分析动作,以求剖析数据，使拥护能从不同角度、不同侧面观察数据仓库中的数据，从而深入理解多维数据集中的信息。
5、ROLAP是基于关系数据库的OＬAP实现，而ＭOLAP是基于多维数据结构组织的OLAP实现。
OLAP技术的有关概念：ＯLＡP根据其存储数据的方式可分为三类：RＯLＡP、MOLAP、HOLAＰ6、数据仓库按照其开发过程,其关键环节包括数据抽取、数据存储与管理和数据表现等。
7、数据仓库系统的体系结构根据应用需求的不同,可以分为以下４种类型：两层架构、独立型数据集合、以来型数据结合和操作型数据存储和逻辑型数据集中和实时数据仓库。
8、操作型数据存储实际上是一个集成的、面向主题的、可更新的、当前值的（但是可“挥发”的）、企业级的、详细的数据库，也叫运营数据存储。
9、“实时数据仓库”以为着源数据系统、决策支持服务和仓库仓库之间以一个接近实时的速度交换数据和业务规则。
１0、从应用的角度看，数据仓库的发展演变可以归纳为５个阶段：以报表为主、以分析为主、以预测模型为主、以运营导向为主和以实时数据仓库和自动决策为主。
1１、什么是数据仓库?数据仓库的特点主要有哪些？数据仓库通常是指一个数据库环境，而不是支一件产品,它是提供用户用于决策支持的当前和历史数据，这些数据在传统的数据库中通常不方便得到。
数据仓库就是一个面向主题的(Subｊect Oｒienｔed）、集成的(Integｒate）、相对稳定的(Non-Vｏｌatile)、反映历史变化(Ｔime Varianｔ）的数据集合，通常用于辅助决策支持。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代数据科学领域中非常重要的概念和技术。
数据仓库是指将多个来源的数据集中存储在一个统一的数据库中，以支持企业决策和分析。
数据挖掘则是从大量数据中发现隐藏的模式和关联，以提供有价值的信息和洞察。
本文将详细介绍数据仓库和数据挖掘的学习要点，并给出相应的答案，以帮助读者更好地理解和应用这些概念和技术。
一、数据仓库学习要点1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、稳定的、随时间变化的数据集合，用于支持企业决策和分析。
数据仓库的特点包括数据集成、主题导向、时间变化、非易失性等。
2. 数据仓库的架构：数据仓库的架构包括数据源层、数据清洗和集成层、数据存储层和数据展示层。
数据源层负责从各个数据源中提取数据，数据清洗和集成层负责对数据进行清洗和集成，数据存储层负责存储数据，数据展示层负责提供用户界面和报表。
3. 数据仓库的建模方法：数据仓库的建模方法包括维度建模和实体关系建模。
维度建模是一种以事实表和维度表为核心的建模方法，用于描述和分析业务过程。
实体关系建模则是一种基于实体和关系的建模方法，用于描述和分析业务实体和它们之间的关系。
4. 数据仓库的ETL过程：ETL是指将数据从源系统中提取出来，经过清洗和转换后加载到数据仓库中的过程。
ETL过程包括数据提取、数据清洗、数据转换和数据加载四个步骤。
5. 数据仓库的性能优化：数据仓库的性能优化包括物理设计优化和查询优化两个方面。
物理设计优化包括选择合适的硬件和存储结构，以及对数据进行分区和索引等操作。
查询优化则包括选择合适的查询方式和优化查询语句等操作。
二、数据仓库学习答案1. 数据仓库的定义和特点答案：数据仓库是一个面向主题的、集成的、稳定的、随时间变化的数据集合，用于支持企业决策和分析。
数据仓库的特点包括数据集成、主题导向、时间变化、非易失性等。
2. 数据仓库的架构答案：数据仓库的架构包括数据源层、数据清洗和集成层、数据存储层和数据展示层。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代数据分析和决策支持的重要工具。
数据仓库是一个用于集成、存储和管理企业中各种数据的系统，而数据挖掘则是从这些数据中发现模式、关联和趋势的过程。
本文将介绍数据仓库和数据挖掘的基本概念、技术和应用，并提供一些常见问题的答案。
一、数据仓库的基本概念和技术1. 数据仓库的定义和特点数据仓库是一个面向主题的、集成的、稳定的、非易失的数据集合，用于支持企业决策。
它具有以下特点：- 面向主题：数据仓库按照业务主题进行组织，而不是按照应用系统或部门。
- 集成性：数据仓库集成了来自不同数据源的数据，并进行了数据清洗和转换。
- 稳定性：数据仓库的数据是经过一定周期的更新和维护的，以保证数据的准确性和一致性。
- 非易失性：数据仓库中的数据是持久的，不会因为系统故障或人为操作而丢失。
2. 数据仓库的架构和组成数据仓库的架构包括数据源层、数据存储层、数据处理层和数据展示层。
- 数据源层：包括企业内部的各种数据库、文件和应用系统，以及外部数据源如互联网和供应商提供的数据。
- 数据存储层：是数据仓库的核心组成部分，用于存储集成和清洗后的数据，常见的数据存储技术包括关系型数据库和大数据存储技术。
- 数据处理层：包括数据抽取、转换和加载（ETL）过程，用于将数据从数据源层导入到数据存储层，并进行数据清洗、转换和整合。
- 数据展示层：用于向用户展示数据仓库中的数据，包括报表、图表、数据可视化和在线分析处理（OLAP）工具。
3. 数据仓库的设计和建模数据仓库的设计和建模是保证数据仓库能够满足用户需求的关键步骤。
- 维度建模：维度建模是一种基于主题的建模方法，将业务过程中的关键业务概念抽象为维度和事实表，并通过维度之间的关联来描述业务过程。
- 星型模型和雪花模型：星型模型是一种简单直观的维度建模方法，事实表围绕着一个中心的维度表而展开。
雪花模型在星型模型的基础上，进一步细化了维度表，使得维度表更加灵活和可扩展。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代信息技术领域中非常重要的概念和技术。
数据仓库是一个用于存储、管理和分析大量数据的系统，而数据挖掘是从这些数据中发现隐藏模式、关联和规律的过程。
本文将详细介绍数据仓库和数据挖掘的基本概念、关键技术和应用场景。
一、数据仓库学习要点1. 数据仓库的定义和特点数据仓库是一个经过整合、清洗和转换的数据集合，用于支持决策分析和业务智能。
它具有以下特点：- 面向主题：数据仓库按照业务主题进行组织和管理，而不是按照应用系统或部门。
- 集成的：数据仓库整合了来自多个数据源的数据，提供了一个统一的视图。
- 非易失的：数据仓库中的数据一般不会被修改或删除，以保证数据的完整性和一致性。
- 面向分析：数据仓库提供了强大的查询和分析功能，支持用户进行复杂的数据分析和挖掘。
2. 数据仓库的架构和组成数据仓库的架构通常包括数据源层、数据整合层、数据存储层和数据访问层。
其中，数据源层用于获取原始数据，数据整合层用于对数据进行清洗和转换，数据存储层用于存储整合后的数据，数据访问层用于提供用户查询和分析的接口。
3. 数据仓库的建设过程数据仓库的建设过程包括需求分析、数据模型设计、数据抽取和清洗、数据转换和加载、查询和分析等阶段。
需求分析阶段主要确定用户的需求和业务目标，数据模型设计阶段主要设计数据仓库的结构和关系，数据抽取和清洗阶段主要从数据源中抽取、清洗和转换数据，数据转换和加载阶段主要将整合后的数据加载到数据仓库中，查询和分析阶段主要提供用户进行数据查询、统计和挖掘的功能。
4. 数据仓库的性能优化数据仓库的性能优化是提高数据查询和分析效率的关键。
常见的性能优化技术包括索引优化、查询优化、分区和分片、数据压缩和缓存等。
索引优化可以加快数据的检索速度，查询优化可以优化查询的执行计划，分区和分片可以提高并行处理能力，数据压缩可以减少存储空间，缓存可以减少数据访问的延迟。
5. 数据仓库的应用场景数据仓库广泛应用于企业的决策支持和业务智能领域。
数据仓库与数据挖掘复习资料
1.数据仓库的概念和特点p11定义：一个面向主题的、集成的、非易失的且随时间变化的数据集合，用来支持管理人员作出决策。
特性：面向主题的、集成的、非易失的、随时间不断变化的。
1、面向主题的：数据仓库以一个奇特或组织机构中固有的业务主题作为处理的主体，是从整体的、全局的角度来衡量这些主题在企业中的作用。
2、集成的：数据仓库必须将不一致的数据进行有效的集成，使之在数据仓库中有一致性的表示形式。
一致性问题只是集成所包含的一部分工作，另外还需要根据主题进行有效的数据组织。
3、非易失性：一旦操作型数据进入数据仓库，只要数据未超过数据仓库的数据存储期限，通常不对数据进行更新操作，而只进行查询操作。
即不进行一般意义上的更新，而且与操作型数据相比，更新频率要低得多，对时间的要求更为宽松。
4、随时间不断变化的（数据因时而变的特点）《与操作型数据比较的，书上14页》：（1）数据仓库中的数据的时间期限要远远长于操作型环境中的数据的时间期限。
操作型环境一般60-90天，数据仓库5-10年。
一个数据仓库的大小一般都是在100GB以上通常，数据仓库系统应该包含下列程序：（1）抽取数据与加载数据（2）整理并转换数据（采用一种数据仓库适用的数据格式）（3）备份与备存数据（4）管理所有查询（即将查询导向适当的数据源）数据仓库中的数据只是一系列某一时刻所生成的数据的复杂快照。
数据仓库的键码结构总是包含某时间元素。
2.数据仓库中的关键概念14外部数据源：就是从系统外部获取的同分析主题相关的数据。
数据抽取：是数据仓库按分析的主题从业务数据库抽取相关数据的过程。
现有的数据仓库产品几乎都提供关系型数据接口，提供抽取引擎以从关系型数据中抽取数据。
数据清洗：从多个业务系统中获取数据时，必须进行必要的数据清洗，从而得到准确的数据。
所谓“清洗”是指在放入数据仓库之前将错误的、不一致的数据予以更正或删除，以免影响DSS决策的正确性。
（15页有例子）数据转换：各种数据库产品所提供的数据类型可能不同，需要将不同格式的数据转换成统一的数据格式，称为数据转换。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代信息技术中非常重要的概念和技术。
数据仓库是一个用于存储、管理和分析大量结构化和非结构化数据的集中式数据存储系统。
数据挖掘则是从大量数据中发现有用信息、模式和关联的过程。
本文将详细介绍数据仓库和数据挖掘的学习要点及答案。
一、数据仓库学习要点1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、稳定的、非易失的数据集合，用于支持管理决策。
数据仓库具有以下特点：面向主题，集成性，稳定性，非易失性。
2. 数据仓库的架构：数据仓库的架构包括数据源层、数据抽取层、数据存储层和数据展示层。
数据源层用于存储原始数据，数据抽取层用于将原始数据抽取到数据存储层，数据存储层用于存储清洗后的数据，数据展示层用于展示数据分析结果。
3. 数据仓库的建模：数据仓库的建模包括概念建模、逻辑建模和物理建模。
概念建模用于定义数据仓库的主题和维度，逻辑建模用于定义数据仓库的数据模型，物理建模用于定义数据仓库的物理存储结构。
4. 数据仓库的ETL过程：ETL是指将数据从源系统中抽取出来，经过清洗、转换和加载等过程，最终加载到数据仓库中。
ETL过程包括数据抽取、数据清洗、数据转换和数据加载四个步骤。
5. 数据仓库的查询和分析：数据仓库的查询和分析是通过使用OLAP（联机分析处理）和数据挖掘技术来实现的。
OLAP技术可以进行多维数据分析，数据挖掘技术可以从大量数据中发现有用的信息和模式。
二、数据仓库学习答案1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、稳定的、非易失的数据集合，用于支持管理决策。
数据仓库的特点包括：- 面向主题：数据仓库以主题为中心，将相关的数据集中存储，方便用户进行主题分析。
- 集成性：数据仓库将来自不同数据源的数据进行整合，消除了数据冗余和不一致性。
- 稳定性：数据仓库的数据是经过清洗和转换的，保证了数据的准确性和一致性。
数据仓库与挖掘复习资料
数据仓库与挖掘复习资料一、第一章1、元数据是描述数据仓库内数据的结构和建立方法的数据，它为访问数据仓库提供了一个信息目录，根据元数据用途的不同可将数据仓库的元数据分为技术元数据和业务元数据两类。
2、数据处理通常分成两大类：联机事务处理和联机分析处理。
3、多维分析是指对以“维”形式组织起来的数据（多维数据集）采取切片、切块、钻取和旋转等各种分析动作，以求剖析数据，使用户能从不同角度、不同侧面观察数据仓库中的数据，从而深入理解多维数据集中的信息。
5.ROLAP是基于关系数据库的OLAP实现，而MOLAP是基于多维数据结构组织的OLAP实现。
12、简述数据仓库4种体系结构的异同点及其适用性。
（1）两层架构。
（2）独立型的数据集市。
采用这种体系结构的优点是其方便性，可快速启动，这个数据仓库架构可通过一系列的小项目来实现。
（3）依赖型数据集市和操作型数据存储。
优势是它们可以处理各个用户群的需求，甚至是探索性数据仓库的需求。
（4）逻辑型数据集市和实时数据仓库。
是建立数据仓库的一种较佳方法，特别是在硬件性能不断提高，成本不断下降的条件下。
14、请列出3种数据仓库产品，并说明其优缺点。
答：1、IBM公司提供了一套基于可视化数据仓库的商业智能BI解决方案。
2、Oracle数据仓库解决方案主要包括Oracle Express和Oracle Discover两个部分。
3、Microsoft 将OLAP功能集成到SQL Server数据库中，其解决方案包括BI平台、BI终端工具、BI门户和BI应用四个部分。
二、什么是数据挖掘？（p4)数据挖掘就是从从大量数据数据中提取或“挖掘”知识，又被称为数据库中的知识发现。
三、数据仓库与传统的数据库有何区别？（1）数据库是面向事务的设计，数据仓库是面向主题设计的。
（2）数据库一般存储在线交易数据，数据仓库存储的一般是历史数据。
（3）数据库设计是尽量避免冗余，一般采用符合范式的规则来设计，数据仓库在设计时有意引入冗余，采用反范式的方式来设计。
数据挖掘与数据仓库复习资料
数据挖掘与数据仓库复习资料2010-04-07 16:511 数据仓库与数据挖掘的关系大多数数据挖掘工具需要在集成的、一致的、经过清理的数据上进行挖掘。
数据挖掘过程中所需要的数据处理与分析工具完全可以在数据仓库的数据处理与数据分析工具中找到，数据仓库中的 OLAP 完全可以为数据挖掘提供有关的数据操作支持数据挖掘技术在数据仓库中的应用，正好弥补了数据仓库只能提供大量数据，而无法进行深度信息分析的缺陷。
2 数据仓库与传统数据库长期共存首先，企业内数据库与数据仓库将长期共存。
其次，数据库是数据仓库的基础。
第三，在技术实现方面，数据库与数据仓库几乎没有差别。
第四，不要脱离企业的实际，盲目地、片面地、甚至是赶时髦地去实施数据仓库。
第五，数据仓库在能够为企业带来利益的同时，在支持企业信息决策中也存在一些局限性。
总之，不要过分夸大数据仓库与传统数据库的差异，不要过分夸大数据仓库系统的作用、贬低数据库系统的作用。
数据库与数据仓库将长期共存下去。
3 挖掘与信息的关系4 弥补传统数据库不足传统数据库的主要任务是进行事务处理，它所关注的是事务处理的及时性、完整性与正确性，而在数据的分析处理方面，则存在着诸多的不足，主要体现在缺乏集成性、主题不明确等几个方面。
1．集成性的缺乏首先，业务数据库系统的条块与部门分割，导致数据分布的分散化与无序化。
其次，业务数据库缺乏统一的定义与规划，导致数据定义存在歧义。
2．主题不明确3．分析处理效率低5 数据仓库的特点和主题特点：数据仓库是面向主题的数据仓库是集成的数据仓库是稳定的数据仓库是随时间变化的数据仓库的数据量很大数据仓库软硬件要求较高6 体系结构（三个层次）数据集市结构数据集市结构或称为主题结构的数据仓库是按照主题进行构思所形成的数据仓库，没有一个独立的数据仓库。
系统的数据不存储在同一数据仓库中，每个主题有自己的物理存储区。
单一数据仓库结构将所有的主题都集中到一个大型数据库中的体系结构。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案引言概述：在当今信息时代，数据的积累和分析成为了企业决策和发展的关键。
数据仓库与数据挖掘作为数据分析的重要工具，受到了广泛的关注和应用。
本文将介绍数据仓库与数据挖掘的基本概念、学习要点以及一些常见问题的答案。
一、数据仓库的学习要点：1.1 数据仓库的定义与特点：- 数据仓库是一个面向主题的、集成的、稳定的、随时间变化的数据集合，用于支持管理决策。
- 数据仓库的特点包括：面向主题、集成性、非易失性、时间一致性等。
1.2 数据仓库的架构与组成：- 数据仓库架构包括：源系统、数据抽取、数据清洗与转换、数据加载、数据存储与管理、数据查询与分析等模块。
- 数据仓库的组成包括：数据源、数据集成、数据存储、元数据管理、查询与分析工具等。
1.3 数据仓库的设计与建模：- 数据仓库的设计过程包括需求分析、数据源分析、数据模型设计等。
- 数据仓库的建模方法包括维度建模和实体关系建模等。
二、数据挖掘的学习要点：2.1 数据挖掘的定义与任务：- 数据挖掘是从大量数据中自动发现隐藏在其中的有用信息和知识的过程。
- 数据挖掘的任务包括分类、聚类、关联规则挖掘、异常检测等。
2.2 数据挖掘的技术与算法：- 数据挖掘的技术包括预处理、特征选择、模型构建、模型评估等。
- 数据挖掘的算法包括决策树、神经网络、支持向量机、聚类算法等。
2.3 数据挖掘的应用与挑战：- 数据挖掘在市场营销、金融风控、医疗诊断等领域有广泛应用。
- 数据挖掘面临的挑战包括数据质量、计算效率、隐私保护等问题。
三、常见问题的答案：3.1 数据仓库和数据库有什么区别？- 数据仓库是面向主题的、集成的、稳定的数据集合，用于支持管理决策；数据库是用于存储和管理数据的系统。
- 数据仓库具有面向主题、集成性、非易失性等特点，而数据库更注重数据的存储和事务处理。
3.2 数据挖掘的过程包括哪些步骤？- 数据挖掘的过程包括问题定义、数据预处理、特征选择、模型构建、模型评估等步骤。
数据仓库与数据挖掘复习资料
概念
• “清洗”就是将错误的、不一致的数据在进 入数据仓库之前予以更正或删除，以免影 响DSS决策的正确性。
• 元数据：是用来描述数据的数据。它描述 和定位数据组件、它们的起源及它们在数 据仓库进程中的活动；关于数据和操作的 相关描述(输入、计算和输出)。元数据可用 文件存在元数据库中。
Data Warehouse
Selection
Data Cleaning Data Integration
Databases
A5
预处理：对数据列的基本处理
– 对于数据挖掘十分重要的一些特例的分布情况：
• 只有一种值的列
– 缺乏任何信息内容，忽略。
– 例如：1. null，no，0
–
2. 如建立一个模型预测新泽西州的汽车客户损失率，关
星型结构和雪花型结构
• 星型结构
–通过将事实表和维表进行连接，我们就可以得 到“星型结构”(Star-Scheme)。
雪花型结构
• 实际应用需求并不像标准星型结构描述的那么简 单，当问题涉及的维度很多时，事实表中的条目 数将迅速增长。
• 假定原来的事实表条目数为m，增加一个具有n个 条目的维表，通常，事实表的条目数将变成mn条， 这样事实表所占用的存储空间将迅速增大。
• Cluster analysis 聚类分析
– Class label类标记 is unknown: Group data to form new classes, e.g., cluster houses to find distribution patterns
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代数据分析和决策支持系统中非常重要的组成部分。
数据仓库是一个用于集成、存储和管理企业中各种数据的系统，而数据挖掘则是从大量数据中发现隐藏模式和知识的过程。
本文将详细介绍数据仓库和数据挖掘的基本概念、原理和方法，并提供相应的答案。
一、数据仓库的学习要点及答案1. 数据仓库的定义和特点数据仓库是一个面向主题的、集成的、稳定的、非易失的、随时间变化的数据集合，用于支持管理决策。
其特点包括：面向主题，集成数据，稳定性，非易失性和随时间变化。
答案：数据仓库是一个用于集成、存储和管理企业中各种数据的系统。
它面向主题，即以某种特定的主题或业务问题为中心，集成多个数据源的数据，提供一致、全面的视图。
数据仓库是稳定的，即数据一旦进入数据仓库，就不会轻易被修改。
同时，数据仓库是非易失的，即数据一旦存入数据仓库，就不会被删除。
最后，数据仓库是随时间变化的，即数据仓库中的数据会随着时间的推移而不断更新和变化。
2. 数据仓库的架构和组成数据仓库的架构包括三层：数据源层、数据仓库层和应用层。
数据源层用于存储各种数据源，数据仓库层用于集成和存储数据，应用层用于数据分析和决策支持。
答案：数据仓库的架构包括三层。
数据源层是数据仓库的基础，用于存储各种数据源，如关系数据库、文件等。
数据仓库层是数据仓库的核心，用于集成和存储数据。
它包括数据清洗、数据集成、数据转换和数据加载等过程。
应用层是数据仓库的最上层，用于数据分析和决策支持。
在应用层中，可以使用各种数据挖掘技术和工具对数据进行分析和挖掘。
3. 数据仓库的建模方法数据仓库的建模方法包括维度建模和实体关系建模。
维度建模是以业务主题为中心，通过定义维度和事实表来描述数据仓库中的数据。
实体关系建模是通过实体和关系来描述数据仓库中的数据。
答案：数据仓库的建模方法有维度建模和实体关系建模。
维度建模是以业务主题为中心，通过定义维度和事实表来描述数据仓库中的数据。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘是现代数据分析领域的重要概念。
数据仓库是一个集成的、主题导向的、时变的、非易失的数据集合，用于支持管理决策。
而数据挖掘则是从大量数据中发现隐藏模式、关联规则和趋势的过程。
本文将详细介绍数据仓库与数据挖掘的学习要点，并提供相应的答案。
一、数据仓库学习要点1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、非易失的、随时间变化的数据集合。
它的特点包括：主题导向、集成性、稳定性、时间变化性和非易失性。
2. 数据仓库的架构：数据仓库的架构包括：数据源层、数据清洗层、集成层、存储层和应用层。
数据源层用于获取原始数据，数据清洗层用于清洗和预处理数据，集成层用于将不同数据源的数据整合起来，存储层用于存储整合后的数据，应用层用于提供数据分析和查询功能。
3. 数据仓库的设计与建模：数据仓库的设计与建模包括：确定业务需求、设计维度模型、设计事实表和维度表、选择合适的ETL工具进行数据抽取、清洗和转换。
4. 数据仓库的查询与分析：数据仓库的查询与分析包括：OLAP查询、数据切片和切块、数据钻取和数据透视等技术。
OLAP查询是一种多维查询技术，可以实现快速的数据分析和报表生成。
5. 数据仓库的维护与优化：数据仓库的维护与优化包括：数据清洗和数据更新、索引优化、查询性能优化、存储空间管理等方面。
通过定期的数据清洗和数据更新，可以保证数据仓库中的数据质量和准确性。
二、数据挖掘学习要点1. 数据挖掘的定义和任务：数据挖掘是从大量数据中发现隐藏模式、关联规则和趋势的过程。
数据挖掘的任务包括：分类、聚类、关联规则挖掘、异常检测等。
2. 数据预处理：数据预处理是数据挖掘的重要步骤，包括数据清洗、数据集成、数据转换和数据规约。
数据清洗用于处理缺失值、异常值和噪声数据，数据集成用于整合多个数据源的数据，数据转换用于将数据转换为适合挖掘的形式，数据规约用于减少数据集的大小。
3. 分类与预测：分类是一种用于将数据划分到预定义类别中的数据挖掘任务，预测是一种用于预测未来趋势或未知值的数据挖掘任务。
数据仓库与数据挖掘复习.doc
复习资料%1.名词解释1.数据仓J车：数据仓库是为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。
它是单个数据存储，出于分析性报告和决策支持的目的而创建。
为企业提供需要业务智能来指导业务流程改进和监视时间、成本、质量和控制。
2.螺旋式周期性开发方法：针对未来航空电了系统而临的挑战和航空电了系统设计的特点，提出了基于原型仿真的航空电子系统螺旋式开发方法3 .数据仓库元数据:在数据仓库中，无数据是描述数据仓库数据的结构和建立方法的数据。
4数据才努掘：是数据库知识发现中的一个步骤。
数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统和模式识别等方法来实现目标。
5.数据集市：一种更小、更集中的数据仓库。
原始数据从数据仓库流入不同的部门以支持这些部门的定制化使用。
这些部门级的数据库就称为数据集市。
迎合了专业用户群体的特殊需求。
二、简答题1.为什么不能依靠传统的业务处理系统进行决策分析？传统业务系统数据量少，不能用来做出正确的预测，是针对口常事务处理而设计的，因此不能支持短时间内大量数据的分析和计算；传统业务系统数据杂乱，可能存在大量的坏数据以及异常数据，会影响决策分析的正确性。
如果在传统业务系统中进行决策分析，那么必然会影响到系统的使用2.数据粒度，数据粒度划分策略数据仓库中数据的细化和综合程度。
划分为：详细数据、轻度总结、高度总结三级。
原则：细化程度越高，粒度越小；细化程度越低，粒度越大。
3 .数据仓库的体系结构数据源、数据存储和管理、OLAP服务器以及前端工具与应用四个部分4. MOLAP和ROLAP在OLAP的数据存储特点MOLAP基本数据和聚合数据存放于多维数据集中，ROLAP基本数据和聚合数据均存放在RDBMS之中5 .请列出常见的现代数据挖掘技术知识发现技术、规则型挖掘技术、神经网络型挖掘技术、遗传算法型挖掘技术、粗糙型挖掘技术、决策树型挖掘技术、三、简述美联规则挖掘算法Apriori的算法思想并说明如何利用Apriori性质生成频繁项集。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代信息技术领域中非常重要的概念和技术。
数据仓库是一个用于存储和管理大量结构化和非结构化数据的集中式数据库系统，而数据挖掘则是通过对数据进行分析和挖掘，发现其中隐藏的模式和知识。
本文将详细介绍数据仓库和数据挖掘的学习要点，并提供一些答案来帮助读者更好地理解这些概念和技术。
一、数据仓库学习要点1. 数据仓库的定义和特点数据仓库是一个面向主题的、集成的、稳定的、非易失的数据集合，用于支持管理决策。
它可以提供历史数据和当前数据的快速查询和分析，具有高度可靠性和可扩展性。
2. 数据仓库的架构数据仓库的架构包括数据源层、数据抽取和转换层、数据存储层和数据访问层。
数据源层用于获取数据源的原始数据，数据抽取和转换层用于将原始数据转换为适合存储和分析的格式，数据存储层用于存储转换后的数据，数据访问层用于提供数据查询和分析的接口。
3. 数据仓库的数据建模数据仓库的数据建模通常使用星型模型或雪花模型。
星型模型由一个中心事实表和多个维度表组成，用于描述业务过程中的事实和维度。
雪花模型是星型模型的扩展，将维度表进一步规范化，以减少数据冗余。
4. 数据仓库的数据加载和更新数据仓库的数据加载和更新可以通过全量加载和增量加载实现。
全量加载是将所有数据都重新加载到数据仓库中，适用于数据量较小的情况。
增量加载是只加载新增或更新的数据，适用于数据量较大的情况。
5. 数据仓库的查询和分析数据仓库的查询和分析可以通过OLAP（联机分析处理）和数据挖掘技术实现。
OLAP技术可以进行多维度的数据分析和切片，数据挖掘技术可以发现数据中的模式和知识。
二、数据挖掘学习要点1. 数据挖掘的定义和任务数据挖掘是从大量数据中发现有价值的信息和知识的过程。
常见的数据挖掘任务包括分类、聚类、关联规则挖掘和异常检测等。
2. 数据挖掘的数据预处理数据挖掘的数据预处理包括数据清洗、数据集成、数据变换和数据规约。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代信息技术领域中非常重要的概念和技术。
数据仓库是指将不同来源和格式的数据集中存储在一个统一的数据存储库中，并通过各种分析工具和技术来提取有价值的信息。
数据挖掘是从大量的数据中发现隐藏模式、关联规则和趋势的过程。
本文将详细介绍数据仓库和数据挖掘的学习要点，并提供相应的答案。
一、数据仓库学习要点：1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、稳定的、随时间变化的数据集合，用于支持管理决策。
数据仓库具有高度集成的特点，能够将来自不同数据源的数据进行整合，并提供一致的视图和数据模型。
2. 数据仓库的架构：数据仓库的架构包括数据源层、数据存储层、数据管理层和数据使用层。
数据源层负责从各种数据源中抽取数据，数据存储层负责存储抽取的数据，数据管理层负责数据的清洗、转换和加载，数据使用层负责提供数据查询和分析的接口。
3. 数据仓库的建模：数据仓库的建模主要包括维度建模和事实建模。
维度建模是以业务过程为中心，将数据按照维度进行组织和分析。
事实建模是将业务过程中的事实数据进行建模，以支持复杂的分析查询。
4. 数据仓库的ETL过程：ETL是指将数据从源系统中抽取、清洗、转换，并加载到数据仓库中的过程。
ETL过程包括数据抽取、数据清洗、数据转换和数据加载四个步骤。
5. 数据仓库的查询与分析：数据仓库的查询与分析是数据仓库最重要的功能之一。
通过使用OLAP（联机分析处理）工具和技术，可以进行多维分析、数据切片和钻取等操作，以获取有价值的信息和洞察。
二、数据仓库学习答案：1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、稳定的、随时间变化的数据集合，用于支持管理决策。
数据仓库的特点包括数据集成、数据冗余、数据历史性和数据一致性等。
2. 数据仓库的架构：数据仓库的架构包括数据源层、数据存储层、数据管理层和数据使用层。
- 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)。
实用标准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。
A.4B.5C.6D.713.（ C ）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。
A ． MIN（单链）B ．MAX（全链）C ．组平均D ．Ward方法14.只有非零值才重要的二元属性被称作： ( C )A. 计数属性B.离散属性C.非对称的二元属性D.对称属性15. 在基本K 均值算法里，当邻近度函数采用（A）的时候，合适的质心是簇中各点的中位数。
A. 曼哈顿距离B.平方欧几里德距离C.余弦距离D.Bregman散度16.下面关于数据粒度的描述不正确的是 : ( C )A.粒度是指数据仓库小数据单元的详细程度和级别B.数据越详细 , 粒度就越小 , 级别也就越高C.数据综合度越高 , 粒度也就越大 , 级别也就越高D.粒度的具体划分将直接影响数据仓库中的数据量以及查询质量17.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？ ( B )A.聚类B.关联规则发现C.分类D.自然语言处理18.OLAP技术的核心是 : ( D )A. 在线性B.对用户的快速响应C.互操作性D.多维分析19．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20. 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。
等深划分时，15 在第几个箱子内？ ( B )A. 第一个B.第二个C.第三个D.第四个21.上题中，等宽划分时（宽度为 50），15 又在哪个箱子里？ ( A )A. 第一个B.第二个C.第三个D.第四个22.熵是为消除不确定性所需要获得的信息量，投掷均匀正六面体骰子的熵是：( B )A.1bitB.2.6bitC.3.2bitD.3.8bit23.假设属性 income 的最大最小值分别是 12000 元和 98000 元。
利用最大最小规范化的方法将属性的值映射到 0 至 1 的范围内。
对属性 income 的 73600 元将被转化为： ( D )A.0.821B.1.224C.1.458D.0.71624.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）：13，15，16， 16，19，20，20，21， 22，22，25， 25，25，30，33，33， 35，35，36，40，45， 46，52， 70, 问题：使用按箱平均值平滑方法对上述数据进行平滑，箱的深度为 3。
第二个箱子值为： ( A )A. 18.3B. 22.6C. 26.8D.27.925.给定两个对象，分别用元组（ 22,1,42,10) 和（ 20,0,36,8 ）表示，则这两个对象之间的曼哈坦距离为：（）A.5B.11C.2.92D.2.2426. 概念分层图是（B）图。
A. 无向无环B.有向无环C.有向有环D.无向有环27.假设 A 为事件“产品合格”，B 为“机器工作正常”，现给出以下概率：机器工作正常，生产产品合格的概率为P(A|B)=0.95 ；机器不正常工作时，生产产品合格的概率为 P( A | B) =0.1；机器正常工作的概率，即P(B)=0.9。
已知生产了一个不合格品，机器不正常工作的概率，即P( B | A) 是（）。
A.0.90B.0.333C.0.667D.0.05二、填空题1．数据仓库是面向主题的、（集成的）、（具有特性的）、稳定的数据集合，用以支持经营管理中的决策制定过程。
2． OLAP的基本多维分析操作有（聚类）、切片、切块以及（旋转）等。
3. 多维数据集通常采用（星型）或雪花型架构，以（事实）为中心，连接多个（维表）。
4.空缺值数据的处理方法主要有使用默认值、（属性平均值）、（同类样本平均值）和预测最可能的值等。
5．平均互信息等于（信息）熵减（条件）熵，表示不确定性的消除。
6.神经网络的学习方式有 3 种：（监督学习）、（非监督学习）和再励学习（强化学习）。
7.聚类分析的数据通常可分为区间标度变量、二元变量、（标称变量）、（比例标度变量）、序数型以及混合类型等。
8．数据立方体是数据的多维建模和表示，由维和事实组成。
维就是涉及的（属性）、而事实是一个具体的（数据）。
9. 数据预处理的主要内容（方法）包括（数据清洗）、（数据变换）、（数据集成）和数据归约等。
10.关联规则的经典算法包括（Apriori ）算法和（ FP_Growth）算法 , 其中（ FP_Growth）算法的效率更高。
11.非线性回归的模型有：直接换元法、（间接代换法）和（非线性型）三种。
12.人工神经网络的特点和优势主要表现在具有（自学习）功能、具有（联系存储）功能和具有高速寻找优化解的能力三个方面。
13.ID3 算法只能对描述属性为（离散）型属性的数据集构造决策树。
14.按照对应的数据类型， Web挖掘可分为内容挖掘、（）和（）。
15.BP 神经网络由（输入）、（输出）以及一或多个隐含结点组成。
三、判断题1.数据挖掘的目标不在于数据采集策略，而在于对于已经存在的数据进行模式的发掘。
(对) 2.模式为对数据集的全局性总结，它对整个测量空间的每一点做出描述；模型则对变量变化空间的一个有限区域做出描述。
（错）3. 数据仓库中间层 OLAP服务器只能采用关系型 OLAP。
（错）4. 特征提取技术并不依赖于特定的领域。
（错）5. 定量属性可以是整数值或者是连续值。
（对）6.Web数据挖掘是通过数据库仲的一些属性来预测另一个属性 , 它在验证用户提出的假设过程中提取信息。
（错）7.贝叶斯法是一种在已知后验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。
(错) 8.给定由两次运行 K 均值产生的两个不同的簇集，误差的平方和最大的那个应该被视为较优。
（错）。
9.如果规则不满足置信度阈值，则形成的规则一定也不满足置信度阈值，其中是X 的子集。
（对）10.分类和回归都可用于预测，分类的输出是离散的类别值，而回归的输出是连续数值。
(对)11. 如果一个对象不强属于任何簇，那么该对象是基于聚类的离群点。
（对）12.K 均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。
（错）13.数据挖掘的主要任务是从数据中发现潜在的规则，从而能更好的完成描述数据、预测数据等任务。
( 对 )14. 离散属性总是具有有限个值。
（错）15. 用于分类的离散化方法之间的根本区别在于是否使用类信息。
（对）16. 特征提取技术并不依赖于特定的领域。
（错）17. 定量属性可以是整数值或者是连续值。
（对）18.Web 数据挖掘是通过数据库仲的一些属性来预测另一个属性 , 它在验证用户提出的假设过程中提取信息。
（错）19. 关联规则挖掘过程是发现满足最小支持度的所有项集代表的规则。
（错）20.利用先验原理可以帮助减少频繁项集产生时需要探查的候选项个数。
（对）21. 具有较高的支持度的项集具有较高的置信度。
（错）22.聚类（clustering ）是这样的过程：它找出描述并区分数据类或概念的模型 ( 或函数 ) ，以便能够使用模型预测类标记未知的对象类。
（错）23.分类和回归都可用于预测，分类的输出是离散的类别值，而回归的输出是连续数值。
(对) 四、简答题1．某事集构成如表 1 所示，填空完成粗体字部分支持度和置信度的算，保留 1 位小数。
表 1事务 ID 项集L2 支持度 % 规则置信度 %T1 A,D A,B 33.3 A=>B 50T2 D,E A,C 33.3 C=>A 60T3 A,C,E A,D 44.4 A=>D 66.7T4 A,B,D,E B,D 33.3 B=>D 75T5 A,B,C C,D 33.3 C=>D 60T6 A,B,D D,E 33.3 D=>E 42.9T7 A,C,DT8 C,D,ET9 B,C,D2.写出非称二元量相异度算公式 ( 即 jaccard 系数 ) ，并算表 2 中各象的相异度。
表2目 test- test- test- test- test- test-象 1 2 3 4 5 6OBJ1 Y N P N N NOBJ2 Y N P N P NOBJ3 N Y N Y N N⋯⋯⋯⋯⋯⋯⋯解： Jaccard 系数公式可描述非称二元相异度 =取不同的同位属性数/( 个元素的属性位数 - 同取0 的位数) 。