数据挖掘作业集答案

数据挖掘习题答案数据挖掘习题答案数据挖掘作为一门重要的技术和方法，广泛应用于各个领域。

在学习数据挖掘的过程中，习题是不可或缺的一部分。

通过解答习题，我们可以更好地理解和掌握数据挖掘的原理和应用。

以下是一些常见的数据挖掘习题及其答案，供大家参考。

一、选择题1. 数据挖掘的目标是什么？A. 发现隐藏在大数据中的模式和关联B. 提供数据存储和管理的解决方案C. 分析数据的趋势和变化D. 优化数据的存储和传输速度答案：A. 发现隐藏在大数据中的模式和关联2. 下列哪个不是数据挖掘的主要任务？A. 分类B. 聚类C. 回归D. 排序答案：D. 排序3. 数据挖掘的过程包括以下几个步骤，哪个是第一步？A. 数据清洗B. 数据集成C. 数据转换D. 数据选择答案：B. 数据集成4. 下列哪个不是数据挖掘中常用的算法？A. 决策树B. 支持向量机C. 朴素贝叶斯D. 深度学习答案：D. 深度学习5. 下列哪个不是数据挖掘的应用领域？A. 金融B. 医疗C. 娱乐D. 政治答案：D. 政治二、填空题1. 数据挖掘是从大量数据中发现________和________。

答案：模式，关联2. 数据挖掘的主要任务包括分类、聚类、回归和________。

答案：预测3. 数据挖掘的过程包括数据集成、数据清洗、数据转换和________。

答案：模式识别4. 决策树是一种常用的________算法。

答案：分类5. 数据挖掘可以应用于金融、医疗、娱乐等多个________。

答案：领域三、简答题1. 请简要介绍数据挖掘的主要任务和应用领域。

答：数据挖掘的主要任务包括分类、聚类、回归和预测。

分类是将数据集划分为不同的类别，聚类是将数据集中相似的样本归为一类，回归是根据已有的数据预测未知数据的值，预测是根据已有的数据预测未来的趋势和变化。

数据挖掘的应用领域非常广泛，包括金融、医疗、娱乐等。

在金融领域，数据挖掘可以用于信用评估、风险管理等方面；在医疗领域，数据挖掘可以用于疾病诊断、药物研发等方面；在娱乐领域，数据挖掘可以用于推荐系统、用户行为分析等方面。

您的本次作业分数为：100分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:D2.【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:B3.【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:B4.【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:D5.【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:A6.【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:C7.【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:B8.【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:E9.【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:B10.【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:B11.【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:C12.【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:A13.【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:C14.【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:A15.【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。

大工20春《数据挖掘》课程大作业满分答案网络教育学院《数据挖掘》课程大作业题目：KNN算法原理及Python实现姓名：研究中心：第一大题：数据挖掘》是一门实用性非常强的课程，数据挖掘是大数据这门前沿技术的基础，拥有广阔的前景，在信息化时代具有非常重要的意义。

数据挖掘的研究领域非常广泛，主要包括数据库系统、基于知识的系统、人工智能、机器研究、知识获取、统计学、空间数据库和数据可视化等领域。

在研究过程中，我也遇到了不少困难，例如基础差，对于Python基础不牢，尤其是在进行这次课程作业时，显得力不从心；个别算法也研究的不够透彻。

在接下来的研究中，我仍然要加强理论知识的研究，并且在研究的同时联系实际，在日常工作中注意运用《数据挖掘》所学到的知识，不断加深巩固，不断发现问题，解决问题。

另外，对于自己掌握不牢的知识要勤复，多练，使自己早日成为一名合格的计算机毕业生。

第二大题：KNN算法介绍KNN算法，又叫K最邻近分类算法，是数据挖掘分类技术中最简单的方法之一。

所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。

KNN算法的基本思路是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。

KNN算法流程1.计算测试数据与各个训练数据之间的距离；2.按照距离的递增关系进行排序；3.选取距离最小的K个点；4.确定前K个点所在类别的出现频率；5.返回前K个点中出现频率最高的类别作为测试数据的预测分类。

Python实现算法及预测在Python中，我们可以使用sklearn库来实现KNN算法。

具体实现代码如下：pythonfrom sklearn.neighbors import KNeighborsClassifierknn = KNeighborsClassifier(n_neighbors=k)knn.fit(X_train。

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。

Data Mining Take Home Exam学号: xxxx 姓名: xxx 1. （20分）考虑下表的数据集。

（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？ 解：（1） Gini=1-(10/20)^2-(10/20)^2=0.5 (2)Gini=[{1-(6/10)^2-(4/10)^2}*1/2]*2=0.48 (3)Gini={1-(1/4)^2-(3/4)^2}*4/20+{1-(8/8)^2-(0/8)^2}*8/20+{1-(1/8)^2-(7/8)^2}*8/2 0=26/160=0.1625(4)Gini={1-(3/5)^2-(2/5)^2}*5/20+{1-(3/7)^2-(4/7)^2}*7/20+[{1-(2/4)^2-(2/4)^2}*4/ 20]*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. （20分）考虑下表中的购物篮事务数据集。

(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。

（完整word版）数据挖掘题⽬及答案⼀、何为数据仓库？其主要特点是什么？数据仓库与KDD的联系是什么？数据仓库是⼀个⾯向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，⽤于⽀持管理决策。

特点：1、⾯向主题操作型数据库的数据组织⾯向事务处理任务，各个业务系统之间各⾃分离，⽽数据仓库中的数据是按照⼀定的主题域进⾏组织的。

2、集成的数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加⼯、汇总和整理得到的，必须消除源数据中的不⼀致性，以保证数据仓库内的信息是关于整个企业的⼀致的全局信息。

3、相对稳定的数据仓库的数据主要供企业决策分析之⽤，⼀旦某个数据进⼊数据仓库以后，⼀般情况下将被长期保留，也就是数据仓库中⼀般有⼤量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。

4、反映历史变化数据仓库中的数据通常包含历史信息，系统记录了企业从过去某⼀时点(如开始应⽤数据仓库的时点)到⽬前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。

所谓基于数据库的知识发现（KDD）是指从⼤量数据中提取有效的、新颖的、潜在有⽤的、最终可被理解的模式的⾮平凡过程。

数据仓库为KDD提供了数据环境，KDD从数据仓库中提取有效的，可⽤的信息⼆、数据库有4笔交易。

设minsup=60%，minconf=80%。

TID DATE ITEMS_BOUGHTT100 3/5/2009 {A, C, S, L}T200 3/5/2009 {D, A, C, E, B}T300 4/5/2010 {A, B, C}T400 4/5/2010 {C, A, B, E}使⽤Apriori算法找出频繁项集，列出所有关联规则。

解：已知最⼩⽀持度为60%，最⼩置信度为80%1）第⼀步，对事务数据库进⾏⼀次扫描，计算出D中所包含的每个项⽬出现的次数，⽣成候选1-项集的集合C1。

第一章1．6(1)数据特征化是目标类数据的一般特性或特征的汇总。

例如，在某商店花费1000元以上的顾客特征的汇总描述是：年龄在40—50岁、有工作和很好的信誉等级。

（2）数据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,高平均分数的学生的一般特点,可与低平均分数的学生的一般特点进行比较.由此产生的可能是一个相当普遍的描述，如平均分高达75％的学生是大四的计算机科学专业的学生，而平均分低于65%的学生则不是.（3)关联和相关分析是指在给定的频繁项集中寻找相关联的规则.例如，一个数据挖掘系统可能会发现这样的规则：专业（X，“计算机科学”)=〉拥有(X，”个人电脑“）[support= 12％，confidence = 98%]，其中X是一个变量，代表一个学生，该规则表明，98％的置信度或可信性表示,如果一个学生是属于计算机科学专业的，则拥有个人电脑的可能性是98%。

12％的支持度意味着所研究的所有事务的12％显示属于计算机科学专业的学生都会拥有个人电脑。

（4)分类和预测的不同之处在于前者是构建了一个模型(或函数），描述和区分数据类或概念，而后者则建立了一个模型来预测一些丢失或不可用的数据，而且往往是数值，数据集的预测。

它们的相似之处是它们都是为预测工具：分类是用于预测的数据和预测对象的类标签，预测通常用于预测缺失值的数值数据。

例如：某银行需要根据顾客的基本特征将顾客的信誉度区分为优良中差几个类别，此时用到的则是分类;当研究某只股票的价格走势时，会根据股票的历史价格来预测股票的未来价格，此时用到的则是预测。

（5）聚类分析数据对象是根据最大化类内部的相似性、最小化类之间的相似性的原则进行聚类和分组。

聚类还便于分类法组织形式,将观测组织成类分层结构，把类似的事件组织在一起。

例如：世界上有很多种鸟，我们可以根据鸟之间的相似性，聚集成n类，其中n可以认为规定. (6）数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模。

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6．1 数据特征化是目标类数据的一般特性或特征的汇总。

（1）岁、有工5040—元以上的顾客特征的汇总描述是：年龄在例如，在某商店花费1000 作和很好的信誉等级。

数据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）（2 较。

由可与低平均分数的学生的一般特点进行比较。

例如，高平均分数的学生的一般特点，％的学生是大四的计算机科学专业75此产生的可能是一个相当普遍的描述，如平均分高达的学生则不是。

的学生，而平均分低于65% ）关联和相关分析是指在给定的频繁项集中寻找相关联的规则。

（3”X，）=>拥有（X 例如，一个数据挖掘系统可能会发现这样的规则：专业（，“计算机科学”是一个变量，代表一个学生，该规，其中Xconfidence = 98％]％，个人电脑“）[support= 12的置信度或可信性表示，如果一个学生是属于计算机科学专业的，则拥有个人则表明，98%显示属于计算机科学专的支持度意味着所研究的所有事务的12%98%。

12%电脑的可能性是业的学生都会拥有个人电脑。

（4）分类和预测的不同之处在于前者是构建了一个模型（或函数），描述和区分数据类或概念，而后者则建立了一个模型来预测一些丢失或不可用的数据，而且往往是数值，数据集的预测。

它们的相似之处是它们都是为预测工具：分类是用于预测的数据和预测对象的类标签，预测通常用于预测缺失值的数值数据。

例如：某银行需要根据顾客的基本特征将顾客的信誉度区分为优良中差几个类别，此时用到的则是分类；当研究某只股票的价格走势时，会根据股票的历史价格来预测股票的未来价格，此时用到的则是预测。

（5）聚类分析数据对象是根据最大化类内部的相似性、最小化类之间的相似性的原则进行聚类和分组。

聚类还便于分类法组织形式，将观测组织成类分层结构，把类似的事件组织在一起。

例如：世界上有很多种鸟，我们可以根据鸟之间的相似性，聚集成n类，其中n可以认为规定。

南开19春学期（1709、1803、1809、1903）《数据挖掘》在线作业-2一、单选题共20题，40分1、( )用替代的、较小的数据表示形式替换原数据。

A维归约B数量归约C离散D聚集【南开】答案是：B2、只有非零值才重要的二元属性被称作( )。

A计数属性B离散属性C非对称的二元属性D对称属性【南开】答案是：C3、职位可以按顺序枚举,对于教师有:助教、讲师、副教授、教授。

职位属性是( )。

A标称属性B序数属性C数值属性D二元属性【南开】答案是：B4、( )去掉数据中的噪声,这类技术包括分箱、回归和聚类。

A光滑B聚集C规范化D属性构造【南开】答案是：A5、在基于规则分类器的中,依据规则质量的某种度量对规则排序,保证每一个测试记录都是由覆盖它的“最好的”规格来分类,这种方案称为( )。

A基于类的排序方案B基于规则的排序方案C基于度量的排序方案D基于规格的排序方案【南开】答案是：B6、分位数是取自数据分布的每隔一定间隔上的点,把数据划分成基本上大小相等的连贯集合。

如:4-分位数是( )个数据点,它们把数据分布划分成4个相等的部分,使得每部分表示数据分布的四分之一。

A1B2C3D4【南开】答案是：C7、决策树学习:决策树算法对数据处理过程中,将数据按( )结构分成若干分枝形成决策树,从根到树叶的每条路径创建一个规则。

A树状B网状C星形D雪花形【南开】答案是：A8、以下属于可伸缩聚类算法的是( )。

ACUREBDENCLUECCLIQUEDOPOSSUM【南开】答案是：A9、( )将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度,它是一种凝聚层次聚类技术。

AMIN（单链）BMAX（全链）C组平均DWard方法【南开】答案是：C10、如果规则集R中不存在两条规则被同一条记录触发,则称规则集R中的规则为( )。

A无序规则B穷举规则C互斥规则D有序规则【南开】答案是：C11、( )是KDD。

A数据挖掘与知识发现B领域知识发现C文档知识发现D动态知识发现【南开】答案是：A12、在有关数据仓库测试,下列说法不正确的是( )。

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。

数据挖掘作业答案第二章数据准备5.推出在[-1,1]区间上的数据的最小－最大标准化公式。

解：标准化相当于按比例缩放，假如将在[minA,maxA]间的属性A的值v映射到区间[new_minA,new_maxA]，根据同比关系得：(v-minA)/(v’-new_minA)=(maxA-minA)/(new_maxA-new_minA)化简得：v’=(v-minA)* (new_maxA-new_minA)/ (maxA-minA)+ new_minA6.已知一维数据集X={-5.0 , 23.0 , 17.6 , 7.23 , 1.11},用下述方法对其进行标准化：a) 在[-1,1]区间进行小数缩放。

解：X’={-0.050 ，0.230 ，0.176 ，0.0723 ，0.0111}b) 在[0,1]区间进行最小－最大标准化。

解：X’={0 , 1 , 0.807 ，0.437 ，0.218 }c) 在[-1,1]区间进行最小－最大标准化。

解：X’={-1 , 1 , 0.614 , -0.126 , 0.564}d) 标准差标准化。

解：mean=8.788 sd=11.523X’={-1.197 , 1.233 , 0.765 , -0.135 , -0.666}e) 比较上述标准化的结果，并讨论不同技术的优缺点。

解：小数缩放标准化粒度过大(以10为倍数)，但计算简单；最小-最大值标准化需要搜索整个数据集确定最小最大数值，而且最小最大值的专家估算可能会导致标准化值的无意识的集中。

标准差标准化对距离测量非常效，但会把初始值转化成了未被认可的形式。

8.已知一个带有丢失值的四维样本。

X1={0,1,1,2}X2={2,1,*,1}X3={1,*,*,-1}X4={*,2,1,*}如果所有属性的定义域是[0,1,2]，在丢失值被认为是“无关紧要的值”并且都被所给的定义域的所有可行值替换的情况下，“人工”样本的数量是多少？解：X1 “人工”样本的数量为 1X2 “人工”样本的数量为 3X3 “人工”样本的数量为9X4 “人工”样本的数量为9所以“人工”样本的数量为1×3×9×9＝24310．数据库中不同病人的子女数以矢量形式给出：C={3，1，0，2，7，3，6，4，-2，0，0，10，15，6}a)应用标准统计参数——均值和方差，找出C中的异常点：mean=3.9286 sd=4.4153在3个标准差下的阈值：阈值=均值±3*标准差=3.928±3*4.4153=[-9.318，17.174]根据实际情况子女数不可能为负数，所以其范围可缩减为：[0，17.174]C中的异常点有：-2b)在2个标准差下的阈值：阈值=均值±2*标准差=3.928±2*4.4153=[-4.903，12.758]根据实际情况子女数不可能为负数，所以其范围可缩减为：[0，12.758]C中的异常点有：-2, 1511．已知的三维样本数据集X：X=[{1，2，0}，{3，1，4}，{2，1，5}，{0，1，6}，{2，4，3}，{4，4，2}，{5，2，1}，{7，7，7}，{0，0，0}，{3，3，3}]。

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。

数据挖掘技术平时作业第一次：1．什么是数据挖掘？当把数据挖掘看作知识发现过程时，描述数据挖掘所涉及的步骤。

【参考答案】数据挖掘是指从大量数据中提取有趣的（有价值的、隐含的、先前未知的、潜在有用的）关系、模式或趋势，并用这些知识与规则建立用于决策支持的模型,提供预测性决策支持的方法。

很多学者把数据挖掘当作另一术语KDD的同义词，而另一些学者把数据挖掘看作KDD的一个步骤。

当把数据挖掘看作知识发现过程时，数据挖掘的过程大致有以下几步：！）数据清理与集成2）任务相关数据分析与选择3）数据挖掘实施4）模式评估5）知识理解与应用第二次：1．在现实世界中，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。

【参考答案】处理空缺的属性值有以下几种方法：1）忽略元组2）人工填写空缺值3）自动填充（1）使用全局常量，如用Unknown 或－∞（2）使用属性的平均值（3）使用与给定元组属于同一类的所有样本的平均值（4）使用可能的值：这些值可以用回归、判定树、基于推导的贝叶斯形式化方法等确定2．假定用于分析的数据包含属性age，数据元组中age的值如下：13，15，16，16，19，20，20，21，22，22，25，25，25，25，30，33，33，35，35，35，35，36，40，45，46，52，70a)使用最小-最大规范化，将age值35转换到[0.0，1.0]区间。

【参考答案】根据公式min'(_max_min)_minmax minAA A AA AVV new new new-=-+-进行计算。

根据提供的数据，maxA=70，minA=13，将将age值35转换到[0.0，1.0]区间，有：V’=（35-13）/（70-13）*（1.0-0.0）+0.0=0.386所以，将值35映射到区间[0.0，1.0]后的值为0.386。

b)使用Z-Score规范化转换age值，其中age的标准差为12.94。

数据挖掘习题参考答案数据挖掘习题参考答案数据挖掘作为一门热门的学科，已经在各个领域得到广泛应用。

它的目标是从大量的数据中发现有用的信息，并且用这些信息来解决实际问题。

为了帮助读者更好地理解数据挖掘的概念和技术，本文将提供一些数据挖掘习题的参考答案，希望能够对读者有所帮助。

习题一：什么是数据挖掘？它有哪些应用领域？答案：数据挖掘是指从大量的数据中发现有用的信息，并且用这些信息来解决实际问题的过程。

它可以帮助我们发现数据中的模式、规律和趋势，从而提供决策支持和预测能力。

数据挖掘的应用领域非常广泛，包括但不限于市场营销、金融风险管理、医疗诊断、社交网络分析等。

习题二：数据挖掘的主要任务有哪些？答案：数据挖掘的主要任务包括分类、聚类、关联规则挖掘和异常检测。

分类是指根据已有的数据样本来预测新的数据样本所属的类别。

聚类是指将数据样本分成几个不同的组，使得同一组内的数据样本相似度较高，而不同组之间的相似度较低。

关联规则挖掘是指发现数据中的关联关系，例如购物篮分析中的“如果购买了商品A，则更有可能购买商品B”。

异常检测是指发现与其他样本不同的数据点，可能是潜在的异常或异常行为。

习题三：数据挖掘的过程有哪些步骤？答案：数据挖掘的过程通常包括问题定义、数据收集、数据预处理、特征选择和转换、模型选择和建立、模型评估和模型应用等步骤。

首先，我们需要明确问题的定义，确定我们需要从数据中挖掘出什么样的信息。

然后，我们收集相关的数据，并对数据进行预处理，包括数据清洗、数据集成、数据变换和数据规约等。

接下来，我们选择合适的特征，并进行特征转换，以便于模型的建立和分析。

在模型选择和建立阶段，我们选择合适的数据挖掘算法，并进行模型的训练和优化。

最后，我们评估模型的性能，并将模型应用于实际问题中。

习题四：数据挖掘中常用的算法有哪些？答案：数据挖掘中常用的算法包括决策树、朴素贝叶斯、支持向量机、神经网络、聚类算法（如K-means算法和DBSCAN算法）、关联规则挖掘算法（如Apriori算法）等。

一、概述数据挖掘概念：数据挖掘是对大量数据进行探索和分析、以便发现有意义的模式和规则的过程.数据仓库：数据仓库就是面向主题的、集成的、非易失的（稳定性）、随时间变化（不同时间）的数据集合，用以支持经营管理中的决策制定过程。

数据立方体：允许以多维对数据建模和观察.由维和事实组成.其中事实是数值的度量.分类：就是通过学习获得一个目标函数f, 将每个属性集x映射到一个预先定义好的类标号y. 分类任务的输入数据是纪录的集合,每条记录也称为实例或者样例.用元组(X,y)表示,其中,X 是属性集合,y是一个特殊的属性,指出样例的类标号(也称为分类属性或者目标属性).信息检索：信息检索（Information Retrieval）是指信息按一定的方式组织起来，并根据信息用户的需要找出有关的信息的过程和技术。

狭义的信息检索就是信息检索过程的后半部分，即从信息集合中找出所需要的信息的过程，也就是我们常说的信息查寻（Information Search 或Information Seek）。

知识发现（KDD）：知识发现是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。

OLAP：OLAP是针对特定问题的联机数据访问和分析.通过对信息（这些信息已经从原始的数据进行了转换,以反映用户所能理解的企业的实的“维”）的很多可能的观察形式进行快速、稳定一致和交互性的存取,允许管理决策人员对数据进行深入观察.维：是人们观察数据的特定角度.企业常常关心产品销售随着时间推移而产生的变化的情况,这时企业是从时间的角度来观察产品的销售,所以时间就是一个维(时间维).企业也常常关心自己的产品在不同地区的销售分布情况,这时企业是从地理分布的角度来观察产品的销售,所以地理分布也是一个维(地理维).上卷：--通过一个维的概念分层向上攀升或者通过维归约，在数据立方体上进行聚集，也称为聚合操作.下卷：--是上钻的逆操作.它由不太详细的数据到更详细的数据.钻取可以通过沿维的概念分层向下或引入新的维来实现.切片：--设有(维1,维2,…,维i,…,维n,观察变量)多维数据集,对维i选定了某个维成员,则(维1,维2,…,维i成员,…,维n,观察变量)就是多维数据集(维1,维2,…，维I,…,维n,观察变量)在维i上的一个切片.切块：--将完整的数据立方体切取一部分数据而得到的新的数据立方体.在(维1,维2,…,维i,…,维k,…,维n,观察变量)多维数据集上,对维i,…,维k,选定了维成员,则(维1,维2,…,维i成员,…,维k成员,…,维n,观察变量)就是多维数据集(维1,维2,…,维i,…,维k,…,维n,观察变量)在维i,…,维k上的一个切块.二、简述1、KDD的主要过程KDD过程是多个步骤相互连接、反复进行人机交互的过程。

姓名：王燕学号：109070018数据挖掘思考和练习题第一章1．1 什么是数据挖掘？什么是知识发现？简述KDD的主要过程。

答：（1）数据挖掘（Data Mining）是指从大量结构化和非结构化的数据中提取有用的信息和知识的过程，它是知识发现的有效手段。

（2）知识发现是从大量数据中提取有效的、新颖的、潜在的有用的，以及最终可理解的模式的非平凡过程。

（3）KDD的过程主要包括：KDD的过程主要由数据整理、数据挖掘、结果的解释评论三部分组成。

可以由模型表示出来：1．确定挖掘目标：了解应用领域及相关的经验知识，从用户的观点出发确定数据挖掘的目标。

这一步是实现数据挖掘的重要因素，相当于系统分析，需要系统分析员和用户的共同参与。

2．建立目标数据集：从现有的数据中，确定哪些数据是与本次数据分析任务相关的。

根据挖掘目标，从原始数据中选择相关数据集，并将不同数据源中的数据集中起来。

在这一阶段需要解决数据挖掘平台、操作系统和数据源数据类型等不同所产生的数据格式差异。

3．数据清洗和预处理：这一阶段即是将数据转变成“干净”的数据。

目标数据集中不可避免地存在着不完整、不一致、不精确和冗余地数据。

数据抽取之后必须利用专业领域地知识对“脏数据”进行清洗。

然后再对它们实施相应的方法，神经网络方法和模糊匹配技术分析多数据源之间联系，然后再对它们实施相应的处理。

4．数据降维和转换：在对数据库和数据子集进行预处理之后，考虑了数据的不变表示或发现了数据的不变的表示情况下，减少变量的实际数目，设法将数据转换到一个更易找到了解的空间上。

5．选择挖掘算法使用合适的数据挖掘算法完成数据分析。

确定实现挖掘目标的数据挖掘功能，这些功能方法包括概念描述、分类、聚类、关联规则。

其次选择合适的模式搜索算法，包括模型和参数的确定。

6．模式评价和解释根据最终用户的决策目的对数据挖掘发现的模式进行评价，将有用的模式或描述有用模式的数据以可视化技术和知识表示技术展示给用户，让用户能够对模型结果作出解释，评价模式的有效性。

数据挖掘作业答案数据挖掘作业题⽬+答案华理计算机专业选修课第⼆章：假定⽤于分析的数据包含属性age。

数据元组中age值如下（按递增序）：13 ，15 ，16 ，16 ，19 ，20 ，20，21 ，22 ，22，25 ，25 ，25 ，25 ，30 ，33 ，33 ，35 ，35 ，35，35，36，40，45，46，52，70.分别⽤按箱平均值和边界值平滑对以上数据进⾏平滑，箱的深度为3.使⽤最⼩-最⼤规范化，将age值35转换到[0.0,1.0]区间使⽤z-Score规范化转换age值35 ，其中age的标准差为12.94年。

使⽤⼩数定标规范化转换age值35。

画⼀个宽度为10的等宽直斱图。

该数据的均值是什么？中位数是什么？该数据的众数是什么？讨论数据的峰（即双峰，三峰等）数据的中列数是什么？（粗略地）找出数据的第⼀个四分位数（Q1 ）和第三个四分位数（Q3 ）给出数据的五数概括画出数据的盒图第三章假定数据仓库包含三个维：time doctor和patient ；两个度量：count和charge；其中charge是医⽣对病⼈⼀次诊治的收费。

画出该数据仓库的星型模式图。

由基本⽅体[day, doctor, patient]开始，为列出2004年每位医⽣的收费总数，应当执⾏哪些OLAP操作。

如果每维有4层（包括all ），该⽴⽅体包含多少⽅体（包括基本⽅体和顶点⽅体）？第五章数据库有4个事务。

设min_sup=60%,min_conf=80%TID Itmes_boughtT100 {K,A,D,B}T200 {D,A,C,E,B}T300 {C,A,B,E}T400 {B,A,D}分别使⽤Apriori和FP-增长算法找出频繁项集。

列出所有的强关联规则（带⽀持度s和置信度c ），它们不下⾯的元规则匹配，其中，X是代表顼客的变量，itmei是表⽰项的变量（例如：A、B等）下⾯的相依表会中了超级市场的事务数据。