数据挖掘 主题：第五章作业

单因素方差分析
单因素方差的检验统计量是F统计量
R函数的基本书写格式为： aov(观测变量域名~控制变量域名,data=数据框名) anova(方差分析结果对象名)
• 示例：
各总体均值的可视化
直观展示控制变量不同水平下观测变量总体均值的取值 状况，可绘制各总体均值变化的折线图以及各总体均值 的置信区间图
(y
y
)
2
/
n
首都经济贸易大学 统计学院
spearman相关系数
首都经济贸易大学 统计学院
Kendll-τ相关系数
首都经济贸易大学 统计学院
计算简单相关系数
示例：
简单相关系数的检验
简单相关系数的检验
相关系数检验的R函数是cor.test，基本书写格式为：
cor.test(数值型向量1, 数值型向量2,alternative=检验方 向,method="pearson")
需对是否满足前提假设进行检验
总体正态性检验
可通过以下两种方式判断控制变量不同水平下观测变量 总体是否服从正态分布 第一，绘制Q-Q图
R绘制关于正态分布的Q-Q图的函数为qqnorm，基本书写格 式为： qqnorm(数值型向量名)
进一步，若希望在Q-Q图上添加基准线，需调用qqline函数， 基本书写格式为： qqline(数值型向量名,distribution = qnorm)
两分类型变量相关性的分析主要包括两个方面： 第一，相关性的描述 第二，相关性的检验
两分类型变量相关性的描述
两分类型变量相关性描述的工具是编制列联表。列联表 中一般包括两分类型变量类别值交叉分组下的观测频数， 表各行列的频数合计（边际频数），各频数占所在行列 合计的百分比（边际百分比）以及占总合计的百分比 （总百分比）等

《数据挖掘》作业第一章引言一、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、数据库技术和机器学习（4）在万维网(WWW)上应用的数据挖掘技术常被称为：WEB挖掘（5）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、单选题（1）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：（B ）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（2）孤立点挖掘适用于下列哪种场合？（D ）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（3）下列几种数据挖掘功能中，（ D ）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（4）下面的数据挖掘的任务中，（ B ）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（5）下列几种数据挖掘功能中，（A ）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（6）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（ B ）A.关联分析B.分类和预测C. 演变分析D. 概念描述（7）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（ C ）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（8）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（ E ）A.关联分析B.分类和预测C. 孤立点分析D. 演变分析E. 概念描述三、简答题（1）什么是数据挖掘？答：数据挖掘是指从大量数据中提取或“挖掘”知识。

• 如：规则{尿布}—>{啤酒}表示尿布和啤酒的销售之间存在关联—— “啤酒与尿布”的故事。
• 关联分析用以发现事物间存在的关联性，除了购物篮分析外，有广泛应用， 如：辅助决策——挖掘商场销售数据、发现商品间的联系；医疗诊断—— 用于发现某些症状与某种疾病之间的关联；网页挖掘——用于发现文档集 合中某些词之间的关联，发现主题词演化模式、学科发展趋势；电子商 务——进行产品的关联推荐等。
频繁项集
支持度不小于最小支持度阈值的项集
强关联规则
根据用户预先定义的支持度和置信度阈值，支持度不小于最小支持度阈值 并且置信度不小于最小置信度阈值的规则
5.2.1 基本概念(4)
关联分析挖掘的关联规则分类 根据处理值分类
布尔关联规则 量化关联规则
根据涉及维度分类
单维关联规则 多维关联规则
支持度 (support)
事务数据库D中包含项A和B的事务占所有 事务的百分比
可表示为：support(A,B ) P(A B ) (A B )/ N
5.2.1 基本概念(3)
置信度
事务数据库D中同时包含项A和B的事务占包含项A的事务的百分比
条件概率表示为： confindence(A,B ) P(B | A) (A B )/ (A)
根据数据抽象层次分类
单层关联规则 多层关联规则
【例5-1】 设有事务集合如表5-1，计算规则{bread,milk tea} 的支持度、置信度。
交易号TID
顾客购买的商品
ห้องสมุดไป่ตู้
交易号TID
T1
bread, cream, milk, tea
T6
T2
bread, cream, milk
T7

（完整版）数据挖掘概念课后习题答案第 1 章1.6 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。

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 a ve r s ge) 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：m a j or(X,“c omput i ng s c i e nc e”) ?owns(X, “pe r s ona l c omput e r”)[s uppor t=12%,c on f i d e nc e=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，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。

它们的功能）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。

形成的每⼀簇可以被看作⼀个对象类。

第五次作业Weihua Wang 1、假设数据挖掘的任务是将如下八个点聚类为三个类.A1(2,10) A2(2,5) A3(8,4) B1(5,8) B2(7,5) B3(6,4) C1(1,2) C2(4,9)距离函数为欧几里得函数.假设初始我们选择A1,B1,C1为每个聚类的中心,用K-means 方法给出:a)在第一次循环后的三个聚类中心b)最后的三个簇解:首先计算A1(2,10) A2(2,5) A3(8,4) B1(5,8) B2(7,5) B3(6,4) C1(1,2) C2(4,9) A1(2,10) 0 5 8.49 3.61 7.08 7.21 8.06 2.24 B1(5,8) 3.61 4.24 5 0 3.61 4.12 7.21 1.41 C1(1,2) 8.06 3.16 7.28 7.21 6.71 5.36 0 7.62由上表可得,各点的归属簇为:A1:A1,B1:A3,B1,B2,B3,C2C1:A2,C1第一次循环后三个聚类中心为First1:(2,10)First2:((8+5+7+6+4)/5,(4+8+5+4+9)/5)=(6,6)First3:((2+1)/2,(5+2)/2)=(1.5,3.5)继续计算各点到簇中心的距离A1(2,10) A2(2,5) A3(8,4) B1(5,8) B2(7,5) B3(6,4) C1(1,2) C2(4,9) F1(2,10) 0 5 8.49 3.61 7.08 7.21 8.06 2.24 F2(6,6) 5.66 4.12 2.83 2.24 1.41 2 6.40 3.61 F3(1.5,3.5) 6.52 1.58 6.52 5.70 5.70 4.53 1.58 6.04由上表可得,各点的归属簇为:F1:A1,C2F2:A3,B1,B2,B3F3:A2,C1Second1:((2+4)/2,(10+9)/2)=(3,9.5)Second2:((8+5+7+6)/4,(4+8+5+4)/4)=(6.5,5.25)Second3:((2+1)/2,(5+2)/2)=(1.5,3.5)继续计算各点到簇中心的距离A1(2,10) A2(2,5) A3(8,4) B1(5,8) B2(7,5) B3(6,4) C1(1,2) C2(4,9) S1(3,9.5) 1.12 4.61 7.43 2.50 6.02 6.26 7.76 1.12 S2(6.5,5.25) 6.54 4.51 1.96 3.13 0.56 1.35 6.39 4.51 S3(1.5,3.5) 6.52 1.58 6.52 5.70 5.70 4.53 1.58 6.04由上表可知，各点的归属簇为：S1：A1,B1,C2S2：A3,B2,B3S3：A2,C1Third1:((2+5+4)/3,(10+8+9)/3)=(3.67,9)Third2:((8+7+6)/3,(4+5+4)/3)=(7,4.33)Third3: ((2+1)/2,(5+2)/2)=(1.5,3.5)A1(2,10) A2(2,5) A3(8,4) B1(5,8) B2(7,5) B3(6,4) C1(1,2) C2(4,9) T1(3.67,9) 1.95 4.33 6.61 1.66 5.20 5.52 7.49 0.33 T2(7,4.33)7.56 5.04 1.05 4.18 0.67 1.05 6.44 5.55 T3(1.5,3.5) 6.52 1.58 6.52 5.70 5.70 4.53 1.58 6.04由上表可知，各点的归属簇为：T1:A1,B1,C2T2:A3,B2,B3T3:A2,C1各点的归属簇至此已不发生变化，故最后的三个簇为：Final1:A1,B1,C2Final2:A3,B2,B3Final3:A2,C12、进行单链和全链层次聚类，绘制树状图显示结果，树状图应当清楚地显示合并的次序。

数据挖掘——探索数据的奥秘智慧树知到课后章节答案2023年下青岛工学院青岛工学院第一章测试1.数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

（）A:对 B:错答案:对2.下面哪些是时空数据的应用（）。

A:气象学家使用人造卫星和雷达观察飓风 B:从多媒体数据库中发现有趣的模式 C:机动车辆管理者把GPS安装在汽车上，以便更好地监管和引导车辆 D:动物学家把遥感设备安装在野生动物身上，以便分析生态行为答案:气象学家使用人造卫星和雷达观察飓风;机动车辆管理者把GPS安装在汽车上，以便更好地监管和引导车辆;动物学家把遥感设备安装在野生动物身上，以便分析生态行为3.数据挖掘生命周期的数据理解阶段，起于原始数据收集，止于熟悉数据、识别数据质量问题。

（）A:对 B:错答案:错4.以下关于数据挖掘规律的描述中，不正确的是（）。

A:业务知识是数据挖掘过程每一步的中心 B:对所有领域的每个数据挖掘问题,总有模式可循。

C:数据准备超过数据挖掘过程的3/4 D:给定应用的正确模型只能通过实验发现答案:数据准备超过数据挖掘过程的3/45.关于数据挖掘生命周期的部署阶段，说法正确的是（）。

A:部署阶段要完成模型的创建 B:执行部署步骤的通常是数据分析师 C:部署通常是数据挖掘项目的终点 D:建立模型的目的不能仅仅是增加对数据的了解答案:部署阶段要完成模型的创建6.“8,000”和“10,000”表示:（）。

A:数据 B:信息 C:知识 D:智慧答案:数据7.“8,000米是飞机飞行最大高度”与“10,000米的高山”表示:（）。

A:数据 B:知识 C:信息 D:智慧答案:信息8.“飞机无法飞过高山”表示:（）。

A:知识 B:智慧 C:数据 D:信息答案:知识9.数据取样时，除了要求抽样时严把质量关外，还要求抽样数据必须在足够范围内有代表性。

数据有噪声的。传统数据分析方法的数据源一般都是清洁
好的、结构化的数据，数据挖掘则需要从不完全的、有噪声 的、模糊的数据中发现知识。
数据挖掘与传统数据分析方法区别
数据可能是非结构化的。数据挖掘不仅可以处 理结构化的数据，而且可以处理半结构化或者 非结构化的数据。事实上，基于文本的数据挖 掘甚至互联网上的数据挖掘正是数据挖掘的研 究方向之一 。
数据挖掘和数据仓库
大部分情况下，数据挖掘都要先把数据从数据仓库中拿到数据挖 掘库或数据集市中。 优点：数据仓库的数据清理和数据挖掘的数 据清理差不多，如果数据在导入数据仓库时已经清理过，那很可 能在做数据挖掘时就没必要再清理一次了，而且所有的数据不一 致的问题都已经被解决了。
为了数据挖掘你也不必非得建立一个数据仓库，建立一个巨大的 数据仓库，把各个不同源的数据统一在一起，解决所有的数据冲 突问题，然后把所有的数据导到一个数据仓库内，是一项巨大的 工程，可能要用几年的时间花上百万的钱才能完成。
传统的数据分析方法基于假设驱动的:一般都是先给 出一个假设然后通过数据验证。
数据挖掘在一定意义上是基于发现驱动的：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。
数据挖掘和数据仓库
分类与估值
分类与估值（Classification and Estimation）
分类指通过分析一个类别已知的数据集的 特征来建立一组模型，该模型可用以预测类别 未知的数据项的类别。该分类模型可以表现为 多种形式：分类规则（IF-THEN），决策树或 者数学公式，乃至神经网络。
估值与分类类似，只不过它要预测的不是 类别，而是一个连续的数值。

传统数据分析工具（DSS/EIS）
数据挖掘工具
工具特点
分析重点 分析目的 数据集大小 启动方式
回顾型的、验证型的
已经发生了什么 从最近的销售文件中列出最大客户 数据维、维中属性数、维中数据均是 少量的 企业管理人员、系统分析员、管理 顾问启动与控制
预测型的、发现型的
预测未来的情况、解释发生的原因 锁定未来的可能客户，以减少 未来的销售成本 数据维、维中属性数、维中数据 均是庞大的 数据与系统启动，少量的人员指导 统计分析工具已经成熟，其他工具正在 发展中
5.2 分类与预测
分类的目的是提出一个分类函数或分类模型（即 分类器），通过分类器将数据对象映射到某一个给定 的类别中。 数据分类可以分为两步进行。


第一步建立模型，用于描述给定的数据集合。通过分析由属 性描述的数据集合来建立反映数据集合特性的模型。这一步 也称作有监督的学习，导出模型是基于训练数据集的，训练 数据集是已知类标记的数据对象。 第二步使用模型对数据对象进行分类。首先应该评估模型的 分类准确度，如果模型准确度可以接受，就可以用它来对未 知类标记的对象进行分类。
5.1.1 数据挖掘的演变


1.数据挖掘技术的发展 （1）数据挖掘产生的背景 是四个方面的原因促进了数据挖掘技术产生、发 展和应用。 A.大容量数据库的出现。 B.先进计算机技术应用。 C.现代化经营管理的需要。 D.对数据挖掘精、深能力的要求。
数据挖掘:多个学科的融合
数据库系统 统计学


（2）对数据挖掘技术的商业定义 从商业角度看，数据挖掘是新型的商业分析处理技术。 它是从大型数据库或数据仓库中发现并提取隐藏在其 中信息的一种新技术，帮助决策者寻找数据间潜在的 关联，发现被忽略的因素。 （3）数据挖掘工具与传统数据分析工具的比较 数据挖掘是一类深层次的数据分析。

常用的分类算法有： 单一的分类方法主要包括：决策树、贝叶斯、人工神经
网络、K-近邻、支持向量机等； 用于组合单一分类方法的集成学习算法，如Bagging和
Boosting、adaboost等。
西安邮电大学
5.2 KNN算法原理
KNN(K-NearestNeighbor) 算法是一个理论上比较 成熟的方法，最初由Cover和Hart于1968年提出，其思 路非常简单直观，易于快速实现。
✓ 缩小训练样本的方法：在原有的样本中删掉一部分 与分类相关不大的样本，将剩下的样本作为新的训 练样本或者在原来的训练样本集中选取一些代表样 本作为新的训练样本；
✓ 通过聚类（clustering），将聚类所产生的中心点 作为新的训练样本。
(2)从优化相似度度量方法的角度
基本的KNN算法基于欧几里得距离来计算样本的相 似度，这种方法对噪声特征非常敏感。
可以采用均匀化样本分布密度的方法进行改进。
(4)从选取恰当k值的角度
由于KNN算法中几乎所有的计算都发生在分类阶段， 而且分类效果很大程度上依赖于k值的选取。而目前为 止，比较好的选k值的方法只能是通过反复试验调整。
小结： KNN算法主要依据邻近的k个样本来进行类别的判
断。然后依据k个样本中出现次数最多的类别作为未 知样本的类别。这也就是人们常说的“物以类聚，人 以群分”、“近朱者赤，近墨者黑”。在选择分类算 法时我们应该根据具体应用的需求，选择适当的分类 算法。
KNN可以说是一种最直接的用来分类未知 数据的方法。
5.2.1 KNN算法原理
简单来说，KNN可以 看成：有那么一堆你已 经知道分类的数据，然 后当一个新数据进入的 时候，就开始跟训练数 据里的每个点求距离， 然后挑出离这个数据最 近的K个点，看看这K个 点属于什么类型，然后 用少数服从多数的原则， 给新数据归类。

（3）终端节点
①图形节点：提供了多种的图形功能，通过图形展示的方式进行 数据探索或者对模型效果评估； ②建模节点：提供各种数据挖掘模型，当该节点运行后会生成 “模型节点”，而该节点就属于中间节点。 ③输出节点：提供数据表，交叉表，报告等，可以帮助我借助统 计分析来进行适当的数据探索以及结果评估； ④导出节点：把数据结果导出到各种格式的文件进行保存，导出 为excel文件； ⑤Statistics节点：调用statistics的功能。
5.3.3建立模型、模型检验与模型应 用案例
商业目的：客户是否对直邮响应 数据挖掘的目标：预测客户对直邮的态度 想法：决策树，通过训练数据构建决策树，可以
高效的对未知的数据进行分类。
使用分区数据：如果定义了 分区字段，则此选项可确保 仅训练分区的数据用于构建 模型。
为每个分割构建模型：给指 定为分割字段的输入字段的 每个可能值构建一个单独模 型。
Hale Waihona Puke 3.数据挖掘项目管理区数据挖掘会是一个持续性的项目过程，尤其是在商 业数据挖掘当中。可以看到，这里面的阶段设置就是按照 CRISP-DM方法论进行划分的，通过这个项目管理区，我 们就可以很方便把相应的内容（无论是str文件，结果，模 型乃至于word文档都可以归纳进来）对号入座，在每次开 展或者继续项目的时候就可以很容易进行查看操作，非常 方便分析人员进行管理。
5.4.4数据理解
收集原始数据、探索数据特征、检验数据质量(完整 性、正确性)和缺失值的填补等
初步观察病人情 况和身体特征是 否与所选药物关 系明显
5.4.5数据准备
5.4.6模型建立和评估
1.建立最简单的模型并进行初步分析和尝试
字段要求。必 须至少有一个 目标字段和一 个输入字段。

数据仓库与数据挖掘智慧树知到课后章节答案2023年下济南大学济南大学绪论单元测试1.数据挖掘的目标不在于数据采集策略，而在于对于已经存在的数据进行模式的发掘。

（）A:错 B:对答案:对第一章测试1.图挖掘技术在社会网络分析中扮演了重要的角色。

（）A:对 B:错答案:对2.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:对 B:错答案:对3.DSS主要是基于数据仓库.联机数据分析和数据挖掘技术的应用。

（）A:对 B:错答案:对4.建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务？( )A:建模描述B:根据内容检索C:寻找模式和规则D:预测建模答案:预测建模5.以下哪些学科和数据挖掘有密切联系？( )A:计算机组成原理B:矿产挖掘C:统计D:人工智能答案:统计;人工智能第二章测试1.下面哪个不属于数据的属性类型：( )A:区间B:序数C:相异D:标称答案:相异2.在上题中，属于定量的属性类型是：( )A:序数B:区间C:相异D:标称答案:区间3.只有非零值才重要的二元属性被称作：( )A:计数属性B:对称属性C:离散属性D:非对称的二元属性答案:非对称的二元属性4.以下哪种方法不属于特征选择的标准方法： ( )A:嵌入B:包装C:过滤D:抽样答案:抽样5.离群点可以是合法的数据对象或者值。

（）答案:对第三章测试1.下面哪些属于可视化高维数据技术 ( )A:星形坐标B:平行坐标系C:矩阵D:Chernoff脸E:散布图答案:星形坐标;平行坐标系;矩阵;Chernoff脸2.下面哪种不属于数据预处理的方法？ ( )A:聚集B:离散化C:变量代换D:估计遗漏值答案:估计遗漏值3.联机分析处理包括以下哪些基本分析功能？ ( )A:转轴B:聚类D:分类E:切片答案:转轴;切块;切片4.检测一元正态分布中的离群点，属于异常检测中的基于（）的离群点检测。

2-项集
{I1,I2} {I1,I3}
计数 4 4 2 4 2 2
s/% 44.4 44.4 22.2 44.4 22.2 22.2
{I1,I5} {I2,I3} {I2,I4} {I2,I5}
{I2,I3}
{I2,I4} {I2,I5} {I3,I4} {I3,I5}
4
2 2 0 1
44.4
22.2 22.2 0 11.1
集，所以没有大小为3的候选
22
例3 一个女式服装店在一天中有20个收款机事务记 录，如表1-6所示。在第一趟扫描时，得到6个候 选项目集，如表1-7 所示。其中5个候选是大的。
将每一个候选与另外4个进行组合。这样在第二趟
扫描时，一共得到4+3+2+1=10个候选。其中， 7个候选是大的，依此类推。
趟数
1 2
候选
{啤酒}，{面包}，{果冻} {牛奶}，{花生酱} {啤酒，面包}，{啤酒，牛奶} {啤酒，花生酱}，{面包，牛奶} {面包，花生酱}，{牛奶，花生酱}
大项目集
{啤酒}，{面包}， {牛奶}，{花生酱} {面包，花生酱}
第一趟果冻的支持度为20%低于30%的阈值，不进 入大项集，第二趟中只有{面包，花生酱}一项大于支 持的阈值。 其中s=30%，α =50% ，最后只有一个大小为2的大项目
2
这是数据挖掘技术对历史数据进行分析的结果， 反映数据内在的规律。那么这个结果符合现实情况 吗？是否是一个有用的知识？是否有利用价值？ 于是，沃尔玛派出市场调查人员和分析师对这 一数据挖掘结果进行调查分析。经过大量实际调查 和分析，揭示了一个隐藏在"尿布与啤酒"背后的美 国人的一种行为模式：在美国，一些年轻的父亲下 班后经常要到超市去买婴儿尿布，而他们中有 30%～40%的人同时也为自己买一些啤酒。产生 这一现象的原因是：美国的太太们常叮嘱她们的丈 夫下班后为小孩买尿布，而丈夫们在买尿布后又随 手带回了他们喜欢的啤酒。

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。

第5章关联分析5.1 列举关联规则在不同领域中应用的实例。

5.2 给出如下几种类型的关联规则的例子，并说明它们是否是有价值的。

(a)高支持度和高置信度的规则； (b)高支持度和低置信度的规则； (c)低支持度和低置信度的规则； (d)低支持度和高置信度的规则。

5.3 数据集如表5-14所示：(a) 把每一个事务作为一个购物篮，计算项集{e}, {b, d}和{b, d, e}的支持度。

(b) 利用(a)中结果计算关联规则{b, d}→{e} 和 {e}→{b, d}的置信度。

置信度是一个对称的度量吗？(c) 把每一个用户购买的所有商品作为一个购物篮，计算项集{e}, {b, d}和{b, d, e}的支持度。

(d) 利用(b)中结果计算关联规则{b, d}→{e} 和 {e}→{b, d}的置信度。

置信度是一个对称的度量吗？5.4 关联规则是否满足传递性和对称性的性质？举例说明。

5.5 Apriori 算法使用先验性质剪枝，试讨论如下类似的性质 (a) 证明频繁项集的所有非空子集也是频繁的(b) 证明项集s 的任何非空子集s ’的支持度不小于s 的支持度(c) 给定频繁项集l 和它的子集s ，证明规则“s’→(l – s’)”的置信度不高于s →(l – s)的置信度，其中s’是s 的子集(d) Apriori 算法的一个变形是采用划分方法将数据集D 中的事务分为n 个不相交的子数据集。

证明D 中的任何一个频繁项集至少在D 的某一个子数据集中是频繁的。

5.6 考虑如下的频繁3-项集：{1, 2, 3}，{1, 2, 4}，{1, 2, 5}，{1, 3, 4}，{1, 3, 5}，{2, 3, 4}，{2, 3, 5}，{3, 4, 5}。

(a)根据Apriori 算法的候选项集生成方法，写出利用频繁3-项集生成的所有候选4-项集。

(b)写出经过剪枝后的所有候选4-项集5.7 一个数据库有5个事务，如表5-15所示。

24
解析特征化:一个例子
任务 使用解析特征化挖掘Big-University研究生的一般特 征描述 给定 属性:name, gender, major, birth_place, birth_date, phone#, and gpa Gen(ai) = ai上的概念层 Ui = ai属性解析阈值 Ti = ai 的属性归纳阈值 R = 属性相关阈值
用来分类一个对象的最小测试数量
See example 2006年11月17日星期五 Data Mining: Concepts and Techniques
22
判定树自定向下归纳
属性= {Outlook, Temperature, Humidity, Wind} 打网球 = {yes, no}
Outlook sunny Humidity high no
2006年11月17日星期五
Data Mining: Concepts and Techniques
7
面向属性的归纳
1989年首次提出 不局限于分类数据也不局限于特定的度量. 它是怎麽做的? 使用关系数据库查询收集任务相关数据 通过属性删除和属性概化进行概化 通过合并相等的广义元组，并累计它们对应的 计数值来进行聚集 和用户的交互式表示
2006年11月17日星期五 Data Mining: Concepts and Techniques
2
什么是概念描述?
描述式数据挖掘和预测式数据挖掘 描述式数据挖掘: 以简洁、概要的方式描述概念 和任务相关的数据集 预测式数据挖掘：在数据和分析的基础上，为数 据库构造模型并预测未知数据的趋势和属性 概念描述: 特征化: 提供给定数据汇集的简洁汇总 比较: 提供两个或多个数据汇集的比较描述

数据挖掘知到章节测试答案智慧树2023年最新青岛大学第一章测试1.数据挖掘就是从大量的、（）数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

（）。

参考答案:不完全的;随机的;模糊的;有噪声的2.互联网本身具有（）的特征，这种属性特征给数据搜集、整理、研究带来了革命性的突破。

（）。

参考答案:数字化;互动性3.KDD和数据挖掘可以应用在很多领域中，它们具有如下一些公共特征：（）。

参考答案:数据利用非常不足;在开发知识发现系统时，领域专家对该领域的熟悉程度至关重要;最终用户专门知识缺乏;海量数据集4.大数据的特征有（）。

参考答案:Velocity;Value;Variety;Volume5.从宏观上看，数据挖掘过程主要由三个部分组成，即（）。

参考答案:数据挖掘;结果的解释评估;数据整理第二章测试1.不完整数据的成因有（）。

参考答案:数据收集的时候就缺乏合适的值;人为/硬件/软件问题;数据收集时和数据分析时的不同考虑因素2.处理空缺值的主要方法有（）。

参考答案:使用属性的平均值填补空缺值。

;忽略元组;使用与给定元组属同一类的所有样本的平均值。

;使用一个全局常量填补空缺值3.给定一个数值属性，怎样才能平滑数据，去掉噪声？（）。

参考答案:回归;聚类;分箱（binning）;计算机和人工检查结合4.数据集成时需解决的三个基本问题为（）。

参考答案:模式集成的过程中涉及到的实体识别问题;冗余问题;数据集成过程中数值冲突的检测与处理5.常用的数据转换方法有（）。

参考答案:聚集;平滑;属性构造;数据概化第三章测试1.下列哪个算法不属于层次聚类算法？（）。

参考答案:K-means2.下列哪个算法属于层次聚类算法？（）。

参考答案:DIANA3.下列哪个算法属于密度聚类算法？（）。

参考答案:DBSCAN4.聚类分析中，通常使用（）来衡量两个对象之间的相异度。

（）。

参考答案:距离5.下列哪个选项不是DBSCAN算法的缺点？（）。

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。