数据挖掘期末复习整理
数据挖掘复习知识点整理超详细
数据挖掘复习知识点整理超详细必考知识点：信息增益算法/ ID3决策树(计算) (详细见教材)使⽤朴素贝叶斯分类预测类标号(计算)FP-TREE(问答) (详细见教材)数据仓库的设计(详见第⼆章)(问答) (见PPT)数值规约Equi-depth、equi-width、v-optimal、maxdiff(问答) (详细见教材)BUC (这个也要考，但不记得怎么考的了)后向传播神经⽹络(名词解释)K-平均，K-中⼼点，DBSCAN解析特征化(这个也要考)总论数据挖掘：是从⼤量数据中发现有趣（⾮平凡的、隐含的、先前未知、潜在有⽤）模式，这些数据可以存放在数据库，数据仓库或其他信息存储中。
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：⽬标类数据的⼀般特性或特征的汇总；（2）数据区分：将⽬标类数据的⼀般特性与⼀个或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出现的条件，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、模糊集）。
预测：建⽴连续值函数模型，预测空缺的或不知道的数值数据集。
孤⽴点：与数据的⼀般⾏为或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。
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。
&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。
数据挖掘期末笔记总结
数据挖掘期末笔记总结数据挖掘是一门研究如何通过大规模数据进行知识发现和模型构建的学科。
它是人工智能、机器学习和数据库技术的交叉学科，涉及数据预处理、特征选择、模型建立和模型评估等方面。
数据挖掘的任务包括分类、聚类、关联规则挖掘、异常检测和时序预测等。
本次期末笔记总结将从数据预处理、特征选择、聚类、分类和模型评估等方面进行概括。
1. 数据预处理数据预处理是数据挖掘的第一步，目的是将原始数据转化为适合进行挖掘的数据。
数据预处理包括数据清洗、数据集成、数据转换和数据规约。
数据清洗主要是处理缺失值、噪声和异常值；数据集成是将多个数据源合并成一个一致的数据集；数据转换是将数据转化为适合挖掘算法的形式；数据规约是简化数据，提高计算效率。
2. 特征选择特征选择是从所有可能的特征中选择出有用的特征，用于构建模型或进行数据分析。
特征选择的方法包括过滤法、包裹法和嵌入法。
过滤法是通过计算特征与目标变量之间的相关性来选择特征；包裹法是通过构建模型来评估特征的重要性；嵌入法是将特征选择嵌入到模型训练过程中，根据特征的权重来选择特征。
3. 聚类聚类是将相似的数据对象分组到同一个簇中的过程。
聚类可以用于数据的探索性分析、异常检测和市场细分等任务。
常用的聚类算法包括K均值聚类、层次聚类和密度聚类。
K均值聚类是一种基于距离度量的聚类算法，将数据点划分到K个簇中，使得每个数据点到所属簇的质心的距离最小化；层次聚类是一种通过不断地合并和拆分簇来构建聚类层次结构的算法；密度聚类是一种通过计算数据点的密度来进行聚类的算法。
4. 分类分类是基于已有的类别标签训练模型，然后预测新样本的类别标签。
分类是监督学习的一种形式，常用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。
决策树通过将数据集划分为不同的子集来构建一个预测模型；朴素贝叶斯通过计算事件发生的先验概率和条件概率来进行分类；支持向量机通过寻找一个超平面来将不同类别的数据分隔开；神经网络通过多个神经元的连接和激活函数的计算来进行分类。
【数据挖掘】期末考试备考复习宝典 (一文搞定,期末考试不再担忧)
【数据挖掘】期末考试备考复习宝典单选1、下列选项哪个描述的是“训练样本”（B）A、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果B、在电子病历数据中，每一个样本有八个检测指标，每个样本还有一个医生诊断结果C、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果；算法自动得到这些样本的诊断结果D、在电子病历数据中，每一个样本有八个检测指标，医生根据这八个指标做出诊断2、下列选项哪个描述的是“分类”（C）A、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果B、在电子病历数据中，每一个样本有八个检测指标，每个样本还有一个医生诊断结果C、在电子病历数据中，每一个样本有八个检测指标，但是没有医生诊断结果；算法自动得到这些样本的诊断结果D、在电子病历数据中，每一个样本有八个检测指标，医生根据这八个指标做出诊断3、列哪个选项描述的不是“聚类”（C）A、搜索引擎返回的文档中，将相似的文档聚合成一类B、电子商务网站数据中，购物历史相似的用户自动聚合成一组C、电子商务网站数据中，分析出用户常常一起购买的商品，组合到一起促销D、在电子病历数据中，将体检指标相似的样本自动聚合成一组4、在MATLAB语言中，以下说法中错误的是A、MATLAB中默认的数据类型是doubleB、3<5的运算结果是logical类型C、变量Abc和abc是代表两个相同的变量D、灰度图的图像矩阵中的数据是uint8类型5、数据对象的别名不包括（D）A、记录B、样本C、向量D、特征6、属性的别名不包括（B）A、特征B、样本C、字段D、维7、下列说法不正确的是（C）A、测量标度是将数值或符号与对象的属性相关联的规则B、属性的性质不必与用来度量它的值的性质完全相同C、即使在不同的应用问题中，同一个物理量也必然使用同一种类型的属性来描述D、属性类型可以划分为：标称、序数、区间、比率这四种8、某办公自动化系统中，采用出生年份表示雇员的年龄，这是什么类型属性（C）A、标称B、序数C、区间D、比率9、某学籍管理系统中，采用百分制表示学生分数，这是什么类型属性（D）A、标称B、序数C、区间D、比率10、描述一个数据集的属性主要不包括（A）A、置信度B、维度C、分辨率D、稀疏性11、下列说法中错误的是（D）A、噪声是测量误差的随机部分B、数据中出现遗漏值的原因，可能是信息没有收集到，或者属性不适用于所有情况。
数据挖掘复习要点
数据挖掘复习要点数据挖掘1.数据挖掘：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，但⼜是潜在有⽤的信息和知识的过程。
（商业定义）按企业即定业务⽬标，对⼤量的企业数据进⾏探索和分析，揭⽰隐藏的、未知的或已知的规律，并进⼀步将其模型化的先进的有效⽅法。
2.数据挖掘的功能：描述和预测。
描述：刻画了数据库数据的⼀般特性；预测：在当前数据上进⾏分析，以此进⾏推断。
1)概念描述：通过对某类对象关联数据的汇总、分析和⽐较，对此类对象的内涵进⾏描述，并概括这类对象的有关特征。
2)多层次概念描述：将低层次概念集映射到⾼层次概念集的⽅法。
3)关联分析：⽬的是找出数据库中隐藏的关联⽹。
4)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⽅法。
5)分类：从数据库对象中发现共性，并将数据对象分成不同类别的⼀个过程。
6)偏差检测：偏差检测的基本⽅法是寻找观测结果与参照值之间有意义的差别。
7)孤⽴点分析：对于数据的⼀般⾏为或模型不⼀致的数据进⾏分析。
8)⾃动预测趋势和⾏为：针对具有时序属性的数据或者是序列项⽬的数据。
9)时序演变分析：寻找事件或对象⾏为随事件变化的规律或趋势，并以此来建⽴模型。
10)信息摘要：⼀种⾃动编制⽂摘的技术，即利⽤计算机将⼀篇⽂章浓缩成⼀篇短⽂的过程。
11)信息抽取：根据⼀个事先定义好的、描述所需信息规格的模板，从⾮结构化的⽂本中抽取相关信息的过程。
12)元数据挖掘，对元数据进⾏挖掘。
3.数据挖的掘步骤：1)确定业务对象；2)数据准备c)数据的转换a)数据的选择b)数据的预处理3)数据挖掘，对所得到的经过转换的数据进⾏挖掘。
4)结果分析，解释并评估结果；5)知识的同化，将分析所得到的知识集成到业务信息系统的组织结构中去。
4.数据挖掘的⼈员：1)业务分析⼈员，要求精通业务，能够解释业务对象，并根据各业务对象确定⽤于数据定义和挖掘算法的业务需要；2)数据分析⼈员，精通数据分析技术，并对统计学有较熟练的掌握，有能⼒把业务需求转化为数据挖掘的各步操作选择合适的技术；3)数据管理⼈员，精通数据管理技术，并从数据库仓库中收集数据。
数据挖掘课程复习提纲(4 0)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)。
数据挖掘复习题
第一章1.数据挖掘的定义？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、但又是潜在有用的信息和知识的过程。
2.数据挖掘的源是否必须是数据仓库的数据？可以有哪些来源？关系数据库数据仓库事务数据库高级数据3.数据挖掘的常用方法？聚类分析决策树人工神经网络粗糙集关联规则挖掘统计分析4.数据挖掘的过程包括哪些步骤，每一步具体包括哪些内容？5.数据挖掘与数据仓库的关系？（联系和区别）联系：数据仓库为数据挖掘提供了更好的、更广泛的数据源；数据仓库为数据挖掘提供了新的支持平台；数据仓库为更好地使用数据挖掘工具提供了方便；数据挖掘为数据仓库提供了更好的决策支持；数据挖掘对数据仓库的数据组织提出了更高的要求；数据挖掘为数据仓库提供了广泛的技术支持。
区别：数据仓库是存数据，数据挖掘是用数据。
第二章1.数据仓库的定义数据仓库是一个面向主题的、集成的、随时间而变化的、不容易丢失的数据集合，支持管理部门的决策制定过程2.数据仓库数据的四大基本特征：面向主题的集成的不可更新的随时间变化的3.数据仓库体系结构有3个独立的数据层次：信息获取层、信息存储层、信息传递层4.粒度的定义？它对数据仓库有什么影响？（1）是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。
粒度越小，细节程度越高，综合程度越低，回答查询的种类就越多；(2) 影响存放在数据仓库中的数据量大小；影响数据仓库所能回答查询问题的细节程度。
5.在数据仓库中，数据按照粒度从小到大可分为死哥级别：早期细节级、当前细节级、轻度细节级和高度细节级。
6.数据分割的标准：可按日期、地域、业务领域、或按多个分割标准的组合，但一般包括日期项。
7.数据仓库设计中，一般存在着三级数据模型：概念数据模型、逻辑数据模型、物理数据模型8.数据仓库涉及步骤概念模型设计、技术准备工作、逻辑模型设计、物理模型设计、数据仓库的生成、数据仓库的使用和维护9.数据装入时，并不是一次就将准备装入的数据全部装入数据仓库，而是按照逻辑模型设计中所确定和分析的主题域，先装入并生成某一主题域。
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
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：
数据挖掘与机器学习复习资料
数据挖掘与机器学习复习资料数据挖掘和机器学习是当今信息技术领域中极为重要的两个分支，它们在处理和分析大量数据、发现隐藏模式、做出预测和决策等方面发挥着关键作用。
对于学习者来说，掌握这两个领域的知识至关重要。
以下是为大家整理的一份关于数据挖掘与机器学习的复习资料。
一、数据挖掘概述数据挖掘，简单来说，就是从大量的数据中提取出有用的信息和知识的过程。
它不仅仅是数据的收集和存储，更重要的是通过一系列的技术和方法，对数据进行深入分析和挖掘，以发现潜在的规律和趋势。
数据挖掘的主要任务包括数据分类、聚类、关联规则挖掘、异常检测等。
在数据分类中，我们根据已知的类别标签，将新的数据划分到相应的类别中。
聚类则是将数据按照相似性进行分组，而无需事先知道类别信息。
关联规则挖掘用于发现数据中不同属性之间的关联关系，例如购买了商品 A 的顾客往往也会购买商品 B。
异常检测则是识别出与大多数数据不同的异常值。
数据挖掘的过程通常包括数据准备、数据探索、模型建立、模型评估和模型部署等阶段。
在数据准备阶段，需要对原始数据进行清理、转换和集成，以确保数据的质量和一致性。
数据探索阶段则通过可视化和统计分析等方法，对数据的特征和分布有一个初步的了解。
模型建立阶段选择合适的算法和模型，并使用训练数据进行训练。
模型评估通过使用测试数据来评估模型的性能，如准确率、召回率、F1 值等。
最后，将性能良好的模型部署到实际应用中。
二、机器学习基础机器学习是让计算机通过数据自动学习和改进的一种方法。
它可以分为监督学习、无监督学习和强化学习三大类。
监督学习是在有标记的数据集上进行学习，常见的算法包括线性回归、逻辑回归、决策树、支持向量机等。
线性回归用于预测连续值，逻辑回归用于分类问题，决策树可以生成易于理解的规则，支持向量机在处理高维数据和非线性问题上有较好的表现。
无监督学习是在无标记的数据集中寻找模式和结构，例如聚类算法（如 KMeans 聚类、层次聚类）和主成分分析（PCA）等。
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。
数据仓库与挖掘期末考试知识点复习
数据挖掘知识点（考点）复习第6章的知识点 1.哪些学科和数据挖掘有密切联系？（P68数据挖掘关系图）2.数据挖掘的定义（P69）数据挖掘是从大量的、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。
第7章的知识点1.数据挖掘步骤（P74）确定目标、数据准备、数据挖掘、结果分析2.数据选择的内容（包括哪两部分）（P75）属性选择和数据抽样3.数据清理的方法（P75） 了解小规模数据、大数据集的清理方法。
小规模数据：人工清理大数据集：自动清理（测定→识别→ 纠正）4.常见的模式有哪些（P78）尤其是分类、回归、聚类模式之间的分析比较。
① 分类模式（用于离散值）② 回归模式（用于连续值）③ 聚类模式④ 关联模式⑤序列模式即将数据间的关联性事件发生的顺序联系起来。
⑥时间序列模式根据数据随时间变化的趋势预测将来的值。
5.模式的精确度（P79）训练和测试模式需将数据分成哪两部分以及各自用途？模式准确性的测试方法及其比较。
训练和测试模式需将数据分成：一是训练数据，主要用于模式训练；另一个是测试数据，主要用于模式测试。
模式准确性的测试方法：封闭测试：测试集即训练模式的训练数据。
可测试模式的稳定性，但无法验证其推广能力。
开放测试：测试模式的数据是模式先前未见的数据。
可以很好地度量模式的准确度。
6.数据预处理的任务有哪些？（P83-89）数据清理、数据集成和转换7.空缺值的处理方法（P83-84）忽略该条记录（不很有效）、手工填补遗漏值（可行性差）、利用缺省值填补遗漏值（不推荐）数据库理论 数据仓库数据统计 机器学习 人工智能 数据挖掘利用均值填补遗漏、利用同类别均值填补遗漏值、利用最可能的值填补遗漏值（较常用）8.分箱技术（P84-86） 分箱之前要做的工作？P84 分箱之前需要对记录按目标属性值的大小进行排序（1）要求能描述出常见的分箱方法和数据平滑方法（简答）。
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。
数据挖掘期末知识点总结
数据挖掘期末知识点总结数据挖掘是一门涉及统计学、机器学习、数据库技术、数据可视化等多个学科的交叉学科，是从大量数据中发现隐含模式、关系和知识的过程。
在当今信息爆炸的时代，数据挖掘成为了一个重要的工具，它可以帮助企业发现商机、政府做决策、学术界进行研究等，因此受到了广泛的关注。
在这篇文章中，我将对数据挖掘的一些重要知识点进行总结，包括数据预处理、数据挖掘模型、评估指标等内容，希望能够对大家有所帮助。
1. 数据预处理数据预处理是数据挖掘中非常重要的一步，其目的是将原始数据转换成适合建模的数据。
数据预处理包括数据清洗、数据集成、数据变换和数据约简等步骤。
数据清洗是指处理数据中的噪声和异常值，使数据更加干净。
数据集成是指将多个数据源中的数据合并成一个数据集。
数据变换是指将数据转换成适合建模的形式，比如将分类数据转换成数值型数据。
数据约简是指减少数据集的复杂度，降低建模的难度。
2. 数据挖掘模型数据挖掘模型是数据挖掘的核心，它是用来从数据中抽取知识的工具。
常见的数据挖掘模型包括分类、聚类、关联规则挖掘、回归分析等。
分类是一种用于预测离散型变量的模型，主要包括决策树、支持向量机、朴素贝叶斯等。
聚类是一种用于将数据集分成若干类的模型，主要包括K均值聚类、层次聚类、密度聚类等。
关联规则挖掘是一种用于发现数据项之间的关联关系的模型，主要用于市场篮子分析。
回归分析是一种用于预测数值型变量的模型，主要包括线性回归、多项式回归、岭回归等。
3. 评估指标评估指标用于评价数据挖掘模型的性能，常见的评估指标包括准确率、召回率、精确度、F1值、ROC曲线等。
准确率是模型预测正确的样本数占总样本数的比例。
召回率是模型预测出的正样本中实际为正样本的比例。
精确度是模型预测出的正样本中实际为正样本的比例。
F1值是精确度和召回率的调和平均数，综合考虑了精确度和召回率的性能。
ROC曲线是一种用于评价二分类模型性能的图像指标，它反映了模型在不同阈值下的性能表现。
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。
数据挖掘期末考试答案总结
一、业务理解：业务理解包括确定商业对象、了解现状、建立数据挖掘目标和制定计划书。
应该是对数据挖掘的目标有一个清晰的认识，知道利润所在，其中包括数据收集、数据分析和数据报告等步骤。
二、数据理解：一旦商业对象和计划书确定完备，数据理解就考虑将所需要的数据。
这一过程包括原始数据收集、数据描述、数据探索和数据质量核查等。
三、数据准备：确定可用的数据资源以后，需要对此进行筛选、清理、调整为所需要的形式。
数据整理和数据转换等数据建模的准备工作需要在这一阶段完成。
更深层次的数据探索也可以在这一阶段进行，新增模型的应用再次提供了在业务理解基础上看清楚数据模式的机会。
四、建立模型：数据模型建立是应用数据挖掘软件不不同的情景下获得结果的过程。
五、模型评估：数据解释阶段是至关重要的，要对建立的模型是否能够达到问题解决的目的进行研究，即包括模型是否能够达到研究的目标；模型是否能够用合适的方法显示。
六、模型发布：数据挖掘既可以应用于核实先前的假设，也可以应用于知识发现（识别未预期的有用的关系）。
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。
等频（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18. Apriori算法的计算复杂度主要受影响。
（B）去主要（ABCD）A、支持度阀值B、项数（维度）C、事务数D、事务平均宽度数据规范化：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。
支持度：规则A→B的支持度指的是所有事件中A与B同地发生的的概率，即P(A∪B)，是AB同时发生的次数与事件总次数之比。
- 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)。
7. ex 3.7 8. ex 3.12 9. ex 3.13 10. ex 5.3 11. ex 5.5 12. ex 5.10(a) 13. ex 5.13 14. ex 5.14 3． 经典算法 1. Aprior算法（P151）:直接；剪枝 例5-3 2. 决策树（P189）:信息增益（192）例6-1；增益率（184）例6-
22. 加权算术平均（33）：;在集合中每个值xi与一个权值wi相关
联，权值反应对应值的显著性、重要性或出现频率。 23. 中位数（33）：设给定的N个不同值得数据集按数值序排
序。如果N是奇数，则中位数是有序集的中位数；否则，中 位数是中间两个值得平均值。 24. 众数、中列数、百分位数（34）： 众数：另外一个中心趋势量，集合中出现频率最高的数。 中列数：数据集的最大和最小值的平均值。
联规则。多层关联规则设计不同抽象层中的概念。
（2） 涉及两个或多个维或谓词的关联规则称为多维关联规 则。
44. 从决策树提取规则（208）： 45. 后向传播分类（212-217）： 46. K最近邻居分类（226）： 47. 遗传算法（228）： 48. 预测（231）： 最小二乘法：P231-P233(例6-11；作业：6.14（P246）);线性回归 （P231-P233）； 49. 提升度（169）：例5-9，例5-10 提升度（lift）：项集A的出现独立于项集B的出现，如果；否则作 为事件项集A和B是依赖的和相关的。 A和B出现之间的提升度（等价于P（B|A）/P(B)或 conf(A=>B)/sup(B)）；若lift(A，B)值小于1，则A的出现和B的出现 是负相关的。如果结果大于1，则A和B是正相关的，意味着一个 的出现蕴含另一个的出现。如果结果等于1，则A和B 是独立的， 它们之间无相关性。
（1） 确定哪些操作应当在可利用的方体上执行 （2） 确定相关操作应当在使用哪些物化的方体 40. 购物篮分析（146）：购物篮分析是频繁项集挖掘的一个典型 的例子，该过程通过发现顾客放入“购物篮”中的不同商品之 间的关联，分析顾客的购物习惯。 41. 关联规则挖掘的步骤（148）： （1） 找出所有的频繁项集：根据定义，这些项集的每一个
百分位数：在数值序下，数据集合的第K个百分位数是具有如下性 质的值xl:百分之K的数据项位于或低于xl. 百分位数的求法：特点：数组按低到高，即从小到大。
Eg,实际步骤： 1. 排序（升） 2. 求（n-1）*k%; 整数部分i;小数部分j; 3. 最终结果=（1-j）*(1+i)th+j*(i+2)th.（th表示序列中第几个 数）
如题： 求1 3 4 5 6 7 8 9 19 29 39 49 59 69 80的30%百分位数。 解：（16-1）*0.3=4.5；得出整数部分为4，小数部分为0.5； 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： 其中，x是观测值的均值，观测值的方差是标准差得平方根。 27. 直方图（36）：频率直方图，是一种概括给定属性分布的图 形方法。属性A的直方图是将A的数据分布划分成不相交的子 集或桶。通常，每个桶的宽度是一致的。每个桶用一个矩形
概念的模型（或函数），以便能够使用模型预测类标号未知 的对象类。导出模型是基于对训练数据集（即类标号已知的 数据对象）的分析。 17. 预测（15）：建立连续值函数模型。它用来预测空缺的或不 知道的数值数据值，而不是类标号。 18. 决策树（16）：是一种类似于流程图的树结构，其中每个节 点代表在一个属性值上的测试，每个分枝代表测试的一个输 出，而树叶代表类或类分布。 19. 聚类分析（17）：聚类分析数据不考虑已知的类标号，对象 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 进行聚类或分组。 20. 离群点（17）：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。 21. 均值（33）： 设x1,x2,…..xn是n个值或观测的集合。该值集的均值是：
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。
10. 时间数据库（11）：通常存放包含时间相关属性的关系数据 库。
11. 空间数据库（11）：包含设计空间的信息。 12. 多媒体数据库（12）：存放图像、音频和视频数据。 13. 异构数据库（12）：由一组互连的、自治的成员数据库组
成。这些成员数据库相互通信，以便交换信息和回答查询。 14. 频繁模式（15）：是指在数据中频繁出现的模式。存在多种
出现的频繁性至少与预定义的最小支持计数min_sup 一样； （2） 由频繁项集产生强关联规则：这些规则必须满足最小 支持度和最小置信度。 42. 如何由频繁项集产生关联规则（154-155）： （1） 对于每个频繁项集L,产生L的所有非空子集。
（2） 对于L的每个非空子集s,如果>=min_conf,则输出规则： “S=>(L-S)”，min_conf是最小置信度阀值。 43. 多层关联规则、多维关联规则（163）： （1） 在多个抽象层上挖掘数据产生的关联规则称为多层关
以通过x2(卡方)检验发现。 设A有C个不同值a1,a2……………..ac;B有r个不同值b1,b2……………..br。A 和B描述的数据元组可以用一个相依表显示，其中A的C个值构成 列，B的r个值构成行。令（Ai，Bi）表示属性A取值ai、属性B取值 bi的事件，即（A=ai,B=bi）.每个可能的（Ai，Bi）联合时间都在表 中有自己的单元（位置）。其中，oij是联合事件（Ai，Bi）的观测 频度（实际计数），而eij是（Ai，Bi）的期望频度。可以用如下公 式计算 eij=(N是数据元组的个数，count(A=ai)是A具有值ai的元组个 数，count(B=ai)是B具有值bj的元组个数) 注意：对值贡献最大的单元是其实际计数与期望计数很不相同的 单元。 另：统计检验假设A和B是独立的，检验基于显著水平，具有（r1）*(C-1)自由度。如果可以拒绝该假设，则我们说A和B是统计相 关的或关联的。 概念分层（47）：属性的原始数据值用区间值或较高层的概念替 换。 32. 直方图的等宽、等屏（53）： 等宽：在等宽直方图中，每个桶的宽度区间是一致的。 等屏（或等深）：在等屏直方图中，创建桶，使得每个桶的频率 粗略地为常数（即每个桶大致包含相同个数的邻近数据样本）。 33. 如何产生概念分层（60-61）： 可以运用启发式规则分层：即一个属性的不同值个数越少，它在 所产生的概念分层结构中所处的层次越高。注意的是这种启发式 规则并非完美。 34. 数据立方（70）（基本立方、顶点立方）： 数据立方体允许从多维对数据建模和观察。它由维和事实定义， 一般，维是关于一个组织想要保存记录的透视图或实体；事实是 数值多辆的。 存放最低层汇总的方体称作基本方体；存放最高层的汇总，称作 顶点方体。 35. 数据仓库的流行模型（73）：最流行的数据仓库数据模型是
30. 相关系数（43）：又称皮尔逊积矩系数 其中N是元组的个数，ai和bi分别是元组i中A和B的值，和分别是A 和B的均值，和分别是A和B的标准差，是A和B叉积的和（即：对 于每个元组，A的值乘以该元组B的值）. -1<=rA,B<=+1 注意：相关并不意味着因果关系。
31. 卡方（44）：练习 例2-1 卡方：对于分类（离散）数据，两个属性A和B之间的相关联系可
多维模型。这种模型可以以星形模式、雪花形模式或事实星 座形模式形式存在。 星形模式：最常见的模型范例是行形模式，其中数据库包括（1）
ቤተ መጻሕፍቲ ባይዱ
一个大的包含大批数据并且不含冗余的中心表（事实表）；（2） 一组小的附属表（维表），每维一个。 雪花模式：雪花形模式是星形模式的变种，其中默写维表是规范 化的，因而把数据进一步分解到附加的表中。 事实星座形：复杂的应用可能需要多个事实表共享维表，该模式 可以看作是星形模式的汇集。 36. OLAP操作（73）图3-10 P80: 上卷：通过沿一个维的概念分层向上攀升或者通过维归约，对数 据立方体进行聚集。 下卷：上卷的逆操作。 切片和切块：切片操作对给定立方体的一个维进行选择，导致一 个子立方体。 转轴（旋转）：是一种可视化操作，它转动数据的视角，提供数 据的替代表示。 其他操作：钻过，钻透。 37. 数据立方的计算（88-90）： 38. 不/完全/部分物化（89-90） 不物化：不预计算任何“非基本”方体。这导致回答查询是计算昂 贵的多维聚集。 完全物化：预计算所有方体。计算的方体格是完整立方体。 部分物化：有选择地计算整个可能的方体集中一个适当的子集。 39. ＯＬＡＰ查询处理（92）： 查询处理的步骤：
类型的频繁模式，包括项集、子序列和子结构。
15. Support/Confidenct(15): 置信度又称为规则的正确率，是指在前提出现的情况
下，后件出现的概率 支持度又称为规则的覆盖率，是指包含规则出现的属性值的
交易占所有交易的百分比 16. 分类（15）：分类是一个过程，它找出描述和区分数据类或
数据仓库是一个从多个数据源收集的信息储存库，存放在一个一 致的模式下，并且通常驻留在某个站点；是一个面向主题的、集 成的、时变的和非易失的数据集合，可以对数据进行清理和集成 等操作，支持管理部门的决策过程。
6. 多维数据立方体（8）：作为数据仓库的一种实际物理结构 （另外一种是关系数据库），提供数据的多维视图，并允许 计算和快速访问汇总数据。