《数据挖掘》A卷

一、填空题：(每题6分, 共30分)1. 数据挖掘的主要问题包括：。

2. 数据挖掘的性能问题包括：。

3. 数据挖掘的分类方法有。

4. 数据挖掘的聚类方法有。

5．数据挖掘的基本步骤是。

二、问答题： (每题6分，共30分)1.对于类特征化，基于数据立方体的实现与诸如面向属性归纳的关系实现之间的主要不同是什么？讨论哪种方法最有效，在什么条件下最有效。

2.数据仓库和数据库有何不同？它们有那些相似之处？3.在现实世界的数据中，元组在某些属性上缺少值是常有的。

描述处理该问题的各种方法。

4. 试述对于多个异种信息源的集成，为什么许多公司宁愿使用更新驱动的方法，而不愿使用查询驱动的方法。

5.为什么说强关联规则不一定都是有趣的，举例说明。

三、证明题(10分)1．证明频繁集的所有非空子集必须也是频繁的。

2．Apriori的一种变形将事务数据库D中的事务划分为个不重叠的部分。

证明在D中是频繁的任何项集至少在D中的一个部分中是频繁的。

四、算法分析与扩展(15分)1 .描述判定树算法的思想。

2.写出比较易懂的算法伪代码3.指出算法的不足之处，应该从哪些方面增强算法的功能和性能。

五、计算题（15分）给定两个对象，分别用元组（22，1，42，10），（20，0，36，8）表示。

1．计算两个对象之间的欧几里德距离；2．计算两个对象之间的蔓哈坦距离；3．给定年龄变量的如下度量值18，22，25，42，28，43，33，35，56，28计算age的平均绝对偏差。

一、填空题：(每题6分, 共30分)1.数据挖掘是一个多学科领域，这些学科包括：数据库系统、统计学、机器学习、可视化、信息科学。

2.数据挖掘的功能有特征化和区分、关联分析、分类和预测、聚类分析、孤立点分析、演变分析。

3.数据挖掘的分类方法有判定树算法，贝叶斯方法，神经网络，K-最近邻分类，基于案例的推理，遗传算法，粗糙集方法，模糊集方法等。

4.数据挖掘的聚类方法有划分方法、层次的方法、基于密度的方法、基于网格的方法、基于模型的方法。

5.多媒体数据挖掘主要有多媒体数据相似性搜索、多媒体数据多维分析、多媒体数据的分类与预测分析多媒体数据的关联规则挖掘。

二、问答题： (每题6分，共30分)1.数据仓库和数据库有何不同？它们有哪些相似之处？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。

它们都为数据挖掘提供了源数据,都是数据的组合.2. 试述对于多个异种信息源的集成，为什么许多公司宁愿使用更新驱动的方法，而不愿使用查询驱动的方法。

答：因为对于多个异种信息源的集成，查询驱动方法需要复杂的信息过滤和集成处理，并且与局部数据源上的处理竞争资源，是一种低效的方法，开销很大。

而更新驱动方法为集成的异种数据库系统带来了高性能，因为数据被处理和重新组织到一个语义一致的数据存储中，进行查询的同时并不影响局部数据源上进行的处理，另外，还支持复杂的多维查询。

当异种数据源上的数据格式一致或者转换比较容易，并且所要求的查询比较简单，不需要复杂的多维查询时，查询驱动方法可能更受欢迎。

3. 多维数据模型上的OLAP操作有那些？答：上卷，下钻，切片，切快，旋转4.在现实世界的数据中，元组在某些属性上缺少值是常有的。

描述处理该问题的方法。

答：1）忽略元组 2）人工填写空缺值 3）使用一个全局常量填充空缺值4）使用属性的平均值填充空缺值 5）使用与给定元组属同一类的所有样本的平均值 6）使用最可能的值填充空缺值其中，方法3到6使数据倾斜，填入的值可能不正确。

不过，方法6是最常用的方法5．简略比较雪花模式、事实星座、星型网查询模型概念，用例子解释你的观点星型模式：最常见的模型范例，其中数据仓库包括一个答的包含大批数据和不含冗余的中心标（事实表），一组小的属性表。

这种模式图很像星星爆发，维表围绕中心表显示在射线上。

三、证明题(每题5分，共10分)1. 证明频繁集的所有非空子集必须也是频繁的。

反证法。

根据定义，如果项集I满足最小支持度阈值sup min_，则I 不是频繁的，即sup min_)(<I p 。

如果项A 添加到I ,则结果项集间（即A I ⋃）不可能比I 更频繁出现。

因此，A I ⋃也不是频繁的，即P （A I ⋃）＜min_sup 。

矛盾。

2. 给定频繁项集l 和l 的子集s ，证明规则“)(s l s '-⇒'”的置信度不可能大于“)(s l s -⇒”的置信度。

其中，s '是s 的子集。

根据定义，规则B A ⇒的置信度为：)(/)(A n B A n conf ⋃= )(A n 表示项集A 出现的次数 规则)(s l s '-⇒'的置信度为：)(/)()(/))((s n l n s n s l s n conf '=''-⋃'=规则)(s l s -⇒的置信度同理可得：)(/)(s n l n conf =，又因为s '是s 的子集，)()(s n s n >'，所以规则“)(s l s '-⇒'”的置信度不可能大于“)(s l s -⇒”的置信度四、算法分析与扩展（15分） 1 .描述判定树算法的思想。

树以代表训练样本的单个节点开始（步骤1）如果样本都在同一个类，则该节点成为树叶，并用该类标记（步骤2和3）否则，算法使用称为信息增益的基于滴的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。

该属性成为该节点的“测试”或“判定”属性（步骤7）。

在算法的这个版本中，所有的属性都是分类的，即取离散值的。

连续值的属性必须离散化。

对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8－10）。

算法使用同样的过程，递归地形成每个划分上的样本判定树。

一旦一个属性出现在一个节点上，就不必考虑该节点的任何后代上（步骤13）。

递归划分步骤仅当下列条件之一成立时停止：（a ）给定节点的所有样本属于同一类（步骤2和3）。

(b)）没有剩余属性可以用来进一步划分样本（步骤4）。

在此情况下，使用多数表决（步骤5）。

这涉及将给定的节点转换成树叶，并用samples 中的多数所在的类标记它。

换 一种方式，可以存放节点样本的类分布。

(c)分枝testattribute ＝a ；没有样本（步骤11）。

在这种情况下，以samPles 中的多数类创建一个树叶（步骤12）。

2.写出比较易懂的算法伪代码 伪码：算法：GenerateAecisionjree 由给定的训练数据产生一棵判定树。

输入：训练样本samples ，由离散值属性表示；候选属性的集合attributMlist 。

输出：一棵判定树。

方法：O）创建节点N；（2）if samples都在同一个类C then（3）返回N作为叶节点，以类C标记（4）If attributlist为空 then(5)返回N作为叶节点，标记为samples中最普通的类；／／多数表决（6）选择attribute＿list中具有最高信息增益的属性test_attribute；（7）标记节点 N为lest_attribute ；(8)for each test_attribute 中的已知值ai(9)由节点N长出一个条件为test_attribute=ai的分支（10）设S是Samples中test_attribute = ai 的样本的集合（11）if si为空 then(12)加上一个树叶，标记为samples中的最普通的类(13)else 加上一个由Fenerate_decision_tree返回的节点3.指出算法的不足之处，应该从哪些方面增强算法的功能和性能。

信息增益度量有倾斜，它倾向于适合具有许多值的属性。

不能、处理空缺值，此算法还可能面对碎片，重复和复制的问题。

对追加样本的学习不方便，算法的可伸缩性不强等。

五、计算题（15分）给定两个对象，分别用元组（22，1，42，10），（20，0，36，8）表示。

4．计算两个对象之间的欧几里德距离；5．计算两个对象之间的蔓哈坦距离；6．计算两个对象之间的明考斯基距离，q=3。

距离公式：欧几里德距离公式：曼哈坦距离公式：明考斯基距离公式：二、问答题：1.对于类特征化，基于数据立方体的实现与诸如面向属性归纳的关系实现之间的主要不同是什么？讨论哪种方法最有效，在什么条件下最有效。

2.数据仓库和数据库有何不同？它们有那些相似之处？3.在现实世界的数据中，元组在某些属性上缺少值是常有的。

描述处理该问题的各种方法。

4. 试述对于多个异种信息源的集成，为什么许多公司宁愿使用更新驱动的方法，而不愿使用查询驱动的方法。

5.为什么说强关联规则不一定都是有趣的，举例说明。

三、证明题1．证明频繁集的所有非空子集必须也是频繁的。

2．Apriori的一种变形将事务数据库D中的事务划分为个不重叠的部分。

证明在D中是频繁的任何项集至少在D中的一个部分中是频繁的。

四、算法分析与扩展1 .描述判定树算法的思想。

2.写出比较易懂的算法伪代码3.指出算法的不足之处，应该从哪些方面增强算法的功能和性能。

五、计算题给定两个对象，分别用元组（22，1，42，10），（20，0，36，8）表示。

1．计算两个对象之间的欧几里德距离；2．计算两个对象之间的蔓哈坦距离；一、选择题1. 企业要建立预测模型，需准备建模数据集，以下四条描述建模数据集正确的是( B )。

A 数据越多越好B 尽可能多的适合的数据C得分集数据是建模集数据的一部分D 以上三条都正确2. 数据挖掘算法以( D )形式来组织数据。

A 行 B列 C 记录 D 表格3. 企业成功实施数据挖掘，需要以下( B )知识或技术A 预先的规划B 对商业文体的理解C综合商业知识和技能 D 都需要4．有关数据集市的说法正确的是（ B ）A．是大型的、针对特定目标且建设成本较低的一种数据仓库B ．实施不同的数据集市时，同一含义的字段定义一定要相同C ．独立的数据集市是根据中央数据仓库派生出来的D ．非独立的数据集市是根据操作数据形成的5．在超市所从事的信息中介活动中，哪项属于挖掘序列模式 （ B ） A. 针对匿名客户，记录其购买某种商品时，与该商品有关的优惠 B. 针对注册客户，分析他们的购买，向他们设定下次可能购买的优惠规则 C. 针对所有客户，对其货蓝子里的商品进行分析D. 针对注册客户，进行客户分类，确定重要客户以及服务对策6. 如果对简单线性回归模型进行显著性检验的结果是不能拒绝H 0，这就意味着：(D) A 该模型有应用价值 B 该模型无应用价值 C 该模型求错了D X 与Y 之间毫无关系7. 进行回归分析时，需要对回归分析结果进行检验，对回归系数显著性进行检验时，使用（AB ）统计量 A tB FC D.W.D 以上都不是8. 在利用D.W.检验回归自相关性时，下列叙述正确的是（ D ） A 当..2D W ≥时，如果..L DWd <，i u 存在正自相关 B ..2D W ≤时，如果..U DWd >，认i u 存在负自相关C 当..2D W >时, 如果.4.L DW d -<，认为i u 存在负自相关；如果.4.U DW d ->，认为i u 存在正自相关D 当D.W.值在2左右时，模型不存在一阶自相关 9.下列说法错误的是（D ） A {}Importance(,)1A B =，则A 和B 是独立的项，它表示对产品A 的购买和产品B 的购买是两个独立的事件 B {}Importance(,)1A B <，则A 和B 是负相关的，它表示如果一个顾客购买A ，则他也购买B 的可能性不大C Importance()0A B ⇒=，则A 和B 没有任何关联D Importance()0A B ⇒>,表示当A 为真时，B 的概率会下降10.下列说法正确的是（ B ） A EM 聚类属于硬聚类 B k-means 属于分割聚类 C k-means 属于软聚类 D EM 聚类属于层次聚类 二、填空题1. 数据挖掘的三大支柱分别是 (数据挖掘技术与算法)(无所不在的数据)( 建立有效的预测模型)2. 数据仓库的优点是(数据仓库是从一个点上观察整个企业，而不是许多小定义的“地下仓库”的拼凑集合)和 (数据挖掘记录的是最令人感兴趣的详细的数据 )3. 在利用SQL SERVER 2005进行数据挖掘时，数据挖掘的任务中，（ 时序分析 ）可以没有输入4.根据下表资料完成表中指标的计算并回答问题。