2015秋浙江大学网络学院《数据挖掘》在线作业及答案

大学课程《数据挖掘》试题参考答案范围：∙ 1.什么是数据挖掘？它与传统数据分析有什么区别？定义：数据挖掘（Data Mining，DM）又称数据库中的知识发现（Knowledge Discover in Database，KDD），是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。

数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。

区别：（1）数据挖掘的数据源与以前相比有了显著的改变；数据是海量的；数据有噪声；数据可能是非结构化的；（2）传统的数据分析方法一般都是先给出一个假设然后通过数据验证，在一定意义上是假设驱动的；与之相反，数据挖掘在一定意义上是发现驱动的，模式都是通过大量的搜索工作从数据中自动提取出来。

即数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。

在缺乏强有力的数据分析工具而不能分析这些资源的情况下，历史数据库也就变成了“数据坟墓”－里面的数据几乎不再被访问。

也就是说，极有价值的信息被“淹没”在海量数据堆中，领导者决策时还只能凭自己的经验和直觉。

因此改进原有的数据分析方法，使之能够智能地处理海量数据，即演化为数据挖掘。

∙ 2.请根据CRISP-DM（Cross Industry Standard Process for Data Mining）模型，描述数据挖掘包含哪些步骤？CRISP-DM 模型为一个KDD工程提供了一个完整的过程描述.该模型将一个KDD工程分为6个不同的,但顺序并非完全不变的阶段.1: business understanding: 即商业理解. 在第一个阶段我们必须从商业的角度上面了解项目的要求和最终目的是什么. 并将这些目的与数据挖掘的定义以及结果结合起来.2.data understanding: 数据的理解以及收集,对可用的数据进行评估.3: data preparation: 数据的准备,对可用的原始数据进行一系列的组织以及清洗,使之达到建模需求.4:modeling: 即应用数据挖掘工具建立模型.5:evaluation: 对建立的模型进行评估,重点具体考虑得出的结果是否符合第一步的商业目的.6: deployment: 部署,即将其发现的结果以及过程组织成为可读文本形式.(数据挖掘报告)∙ 3.请描述未来多媒体挖掘的趋势随着多媒体技术的发展，人们接触的数据形式不断地丰富，多媒体数据库的日益增多，原有的数据库技术已满足不了应用的需要，人们希望从这些媒体数据中得到一些高层的概念和模式，找出蕴涵于其中的有价值的知识。

一、解答题（满分30分，每小题5分）1. 怎样理解数据挖掘和知识发现的关系？请详细阐述之首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。

知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。

流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。

2. 时间序列数据挖掘的方法有哪些，请详细阐述之时间序列数据挖掘的方法有：1）、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。

例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。

2）、随机时间序列预测方法:通过建立随机模型，对随机时间序列进行分析，可以预测未来值。

若时间序列是平稳的，可以用自回归(Auto Regressive，简称AR)模型、移动回归模型(Moving Average，简称MA)或自回归移动平均(Auto Regressive Moving Average，简称ARMA)模型进行分析预测。

3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网络。

由于大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。

假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列的预测。

3. 数据挖掘的分类方法有哪些，请详细阐述之分类方法归结为四种类型：1）、基于距离的分类方法:距离的计算方法有多种，最常用的是通过计算每个类的中心来完成，在实际的计算中往往用距离来表征，距离越近，相似性越大，距离越远，相似性越小。

数据挖掘考试题库及答案一、选择题1. 数据挖掘是从大量数据中提取有价值信息的过程，以下哪项不是数据挖掘的主要任务？A. 预测B. 分类C. 聚类D. 数据可视化答案：D2. 以下哪种技术不属于数据挖掘的常用方法？A. 决策树B. 支持向量机C. 关联规则D. 数据仓库答案：D3. 数据挖掘中，以下哪项技术常用于分类和预测？A. 神经网络B. K-均值聚类C. 主成分分析D. 决策树答案：D4. 在数据挖掘中，以下哪个概念表示数据集中的属性？A. 数据项B. 数据记录C. 数据属性D. 数据集答案：C5. 数据挖掘中，以下哪个算法用于求解关联规则？A. Apriori算法B. ID3算法C. K-Means算法D. C4.5算法答案：A二、填空题6. 数据挖掘的目的是从大量数据中提取______信息。

答案：有价值7. 在数据挖掘中，分类任务分为有监督学习和______学习。

答案：无监督8. 决策树是一种用于分类和预测的树形结构，其核心思想是______。

答案：递归划分9. 关联规则挖掘中，支持度表示某个项集在数据集中的出现频率，置信度表示______。

答案：包含项集的记录中同时包含结论的记录的比例10. 数据挖掘中，聚类分析是将数据集划分为若干个______的子集。

答案：相似三、判断题11. 数据挖掘只关注大量数据中的异常值。

（）答案：错误12. 数据挖掘是数据仓库的一部分。

（）答案：正确13. 决策树算法适用于处理连续属性的分类问题。

（）答案：错误14. 数据挖掘中的聚类分析是无监督学习任务。

（）答案：正确15. 关联规则挖掘中，支持度越高，关联规则越可靠。

（）答案：错误四、简答题16. 简述数据挖掘的主要任务。

答案：数据挖掘的主要任务包括预测、分类、聚类、关联规则挖掘、异常检测等。

17. 简述决策树算法的基本原理。

答案：决策树算法是一种自顶向下的递归划分方法。

它通过选择具有最高信息增益的属性进行划分，将数据集划分为若干个子集，直到满足停止条件。

第一章引言
一、填空题
（1）数据库中的知识挖掘(KDD)包括以下七个步骤：数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估和知识表示
（2）数据挖掘的性能问题主要包括：算法的效率、可扩展性和并行处理（3）当前的数据挖掘研究中，最主要的三个研究方向是：统计学、数据路技术和机器学习
（4）孤立点是指：一些与数据的一般行为或模型不一致的孤立数据
二、简答题
（1）什么是数据挖掘？
答：数据挖掘指的是从大量的数据中挖掘出那些令人感兴趣的，有用的，隐含的，先前未知的和可能有用的模式或知识。

（2）一个典型的数据挖掘系统应该包括哪些组成部分？
答：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。

（3）Web挖掘包括哪些步骤？
答：数据清理（可能有占全过程的60%的工作量）；将数据存入数据仓库；建立数据立方
体；选择用来进行数据挖掘的数据；数据挖掘（选择适当的算法来找到感兴趣的模式）；展现挖掘结果；将模式或者知识应用或者存入知识库。

（4）请列举数据挖掘应用常见的数据源。

（或者说，我们都在什么样的数据上进行数据挖掘）
答：常见的数据源包括关系数据路、数据仓库、事务数据库和高举数据库系统和信息库。

其中国际数据库系统和信息库包括：空间数据库、时间数据库和时间序列数据库、流数据、
多媒体数据库、面向对象数据库和对象关系数据库、异种数据库和遗产数据库、文本数据库和万维网等。

数据挖掘-题库带答案数据挖掘-题库带答案1、最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡()答案：正确2、决策将日益基于数据和分析而作出,而并非基于经验和直觉()答案：错误解析：决策将日益基于数据和分析而作出,而并非基于经验和直觉3、2011年被许多国外媒体和专家称为“大数据元年”()答案：错误解析：2013年被许多国外媒体和专家称为“大数据元年”4、我国网民数量居世界之首,每天产生的数据量也位于世界前列()答案：正确5、商务智能的联机分析处理工具依赖于数据库和数据挖掘。

()答案：错误解析：商务智能的联机分析处理工具依赖于数据仓库和多维数据挖掘。

6、数据整合、处理、校验在目前已经统称为 EL()答案：错误解析：数据整合、处理、校验在目前已经统称为 ETL7、大数据时代的主要特征()A、数据量大B、类型繁多C、价值密度低D、速度快时效高答案： ABCD8、下列哪项不是大数据时代的热门技术()A、数据整合B、数据预处理C、数据可视化D、 SQL答案： D9、()是一种统计或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术。

A、预测B、分析C、预测分析D、分析预测答案： C10、大数据发展的前提?答案：解析：硬件成本的降低,网络带宽的提升,云计算的兴起,网络技术的发展,智能终端的普及,电子商务、社交网络、电子地图等的全面应用,物联网的兴起11、调研、分析大数据发展的现状与应用领域。

?答案：解析：略12、大数据时代的主要特征?答案：解析：数据量大(Volume)第一个特征是数据量大。

大数据的起始计量单位至少是P(1000个T)、E(100万个T)或Z(10亿个T)。

类型繁多(Variety)第二个特征是数据类型繁多。

包括网络日志、音频、视频、图片、地理位置信息等等,多类型的数据对数据的处理能力提出了更高的要求。

价值密度低(Value)第三个特征是数据价值密度相对较低。

09物流2班戚业宏2009306820591.1a．数据挖掘不是又一种广告宣传，而是由于大量数据的可用性以及把这些数据变为有用的信息的迫切需要，使得数据挖掘变得更加有必要。

因此，数据挖掘可以被看作是信息技术的自然演变的结果。

b．数据挖掘不是一种从数据库、统计学和机器学习发展的技术的简单转换，而是来自多学科，例如数据库技术、统计学，机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像和信号处理以及空间数据分析技术的集成。

c．数据库技术开始于数据收集和数据库创建机制的发展，导致了用于数据管理的有效机制，包括数据存储和检索，查询和事务处理的发展。

提供查询和事务处理的大量的数据库系统最终自然地导致了对数据分析和理解的需要。

因此，出于这种必要性，数据挖掘开始了其发展。

d．当把数据挖掘看作知识发现过程时，涉及步骤如下：数据清理，一个删除或消除噪声和不一致的数据的过程；数据集成，多种数据源可以组合在一起；数据选择，从数据库中提取与分析任务相关的数据；数据变换，数据变换或同意成适合挖掘的形式，如通过汇总或聚集操作；数据挖掘，基本步骤，使用智能方法提取数据模式；模式评估，根据某种兴趣度度量，识别表示知识的真正有趣的模式；知识表示，使用可视化和知识表示技术，向用户提供挖掘的知识。

1.2例如百货公司，可以使用数据挖掘来协助其市场营销目标的实现。

利用数据挖掘功能，例如关联，商店可以使用强关联规则来确定其中一组客户购买的产品可能会导致某些其他产品的购买。

有了这些信息，商店可以出售产品给那些更加喜欢购买更多商品的顾客。

数据查询处理用于数据或信息的检索，没有方法发现关联规则。

同样，简单统计分析无法处理大量的数据，如一家百货公司的顾客记录。

1.6特征化：是一个目标类数据的一般特性或特性的汇总。

例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA：Grade point aversge)的信息，还有所修的课程的最大数量。

数据挖掘测试题及答案一、单项选择题（每题2分，共10题，共20分）1. 数据挖掘中，用于发现数据集中的关联规则的算法是：A. K-meansB. AprioriC. Naive BayesD. Decision Tree答案：B2. 以下哪个选项不是数据挖掘的步骤之一：A. 数据预处理B. 数据探索C. 数据收集D. 数据分析答案：C3. 在分类问题中，以下哪个算法属于监督学习：A. 聚类B. 决策树C. 关联规则D. 异常检测答案：B4. 数据挖掘中，用于发现数据集中的频繁项集的算法是：A. K-meansB. AprioriC. Naive BayesD. Decision Tree5. 在数据挖掘中，以下哪个选项不是数据预处理的步骤：A. 数据清洗B. 数据集成C. 数据变换D. 数据分类答案：D6. 以下哪个算法主要用于聚类问题：A. K-meansB. AprioriC. Naive BayesD. Decision Tree答案：A7. 在数据挖掘中，以下哪个选项不是数据挖掘的应用领域：A. 市场分析B. 医疗诊断C. 社交网络分析D. 视频游戏开发答案：D8. 以下哪个算法主要用于异常检测：A. K-meansB. AprioriC. Naive BayesD. One-Class SVM答案：D9. 在数据挖掘中，以下哪个选项不是数据挖掘的输出结果：B. 规则C. 趋势D. 软件答案：D10. 以下哪个算法主要用于分类问题：A. K-meansB. AprioriC. Naive BayesD. Decision Tree答案：D二、多项选择题（每题3分，共5题，共15分）1. 数据挖掘中，以下哪些算法可以用于分类问题：A. K-meansB. Decision TreeC. Naive BayesD. Logistic Regression答案：BCD2. 在数据挖掘中，以下哪些步骤属于数据预处理：A. 数据清洗B. 数据集成C. 数据变换D. 数据分类答案：ABC3. 以下哪些算法可以用于聚类问题：A. K-meansB. AprioriC. Hierarchical ClusteringD. DBSCAN答案：ACD4. 在数据挖掘中，以下哪些步骤属于数据探索：A. 数据可视化B. 数据摘要C. 数据分类D. 数据变换答案：AB5. 以下哪些算法可以用于异常检测：A. K-meansB. One-Class SVMC. Isolation ForestD. Apriori答案：BC三、简答题（每题5分，共3题，共15分）1. 简述数据挖掘中关联规则挖掘的主要步骤。

数据挖掘-题库带答案1、最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡() 答案：正确2、决策将日益基于数据和分析而作出,而并非基于经验和直觉()答案：错误解析：决策将日益基于数据和分析而作出，而并非基于经验和直觉3、2011年被许多国外媒体和专家称为“大数据元年”()答案：错误解析：2013年被许多国外媒体和专家称为“大数据元年”4、我国网民数量居世界之首,每天产生的数据量也位于世界前列() 答案：正确5、商务智能的联机分析处理工具依赖于数据库和数据挖掘。

()答案：错误⅛Jf:商务智能的联机分析处理工具依赖于数据仓库和多维数据挖掘。

6、数据整合、处理、校验在目前已经统称为ELO答案：错误⅛Jf:数据整合、处理、校验在H前已经统称为ETL7、大数据时代的主要特征()A、数据量大B、类型繁多C、价值密度低D、速度快时效高答案：ABCD8、下列哪项不是大数据时代的热门技术()A、数据整合B、数据预处理C、数据可视化D、SQL答案：D9、（）是一种统讣或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术。

A、预测B、分析C、预测分析D、分析预测答案：C10、大数据发展的前提？答案：解伸：硕件成本的降低,网络带宽的提升,云计算的兴起,网络技术的发展,智能终端的普及，电子商务、社交网络、电子地图等的全面应用，物联网的兴起11、调研、分析大数据发展的现状与应用领域。

？答案：解析：略12、大数据时代的主要特征？答案：解析：数据量大（VOIUme）笫一个特征是数据量大。

大数据的起始计量单位至少是P（IOOO个T）、E（IOO 万个T）或Z（Io亿个T）。

类型繁多（Variety）第二个特征是数据类型繁多。

包括网络日志、音频、视频、图片、地理位置信息等等，多类型的数据对数据的处理能力提岀了更高的要求。

价值密度低（VaIUe）笫三个特征是数据价值密度相对较低。

如随着物联网的广泛应用，信息感知无处不在,信息海量,但价值密度较低，如何通过强大的机器算法更迅速地完成数据的价值“提纯”，是大数据时代亟待解决的难题。

数据挖掘及应用考试试题及答案一、选择题（每题2分，共20分）1. 以下哪项不属于数据挖掘的主要任务？A. 分类B. 聚类C. 关联规则挖掘D. 数据清洗答案：D2. 数据挖掘中，以下哪项技术不属于关联规则挖掘的方法？A. Apriori算法B. FP-growth算法C. ID3算法D. 决策树算法答案：C3. 以下哪个算法不属于聚类算法？A. K-means算法B. DBSCAN算法C. Apriori算法D. 层次聚类算法答案：C4. 数据挖掘中，以下哪个属性类型不适合进行关联规则挖掘？A. 连续型属性B. 离散型属性C. 二进制属性D. 有序属性答案：A5. 数据挖掘中，以下哪个评估指标用于衡量分类模型的性能？A. 准确率B. 精确度C. 召回率D. 所有以上选项答案：D二、填空题（每题3分，共30分）6. 数据挖掘的目的是从大量数据中挖掘出有价值的________和________。

答案：知识；模式7. 数据挖掘的主要任务包括分类、聚类、关联规则挖掘和________。

答案：预测分析8. Apriori算法中，最小支持度（min_support）和最小置信度（min_confidence）是两个重要的参数，它们分别用于控制________和________。

答案：频繁项集；强规则9. 在K-means聚类算法中，聚类结果的好坏取决于________和________。

答案：初始聚类中心；迭代次数10. 数据挖掘中，决策树算法的构建过程主要包括________、________和________三个步骤。

答案：选择最佳分割属性；生成子节点；剪枝三、判断题（每题2分，共20分）11. 数据挖掘是数据库技术的一个延伸，它的目的是从大量数据中提取有价值的信息。

（）答案：√12. 数据挖掘过程中，数据清洗是必不可少的步骤，用于提高数据质量。

（）答案：√13. 数据挖掘中，分类和聚类是两个不同的任务，分类需要训练集，而聚类不需要。

Data Mining Take Home Exam学号: xxxx 姓名: xxx（1）计算整个数据集的Gini指标值。

（2）计算属性性别的Gini指标值（3）计算使用多路划分属性车型的Gini指标值（4）计算使用多路划分属性衬衣尺码的Gini指标值（5）下面哪个属性更好，性别、车型还是衬衣尺码？为什么？(3)=26/160=0.1625]*2=8/25+6/35=0.4914(5)比较上面各属性的Gini值大小可知，车型划分Gini值0.1625最小，即使用车型属性更好。

2. （(1) 将每个事务ID视为一个购物篮，计算项集{e}，{b,d} 和{b,d,e}的支持度。

（2）使用（1）的计算结果，计算关联规则{b,d}→{e}和{e}→{b,d}的置信度。

（3）将每个顾客ID作为一个购物篮，重复（1）。

应当将每个项看作一个二元变量（如果一个项在顾客的购买事务中至少出现一次，则为1，否则，为0）。

（4）使用（3）的计算结果，计算关联规则{b,d}→{e}和{e}→{b,d}的置信度。

答：（1）由上表计数可得{ｅ}的支持度为8/10=0.8；{ｂ，ｄ}的支持度为2/10=0.2；｛b,d,e｝的支持度为2/10=0.2。

（2）c[{b,d}→{e}]=2/8=0.25; c[{e}→{b,d}]=8/2=4。

（3）同理可得：{e}的支持度为4/5=0.8，{b,d}的支持度为5/5=1，{b,d,e}的支持度为4/5=0.8。

（4）c[{b,d}→{e}]=5/4=1.25，c[{e}→{b,d}]=4/5=0.8。

3. （20分）以下是多元回归分析的部分R输出结果。

> ls1=lm(y~x1+x2)> anova(ls1)Df Sum Sq Mean Sq F value Pr(>F)x1 1 10021.2 10021.2 62.038 0.0001007 ***x2 1 4030.9 4030.9 24.954 0.0015735 **Residuals 7 1130.7 161.5> ls2<-lm(y~x2+x1)> anova(ls2)Df Sum Sq Mean Sq F value Pr(>F)x2 1 3363.4 3363.4 20.822 0.002595 **x1 1 10688.7 10688.7 66.170 8.193e-05 ***Residuals 7 1130.7 161.5（1）用F检验来检验以下假设(α = 0.05)H0: β1 = 0H a: β1≠ 0计算检验统计量；是否拒绝零假设，为什么？（2）用F检验来检验以下假设(α = 0.05)H0: β2 = 0H a: β2≠ 0计算检验统计量；是否拒绝零假设，为什么？（3）用F检验来检验以下假设(α = 0.05)H0: β1 = β2 = 0H a: β1和β2 并不都等于零计算检验统计量；是否拒绝零假设，为什么？解：（1）根据第一个输出结果F=62.083>F（2，7）=4.74，p<0.05，所以可以拒绝原假设，即得到不等于0。

第一章测试1【单选题】(20分)什么是KDD？A.C.文档知识发现B.A.数据挖掘与知识发现C.D.动态知识发现D.B.领域知识发现2【判断题】(20分)数据挖掘的主要任务是从数据中发现潜在的规则，从而能更好的完成描述数据、预测数据等任务。

A.错B.对3【多选题】(20分)数据挖掘的预测建模任务主要包括哪几大类问题？A.分类B.模式匹配C.模式发现D.回归4【多选题】(20分)以下哪些学科和数据挖掘有密切联系？A.人工智能B.计算机组成原理C.矿产挖掘D.统计5【判断题】(20分)离群点可以是合法的数据对象或者值。

A.错B.对第二章测试1【单选题】(20分)下面哪个属于定量的属性类型：A.区间B.序数C.标称D.相异2【单选题】(20分)只有非零值才重要的二元属性被称作：A.非对称的二元属性B.离散属性C.对称属性D.计数属性3【判断题】(20分)定量属性可以是整数值或者是连续值。

A.对B.错4【单选题】(20分)中心趋势度量模（mode）是指A.数据集中出现频率最高的值B.算术平均值C.最大值D.最小值5【多选题】(20分)以下哪些是属于中心趋势的度量A.标准差B.中位数C.五数概括D.平均值第三章测试1【单选题】(20分)数据清洗的方法不包括A.一致性检查。

2014~ 2015学年第二学期期末考试数据挖掘技术试卷（A 卷）参考答案使用班级1250411/12/13/14 答题时间_120分钟_一、填空题（共10空, 每空1分，共10分）1.数据挖掘的任务：分类、聚类、回归、关联分析、离群点监测、演化分析、序列模式。

2.数据集的三个重要特性：_维度、稀疏性、分辨率。

二、判断题（共10小题,每小题1分，共10分）判断下列3～7小题的描述是否正确？3.ID3算法不仅可以处理离散属性，还可以处理连续属性。

（ F ）4.决策树方法通常用于关联规则挖掘。

（ F ）5.先验原理可以表述为，一个频繁项集的任一子集也应该是频繁的。

（ T ）6.Clementine 是IBM 公司的专业级数据挖掘软件。

（ T ）7.具有较高的支持度的项集具有较高的置信度。

（ F ）判断下列8～12小题的描述是否属于数据挖掘任务？8.利用历史数据预测公司将来的股价。

（T ）9.监测病人心率的异常变化。

( F )10.监测地震活动的地震波。

( F )11.提取声波的频率。

( F )12.根据顾客喜好摆放商品位置。

（T ）三、简答题（6个小题，每小题5分，共30分）13. 什么是信息熵？答：信息熵(entropy)是用来度量一个属性的信息量（1分）。

假定S 为训练集，S 的目标属性C 具有m 个可能的类标号值，C={C1,C2,…,Cm}，假定训练集S 中，Ci 在所有样本中出现的频率为(i=1,2,3,…,m)，则该训练集S 所包含的信息熵定义为：（3分）熵越小表示样本对目标属性的分布越纯，反之熵越大表示样本对目标属性分布越混乱。

（1分）14．什么是文本挖掘？答：文本挖掘是一个对具有丰富语义的文本进行分析，从而理解其所包含的内容和意义的过程。

（2分）对其进行深入的研究可以极大地提高人们从海量文本数据中提取信息的能力，具有很高的商业价值。

（1分）包括分词、文本表示、文本特征选择、文本分类、文本聚类、文档自动摘要等内容。

数据挖掘——概念概念与技术Jiawei Han Micheline Kamber 著范明孟晓峰译第1章引言什么是数据挖掘在你的回答中，针对以下问题：定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。

使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。

解答：�特征化是一个目标类数据的一般特性或特性的汇总。

例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA：Gradepoint aversge) 的信息，还有所修的课程的最大数量。

�区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。

例如，具有高 GPA 的学生的一般特性可被用来与具有低 GPA 的一般特性比较。

最终的描述可能是学生的一个一般可比较的轮廓，就像具有高 GPA 的学生的 75%是四年级计算机科学专业的学生，而具有低GPA 的学生的65%不是。

�关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。

例如，一个数据挖掘系统可能发现的关联规则为：major(X, “computing science”) ⇒owns(X, “personal computer”) [support=12%,confid ence=98%]其中，X 是一个表示学生的变量。

这个规则指出正在学习的学生，12%（支持度）主修计算机科学并且拥有一台个人计算机。

这个组一个学生拥有一台个人电脑的概率是 98%（置信度，或确定度）。

�分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或功能），而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。

它们的相似性是他们都是预测的工具：分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。

�聚类分析的数据对象不考虑已知的类标号。

对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。

数据挖掘考试题及答案一、单项选择题（每题2分，共20分）1. 数据挖掘的主要任务不包括以下哪一项？A. 分类B. 聚类C. 预测D. 数据清洗答案：D2. 以下哪个算法不是用于分类的？A. 决策树B. 支持向量机C. K-meansD. 神经网络答案：C3. 在数据挖掘中，关联规则挖掘主要用于发现以下哪种类型的模式？A. 频繁项集B. 异常检测C. 聚类D. 预测答案：A4. 以下哪个指标用于评估分类模型的性能？A. 准确率B. 召回率C. F1分数D. 以上都是答案：D5. 在数据挖掘中，过拟合是指模型：A. 过于复杂，无法泛化到新数据B. 过于简单，无法捕捉数据的复杂性C. 无法处理缺失值D. 无法处理异常值答案：A6. 以下哪个算法是用于异常检测的？A. AprioriB. K-meansC. DBSCAND. ID3答案：C7. 在数据挖掘中，哪个步骤是用于减少数据集中的噪声和不相关特征？A. 数据预处理B. 数据探索C. 数据转换D. 数据整合答案：A8. 以下哪个是时间序列分析中常用的模型？A. 线性回归B. ARIMAC. 决策树D. 神经网络答案：B9. 在数据挖掘中，哪个算法是用于处理高维数据的？A. 主成分分析（PCA）B. 线性回归C. 逻辑回归D. 随机森林答案：A10. 以下哪个是文本挖掘中常用的技术？A. 词袋模型B. 决策树C. 聚类分析D. 以上都是答案：D二、多项选择题（每题3分，共15分）11. 数据挖掘过程中可能涉及的步骤包括哪些？A. 数据清洗B. 数据转换C. 数据探索D. 模型训练答案：ABCD12. 以下哪些是数据挖掘中常用的数据预处理技术？A. 缺失值处理B. 特征选择C. 特征缩放D. 数据离散化答案：ABCD13. 在数据挖掘中，哪些因素可能导致模型过拟合？A. 训练数据量过少B. 模型过于复杂C. 训练数据噪声过多D. 训练数据不具代表性答案：ABCD14. 以下哪些是评估聚类算法性能的指标？A. 轮廓系数B. 戴维斯-邦丁指数C. 兰德指数D. 互信息答案：ABCD15. 在数据挖掘中，哪些是常用的特征工程方法？A. 特征选择B. 特征提取C. 特征构造D. 特征降维答案：ABCD三、简答题（每题10分，共30分）16. 简述数据挖掘中的“挖掘”过程通常包括哪些步骤。

数据挖掘试题及答案### 数据挖掘试题及答案#### 一、选择题1. 数据挖掘的最终目标是什么？- A. 数据清洗- B. 数据集成- C. 数据分析- D. 发现知识答案：D2. 以下哪个算法不属于聚类算法？- A. K-means- B. DBSCAN- C. Apriori- D. Hierarchical Clustering答案：C3. 在数据挖掘中，关联规则挖掘主要用于发现什么？ - A. 异常值- B. 频繁项集- C. 趋势- D. 聚类答案：B4. 决策树算法中的剪枝操作是为了解决什么问题？- A. 过拟合- B. 欠拟合- C. 数据不平衡- D. 特征选择答案：A5. 以下哪个是时间序列分析的常用方法？- A. 逻辑回归- B. 线性回归- C. ARIMA模型- D. 支持向量机答案：C#### 二、简答题1. 简述数据挖掘中的分类和聚类的区别。

答案：分类是监督学习过程，它使用标记的训练数据来预测数据的类别。

聚类是无监督学习过程，它将数据分组，使得同一组内的数据点相似度较高，不同组之间的数据点相似度较低。

2. 解释什么是异常检测，并给出一个实际应用的例子。

答案：异常检测是一种识别数据集中异常或不寻常模式的方法。

它通常用于识别欺诈行为、网络安全问题或机械故障。

例如，在信用卡交易中，异常检测可以用来识别潜在的欺诈行为。

3. 描述决策树的工作原理。

答案：决策树通过一系列的问题（通常是二元问题）来对数据进行分类。

从根节点开始，数据被分割成不同的子集，然后每个子集继续被分割，直到达到叶节点，叶节点代表最终的分类结果。

#### 三、应用题1. 给定一组客户数据，包括年龄、收入和购买历史。

使用数据挖掘技术来识别哪些客户更有可能购买新产品。

答案：可以使用决策树或逻辑回归等分类算法来分析客户数据，识别影响购买行为的关键特征。

通过训练模型，可以预测哪些客户更有可能购买新产品。

2. 描述如何使用关联规则挖掘来发现超市中商品的购买模式。

您的本次作业分数为：100分单选题1.【第001章】孤立点挖掘适用于下列哪种场合？A 目标市场分析B 购物篮分析C 模式识别D 信用卡欺诈检测正确答案:D单选题2.【第01章】根据顾客的收入和职业情况，预测他们在计算机设备上的花费，所使用的相应数据挖掘功能是（）。

A 关联分析B 分类和预测C 演变分析D 概念描述正确答案:B单选题3.【第01章】数据挖掘应用和一些常见的数据统计分析系统的最主要区别在于（）。

A 所涉及的算法的复杂性B 所涉及的数据量C 计算结果的表现形式D 是否使用了人工智能技术正确答案:B单选题4.【第01章】下列几种数据挖掘功能中，（）被广泛的应用于股票价格走势分析。

A 关联分析B 分类和预测C 聚类分析D 演变分析正确答案:D单选题5.【第01章】下列几种数据挖掘功能中，（）被广泛的用于购物篮分析。

A 关联分析B 分类和预测C 聚类分析D 演变分析正确答案:A单选题6.【第01章】帮助市场分析人员从客户的基本信息库中发现不同的客户群，通常所使用的数据挖掘功能是（）。

A 关联分析B 分类和预测C 聚类分析D 孤立点分析E 演变分析正确答案:C单选题7.【第01章】下面的数据挖掘的任务中，（）将决定所使用的数据挖掘功能。

A 选择任务相关的数据B 选择要挖掘的知识类型C 模式的兴趣度度量D 模式的可视化表示正确答案:B单选题8.【第01章】假设现在的数据挖掘任务是解析数据库中关于客户的一般特征的描述，通常所使用的数据挖掘功能是（）。

A 关联分析B 分类和预测C 孤立点分析D 演变分析E 概念描述正确答案:E单选题9.【第02章】下列哪种可视化方法可用于发现多维数据中属性之间的两两相关性？A 空间填充曲线B 散点图矩阵C 平行坐标D 圆弓分割正确答案:B单选题10.【第02章】计算一个单位的平均工资，使用哪个中心趋势度量将得到最合理的结果？A 算术平均值B 截尾均值C 中位数D 众数正确答案:B单选题11.【第02章】字段Size = {small, medium, large}属于那种属性类型？A 标称属性B 二元属性C 序数属性D 数值属性正确答案:C单选题12.【第02章】字段Hair_color = {auburn, black, blond, brown, grey, red, white}属于那种属性类型？A 标称属性B 二元属性C 序数属性D 数值属性正确答案:A单选题13.【第03章】哪种数据变换的方法将数据沿概念分层向上汇总？A 平滑B 聚集C 数据概化D 规范化正确答案:C单选题14.【第03章】下面哪种数据预处理技术可以用来平滑数据，消除数据噪声？A 数据清理B 数据集成C 数据变换D 数据归约正确答案:A单选题15.【第03章】（）通过将属性域划分为区间，从而减少给定连续值的个数。