数据挖掘复习题

1.1讨论下列每项活动是否是数据挖掘任务：

(1)根据性别划分公司的顾客。

(2)根据可赢利性划分公司的顾客。

(3)计算公司的总销售额。

(4)按学生的标识号对学生数据库排序。

(5)预测掷一对骰子的结果。

(6)使用历史记录预测某公司未来的股票价格

(7)监视病人心率的异常变化。

(8)监视地震活动的地震波。(9)提取声波的频

率。

答：(1) 不是，这属于简单的数据库查询。

(2) 不是，这个简单的会计计算；但是新客户的利润预测则属于数据挖掘任务。

(3) 不是，还是简单的会计计算。

(4) 不是，这是简单的数据库查询。

(5) 不是，由于每一面都是同等概率，则属于概率计算；如概率是不同等的，根据

历史数据预测结果则更类似于数据挖掘任务。

(6) 是，需要建立模型来预测股票价格，属于数据挖掘领域中的预测模型。可以使

用回归来建模，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。

1.2假定你作为一个数据挖掘顾问，受雇于一家因特网搜索引擎公司。通过特定的例子说明，

数据挖掘可以为公司提供哪些帮助，如何使用聚类、分类、关联规则挖掘和离群点检

测等技术为企业服务。

答：

( 1)使用聚类发现互联网中的不同群体，用于网络社区发现；

( 2)使用分类对客户进行等级划分，从而实施不同的服务；

( 3)使用关联规则发现大型数据集中间存在的关系，用于推荐搜索。如大部分搜索了“广外”

的人都会继续搜索“信息学院”，那么在搜索“广外”后会提示是否进进一步搜索“信

息学院”。

( 4)使用离群点挖掘发现与大部分对象不同的对象，用于分析针对网络的秘密收集信息的攻击。

2.12区分噪声和离群值。一定要考虑以下的问题。

(a)噪声曾经有趣的或可取的吗?离群值吗?不,根据定义。是的。(参见第十章)。

(b)噪声对象可以例外吗?是的。随机数据的失真通常负责离群值。

(c)是噪声对象总是异常值吗?不。随机变形会导致一个对象或值一样正常的一个。

(d)异常值总是噪声对象?不。通常离群值仅仅代表一个类的对象是不同的从正常的对象。

(e)噪音可以典型值为一个不寻常的人,反之亦然?是的。

2.14以下属性的测量一群亚洲的大象:体重、身高、象牙长度、躯干长度,和耳朵区域。根据这些测量,什么样的相似性度量从2.4节你会使用比较这些大象或一组?证明你的答案和

解释任何特殊情况。

这些属性都是数值,但可以有广泛不同范围的值,取决于使用的规模来衡量他们。此外,属性不是不对称和属性的大小事务。后面这两个事实消除余弦和相关措施。欧几里得距离,应用标准化后的属性的意思是0和1的标准偏差,将是合适的。

2.15给定m个对象的集合，这些对象划分成K组，其中第i组的大小为m i。如果目标是

得到容量为n

(a)从每组随机地选择n×m i/m 个元素。

(b)从数据集中随机地选择n个元素，而不管对象属于哪个组。

答：

(a)组保证了可以在每个组里面得到等比例的样本，而(b)组在每个组里面抽取的样

本的个数是随机的，不能保证每个组都能抽到样本。

第一个方案是保证从每组获得相同数量的对象,而对于第二个方案,从每组对象的数

量将有所不同。更具体地说,第二个方案只有永发,平均而言,对象的数量从每个组将

n∗mi/m。

2.24 距离通常定义两个对象之间。

(a)定义两个方法可以定义一组对象之间的距离。

以下两个例子:(i)基于两两距离,即。,最低两两相似或最大两两不同,或(ii)在欧几里得空间点计算质心(points-see8.2节的意思),然后计算总和或平均距离的重心。

(b)你如何定义两组之间的距离在欧几里得空间点吗?

一种方法是计算质心之间的距离的两个点。

(c)你如何定义两组数据对象之间的距离?(没有假设的数据对象,除了任何两个对象之间的距离度量定义)。

一种方法是计算的平均两两距离对象的一组对象与另一组中的对象。其他方法是最小或最大距离。注意,集群的凝聚力的概念有关的一组对象的距离彼此,集群的分离与两组对象的距离的概念。(参见8.4节)。此外,两个集群的距离会凝聚的层次聚类是一个重要的概念。(参见8.2节)。

2.25 你给出一组点在欧几里得空间,以及每一个点的距离在年代x点。(这并不重要,如果

x∈S)

(a)如果目标是找到所有点在指定距离ε点y,y=x,解释如何使用三角不等式和已计算距离x 可能减少距离计算的必要吗?提示:三角不等式,d(x,z)≤(x,y)+d(y、x)可以改写为

d(x,y)≥(x,z)−d(y,z)。不幸的是,有一个错字和缺乏清晰的暗示。提示应措辞如下:提示:如果z是一个任意的年代,三角不等式,d(x,y)≤(x,z)+d(y,z)可以改写为

d(y,z)≥(x,y)−d(x,z)。

三角不等式的另一个应用程序从d≤(x,z)d(x,y)+d(y,z),表明,d(y,z)≥(x,z)−d(x,y)。如果低绑定的d(y,z)从这些不平等获得更大比,那么d(y,z)不需要计算。同样,如果上面绑定的d(y,z)获得不平等d(y,z)≤(y,x)+d(x,z)是小于或等于,那么d(x,z)不需要计算。

(b)在一般情况下,x和y之间的距离如何影响数量距离计算吗?

如果x=y,那么不需要计算。随着x变得更远,通常需要更多的距离计算。

(c)假设你能找到点的一个小子集,从原始数据集,数据集内的每个点都是在指定的距离ε的至少一个点,你也有美国的两两距离矩阵描述一个使用这种技术信息计算、最小距离计算的,组内的所有点的距离β一个指定点的数据集。

让x和y是两点,让x y∗∗和点的年代最接近的两个点,分别。如果d(y x∗∗)+2≤β,然后我们