韩家炜-数据挖掘：概念与技术-第2章ppt教学提纲
合集下载
相关主题
- 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)。
举例如：发色和婚姻状态。发色可以是 黑色，棕色，红色，灰色，白色。婚姻状态 可以是单身、已婚、离异或者丧偶。这些都 是名词属性。
尽管名词属性是标号或者名称，但也可 以是数值的表示形式。比如，发色，可以用0 表示黑色，1表示棕色等。顾客ID可以是数字。
但是，在这种情况，数字并不被当成数值来 使用。
因为名词属性不包含任何顺序信息也非 数值型，所以不用终止或者平均数去衡量这 类属性。可以使用属性最多出现的值，“众 数”来做中心性测量。
举例：温度属性是间隔尺度。20摄氏度高于15 摄氏度。日历也是间隔尺度，以及年份。
Celsius和Fahrenhet是两个温度，没有绝对0点， 并且我们能计算温度的差值，但是不能说一个值是另 一个值的多少倍，例如10摄氏度比5摄氏度温暖2倍。
间隔尺度是数值型的，可以计算平均值，中值 和众数。
比例尺度
• 2.2 Basic Statistical Desciptions of Data • 2.3 Data Visualization • 2.4 Measuring Data Similarity and Dissimilarity • 2.5 Summary
2.1 数据对象和属性类型
数据集是由数据对象构成的。一个数据对 象表示一个实体——在销售数据库中，对象可以 是顾客、商品或者销售记录。在医学数据库中， 数据对象可以是病人。在大学数据库中，数据对 象可以是学生、教授和课程。
对给定的属性的可观察值被称为观察。刻画一 个给定对象的属性集合被称为属性向量（或特征向 量）。
包含单个属性的数据分布被称为单变量 的分布；包含2个属性的被称为二变量的分布。
属性的类型是有属性可取的值决定的， 有名词、二进制型、顺序值或者数值类型。
2.1.2 名词属性
名词属性的值是事物的标号或者名称。 每一个值表示类别、编码或者状态。因此名 词属性被称为是分类。值没有次序信息。在 计算机领域，也可以称为枚举型。
2.1.2 二进制属性
二进制属性是只有两个类别或状态：0和1.0一般 表示属性缺失，1表示存在。二进制属性也即bool型， 两个状态表示真和假。
举例。如，病人对象的吸烟属性，1表示吸烟， 0表示不吸烟。再比如，病人的某个医学检查结果有 两种情况。1表示结果为阳性，0表示为阴性。
如果二进制属性的两个状态是同等有价值的具 有相同的权重，则为对称的。2个属性被标为1或者0 都可以，比如性别属性的两个值男和女。
比例尺度属性是数值型的，有固定 的0值。
如果一个测量是比例尺度，则可以以比 率来衡量两个值，也可以计算值的差值，以 及中值，均数和众数。
例如：Kelvin温度有一个真正的0点。另 外，计数属性，经验年数，单词个数，体重， 身高，速度，货币都是比例尺度。
2.1.6 离散和连续属性
• 离散属性有有限的或者可数的值集合，可能不 能表示为整数。例如发色，是否吸烟，医学检 查结果，饮料尺寸，都有有限的值，因此是离ห้องสมุดไป่ตู้散的。
数据对象用属性来描述。
数据对象可以是一个抽样、举例、实例、 数据点或者对象。如果数据对象存放在数据库中， 它们是数据元组。即数据库中行对应数据对象， 列对应于属性。
2.1.1 什么是属性？
一个属性是一个域，表示一个数据对象的一个 特征。
“属性”、“维度”、“特征”和“变量”这 些词在语义上是可交换的。“维度”通常被用在数据 仓库中，机器学习中倾向于使用“特征”；统计学倾 向使用“变量”，数据挖掘和数据库经常使用“属 性”。 属性描述一个顾客对象，如：顾客ID,姓名， 地址。
第二章 了解你的数据
2014.10
目录
• 2.1 数据对象和属性类型 • 2.2 数据的基本统计描述 • 2.3 数据可视化 • 2.4 衡量数据相似性和相异性 • 2.5 总结
• 2.1 Data Objects and Attribute Types
– 2.1.1 What is an Attribute? – 2.1.2 Nominal Attributes – 2.1.3 Binary Attributes – 2.1.4 Ordinal Attributes – 2.1.5 Numeric Attributes – 2.1.6 Discrete versus Continuous Attributes
• 离散值可能是数值型的，比如二进制的0和1， 年龄的0到110.
• 一个属性是可数无限的如果可能的值集合是无 限的但是值和自然数有一一对应的关系。比如， 顾客ID是可数无限的。邮政编码也是。
• 如果值不是离散的，则是连续的。数值属 性或者连续属性是含义上是一样的。
2.2 数据的基本统计描述
• 为了更好的做数据预处理，对数据有整体 的了解很关键。基本的统计描述能鉴别数 据，分辨出噪声和离群点。
名词属性、二进制属性和次序属性都是 定性的。它们在描述一个对象的特征时不给 出具体的尺寸和数量。值通常是一个词表示 类别，即使以整数的方式表现，也不是表示 数量。
2.1.5 数值型属性
• 数值型属性是定量的，是可测量的数值， 为整数或实数。分为间隔尺度和比例尺度。
间隔尺度属性
间隔尺度使用同等大小的单元来衡量。间隔尺 度属性有大小，可以是正，0或者负值。除了能对属 性值排序，还可以比较和衡量不同值的差值大小。
如果两个状态不是同等重要的，则为非对称的。 比如HIV检查的结果呈阴性和阳性。通常，用1表示更 重要的通常是更稀少的结果，其他的用0表示。
2.1.4 次序属性
次序属性具有次序或者级别的意义。但是 相邻值的级别未知。 举例：例如饮料尺寸，可以是“小杯”，“中 杯”，“大杯”。值有顺序的意义，但是不能分 辨中杯比大杯大多少。再比如，成绩等级A+, A,A-,B+职称：助理，副教授，教授
次序属性被用来衡量无法客观衡量的属性， 用主观的评估定质量。在调查中常用来排序。比 如，参与者作为顾客，他们的满意度可以是：0： 非常不满意，1 有点不满意，2 中立 3 满意 4 很 满意
把数值数据离散化，把它们按照值的范 围分类，也可以得到次序属性的数据。
次序属性的中心性可以用众数和中值来 衡量，但是不能计算平均数。
尽管名词属性是标号或者名称，但也可 以是数值的表示形式。比如，发色，可以用0 表示黑色，1表示棕色等。顾客ID可以是数字。
但是，在这种情况，数字并不被当成数值来 使用。
因为名词属性不包含任何顺序信息也非 数值型，所以不用终止或者平均数去衡量这 类属性。可以使用属性最多出现的值，“众 数”来做中心性测量。
举例：温度属性是间隔尺度。20摄氏度高于15 摄氏度。日历也是间隔尺度，以及年份。
Celsius和Fahrenhet是两个温度，没有绝对0点， 并且我们能计算温度的差值，但是不能说一个值是另 一个值的多少倍，例如10摄氏度比5摄氏度温暖2倍。
间隔尺度是数值型的，可以计算平均值，中值 和众数。
比例尺度
• 2.2 Basic Statistical Desciptions of Data • 2.3 Data Visualization • 2.4 Measuring Data Similarity and Dissimilarity • 2.5 Summary
2.1 数据对象和属性类型
数据集是由数据对象构成的。一个数据对 象表示一个实体——在销售数据库中，对象可以 是顾客、商品或者销售记录。在医学数据库中， 数据对象可以是病人。在大学数据库中，数据对 象可以是学生、教授和课程。
对给定的属性的可观察值被称为观察。刻画一 个给定对象的属性集合被称为属性向量（或特征向 量）。
包含单个属性的数据分布被称为单变量 的分布；包含2个属性的被称为二变量的分布。
属性的类型是有属性可取的值决定的， 有名词、二进制型、顺序值或者数值类型。
2.1.2 名词属性
名词属性的值是事物的标号或者名称。 每一个值表示类别、编码或者状态。因此名 词属性被称为是分类。值没有次序信息。在 计算机领域，也可以称为枚举型。
2.1.2 二进制属性
二进制属性是只有两个类别或状态：0和1.0一般 表示属性缺失，1表示存在。二进制属性也即bool型， 两个状态表示真和假。
举例。如，病人对象的吸烟属性，1表示吸烟， 0表示不吸烟。再比如，病人的某个医学检查结果有 两种情况。1表示结果为阳性，0表示为阴性。
如果二进制属性的两个状态是同等有价值的具 有相同的权重，则为对称的。2个属性被标为1或者0 都可以，比如性别属性的两个值男和女。
比例尺度属性是数值型的，有固定 的0值。
如果一个测量是比例尺度，则可以以比 率来衡量两个值，也可以计算值的差值，以 及中值，均数和众数。
例如：Kelvin温度有一个真正的0点。另 外，计数属性，经验年数，单词个数，体重， 身高，速度，货币都是比例尺度。
2.1.6 离散和连续属性
• 离散属性有有限的或者可数的值集合，可能不 能表示为整数。例如发色，是否吸烟，医学检 查结果，饮料尺寸，都有有限的值，因此是离ห้องสมุดไป่ตู้散的。
数据对象用属性来描述。
数据对象可以是一个抽样、举例、实例、 数据点或者对象。如果数据对象存放在数据库中， 它们是数据元组。即数据库中行对应数据对象， 列对应于属性。
2.1.1 什么是属性？
一个属性是一个域，表示一个数据对象的一个 特征。
“属性”、“维度”、“特征”和“变量”这 些词在语义上是可交换的。“维度”通常被用在数据 仓库中，机器学习中倾向于使用“特征”；统计学倾 向使用“变量”，数据挖掘和数据库经常使用“属 性”。 属性描述一个顾客对象，如：顾客ID,姓名， 地址。
第二章 了解你的数据
2014.10
目录
• 2.1 数据对象和属性类型 • 2.2 数据的基本统计描述 • 2.3 数据可视化 • 2.4 衡量数据相似性和相异性 • 2.5 总结
• 2.1 Data Objects and Attribute Types
– 2.1.1 What is an Attribute? – 2.1.2 Nominal Attributes – 2.1.3 Binary Attributes – 2.1.4 Ordinal Attributes – 2.1.5 Numeric Attributes – 2.1.6 Discrete versus Continuous Attributes
• 离散值可能是数值型的，比如二进制的0和1， 年龄的0到110.
• 一个属性是可数无限的如果可能的值集合是无 限的但是值和自然数有一一对应的关系。比如， 顾客ID是可数无限的。邮政编码也是。
• 如果值不是离散的，则是连续的。数值属 性或者连续属性是含义上是一样的。
2.2 数据的基本统计描述
• 为了更好的做数据预处理，对数据有整体 的了解很关键。基本的统计描述能鉴别数 据，分辨出噪声和离群点。
名词属性、二进制属性和次序属性都是 定性的。它们在描述一个对象的特征时不给 出具体的尺寸和数量。值通常是一个词表示 类别，即使以整数的方式表现，也不是表示 数量。
2.1.5 数值型属性
• 数值型属性是定量的，是可测量的数值， 为整数或实数。分为间隔尺度和比例尺度。
间隔尺度属性
间隔尺度使用同等大小的单元来衡量。间隔尺 度属性有大小，可以是正，0或者负值。除了能对属 性值排序，还可以比较和衡量不同值的差值大小。
如果两个状态不是同等重要的，则为非对称的。 比如HIV检查的结果呈阴性和阳性。通常，用1表示更 重要的通常是更稀少的结果，其他的用0表示。
2.1.4 次序属性
次序属性具有次序或者级别的意义。但是 相邻值的级别未知。 举例：例如饮料尺寸，可以是“小杯”，“中 杯”，“大杯”。值有顺序的意义，但是不能分 辨中杯比大杯大多少。再比如，成绩等级A+, A,A-,B+职称：助理，副教授，教授
次序属性被用来衡量无法客观衡量的属性， 用主观的评估定质量。在调查中常用来排序。比 如，参与者作为顾客，他们的满意度可以是：0： 非常不满意，1 有点不满意，2 中立 3 满意 4 很 满意
把数值数据离散化，把它们按照值的范 围分类，也可以得到次序属性的数据。
次序属性的中心性可以用众数和中值来 衡量，但是不能计算平均数。