数据挖掘第三版第六章课后习题答案

数据质量可以从多方面评估，包括准确性、完整性和一致性问题。对于以上每个问题，讨论数据质量的评估如何依赖数据的应用目的，给出例子。提出数据质量的其他两个尺度。答：精确性：描述数据是否与其对应的客观实体的特征相一致。

完整性：描述数据是否存在缺失记录或缺失字段。

一致性：描述同一实体的同一属性的值在不同的系统或数据集中是否一致。

数据质量依赖于数据的应用。对于给定的数据库，两个不同的用户可能有完全不同的评估。例如，市场分析人员可能访问公司的销售事务数据库（该数据库里面并非是所有的顾客信息都是可以得到的。其他数据没有包含在内，可能只是因为输入时认为是不重要的，相关的数据没有记录可能是由于理解错误，或者因为设备故障），得到顾客地址的列表。有些地址已经过时或不正确，但毕竟还有80%的地址是正确的。市场分析人员考虑到对于目标市场营销而言，这是一个大型顾客数据库，因此对该数据库的准确性还算满意，尽管作为销售的经理，你发现数据是不正确的。

另外两种度量尺度：有效性：描述数据是否满足用户定义的条件或在一定的域值范围内。

唯一性：描述数据是否存在重复记录。

在习题中，属性age包括如下值（以递增序）：13、15、16、16、19、20、20、21、22、22、

22、25、25、25、25、30、33、33、35、35、35、35、36、40、45、46、52、70

(a)使用深度为3的箱，用箱均值光滑以上数据。说明你的步骤，讨论这种技术对给定数据的效果。

答：划分为（等频的）箱：

箱1：13、15、16、16、19、20、20、21、22

箱2：22、25、25、25、25、30、33、33、35

箱3：35、35、35、36、40、45、46、52、70

用箱均值光滑：

箱1：18、18、18、18、18、18、18、18、18

箱2：、、、、、、、、

箱3：、、、、、、、、

分箱方法通过考察数据的“近邻”来光滑有序数据值，进而去掉“噪声”，即去掉被测量的变量的随机误差或方差。

(b)如何确定该数据的离群点？

答：可以通过聚类来检测离群点。即将类似的值组织成群或“簇”，直观地，落在簇集合之外的值被视为离群点。

(c)还有什么方法来光滑数据？

答：另外的方法是回归：用函数拟合数据来光滑数据。这种技术被称为回归。线性回归涉及找出拟合两个属性（或变量）的“最佳”直线，使得一个属性可以用来预测另一个。

如下规范化方法的值域是什么？

(a)最小-最大规范化

答：[new_min, new_max]

(b)Z分数规范化

答：[(old_min－mean)/σ，(old_max－mean)/σ]

(c)Z分数规范化，使用均值绝对偏差而不是标准差、

答：(－∞，+∞)

(d)小数定标规范化

答：(－,

使用习题给出的age数据，回答以下问题：

(a)使用最小-最大规范化将age值35变换到[,]区间。

答：35-13/70-13=

(b)使用z分数规范化变换age值35，其中age的标准差为岁。答：均值为

计算得

(c)使用小数定标规范化变换age值35

答：

(d)指出对于给定的数据，你愿意使用哪种方法。陈述你的理由。答：我更喜欢用z分数规范化，因为z分数不受离群点影响

假设12个销售价格记录已经排序，如下所示：

5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215

使用如下个方法将它们划分成三个箱。

(a)等频（等深）划分

箱1:5，10，11,，13

箱2：15，35，50，55

箱3：72，92，204，215

(b)等宽划分

箱1：5,10,11,13,15,35,50

箱2:55,72,92

箱3:204,215