《数据挖掘》练习题(第1章)

数据挖掘概念与技术原书第3版课后练习题含答案前言《数据挖掘概念与技术》（Data Mining: Concepts and Techniques）是一本经典的数据挖掘教材，已经推出了第3版。

本文将为大家整理并提供第3版课后习题的答案，希望对大家学习数据挖掘有所帮助。

答案第1章绪论习题1.1数据挖掘的基本步骤包括：1.数据预处理2.数据挖掘3.模型评价4.应用结果习题1.2数据挖掘的主要任务包括：1.描述性任务2.预测性任务3.关联性任务4.分类和聚类任务第2章数据预处理习题2.3数据清理包括以下几个步骤：1.缺失值处理2.异常值检测处理3.数据清洗习题2.4处理缺失值的方法包括：1.删除缺失值2.插补法3.不处理缺失值第3章数据挖掘习题3.1数据挖掘的主要算法包括：1.决策树2.神经网络3.支持向量机4.关联规则5.聚类分析习题3.6K-Means算法的主要步骤包括：1.首先随机选择k个点作为质心2.将所有点分配到最近的质心中3.重新计算每个簇的质心4.重复2-3步，直到达到停止条件第4章模型评价与改进习题4.1模型评价的方法包括：1.混淆矩阵2.精确率、召回率3.F1值4.ROC曲线习题4.4过拟合是指模型过于复杂，学习到了训练集的噪声和随机变化，导致泛化能力不足。

对于过拟合的处理方法包括：1.增加样本数2.缩小模型规模3.正则化4.交叉验证结语以上是《数据挖掘概念与技术》第3版课后习题的答案，希望能够给大家的学习带来帮助。

如果大家还有其他问题，可以在评论区留言，或者在相关论坛等平台提出。

数据挖掘（练习）1、(单选，4分)以下哪项不属于知识发现的过程？( )A、数据清理B、数据挖掘C、知识可视化表达D、数据测试答案：D2、(单选，4分)以下哪些不属于数据挖掘的内容？（）A、分类B、聚类C、离群点检测D、递归分析答案：D3、(单选，4分)以下哪个不是常见的属性类型？（）A、A．标称属性B、数值属性C、高维属性D、序数属性答案：C4、(单选，4分)以下哪个度量属于数据散度的描述？（）A、均值B、中位数C、标准差D、众数答案：C5、(单选，4分)以下哪个度量不属于数据中心趋势度描述？（D ）A、A．均值B、中位数C、众数D、四分位数答案：D6、(单选，4分)对数据进行数据清理、集成、变换、规约是数据挖掘哪个步骤的任务？( )A、频繁模式挖掘B、分类和预测C、数据预处理D、噪声检测答案：C7、(单选，4分)聚类分析是数据挖掘的一种重要技术，以下哪个算法不属于聚类算法？( )A、K-MeansB、DBSCANC、SVMD、EM 答案：C8、(单选，4分)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、根据内容检索B、建模描述C、预测建模D、寻找模式和规则答案：C9、(单选，4分)当不知道数据所带标签时. 可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？( )A、分类B、聚类C、关联分析D、隐马尔可夫链答案：B10、(单选，4分)在构造决策树时，以下哪种不是选择属性的度量的方法？( )A、信息增益B、信息增益率C、基尼指数D、距离答案：D11、(单选，4分)知识发现流程最核心的步骤是什么？( )A、数据挖掘B、数据预处理C、模式评估D、知识表示答案：A12、(单选，4分)将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？( )A、频繁模式挖掘B、分类和预测C、数据预处理D、数据流挖掘答案：C13、(单选，4分)以下哪个度量属于数据中心性的描述？（）A、均值B、极差C、众数D、标准差答案：A14、(单选，4分)类分析是数据挖掘的一种重要技术，以下哪个算法不属于聚类算法？( )A、K-MeansB、DBSCANC、KNND、EM 答案：C15、(单选，4分)某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？( ) A、关联规则发现B、聚类C、分类D、自然语言处理答案：A16、(单选，4分)以下哪些算法是分类算法？( ) A、DBSCAN B、C4.5 C、K-Mean D、EM 答案：B17、(单选，4分)K-means算法的缺点不包括？( ) A、K必须是事先给定的B、选择初始聚类中心C、对于“噪声”和孤立点数据是敏感的D、可伸缩、高效答案：D18、(单选，4分)机器学习中，下面哪些方法不可以避免分类中的过拟合问题？（）A、增加样本数量B、增加模型复杂度C、去除噪声D、正则化答案：B19、(单选，4分)下面那个不属于知识发现过程。

数据挖掘练习题A一、简答题1. 数据对象之间的相似性可用距离来衡量，常见的距离形式有哪些？答：曼哈顿距离，欧几里得距离，切比雪夫距离，闵可夫斯基距离，杰卡德距离2. 简述朴素贝叶斯分类的基本思想。

答：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个概率最大，就认为此待分类项属于哪个类别。

1）设x={a!,a",…,a#}为一个待分类项，a为x的特征属性；2）有类别集合C={y!,y",…,y$}3) 计算p(y!|x)，p(y"|x)，… p(y$|x)4) 如果p(y%|x)=max {p(y!|x),p(y"|x),…,p(y%|x)}，则x∈y%3. 在做数据清洗时，如何处理缺失值？答：处理缺失值的方法有3种：1）忽略元组；2）数据补齐，包括人工填写、特殊值填充、平均值填充、使用最可能的值填充；3）不处理。

4. 简述K-means算法的基本步骤。

答：1）任意选择k个对象作为初始的簇中心；2）计算其它对象与这k个中心的距离，然后把每个对象归入离它“最近”的簇；3）计算各簇中对象的平均值，然后选择簇中心（离平均值“最近”的簇）；4）重复第2步到第3步直到簇中心不再变化为止。

5. 在关联规则中，支持度（support）和置信度（confidence）的含义分别是什么？答：支持度support(x->y)=p(x,y)，表示项集中同时含有x和y的概率。

置信度confidence(x->y)=p(y/x)，表示在关联规则的先决条件x发生的条件下，关联结果y发生的概率，即含有x的项集中，同时含有y的可能性。

二、计算题1.假定属性A的取值x在[x_min,x_max]之间，其中x_min和x_max分别为属性A的最小值和最大值，请利用最小-最大规范化方法（也称离差标准化，是对原始数据的线性变化），将x转化到新的区间[y_min,y_max]中，结果用x’表示。

数据挖掘概念与技术（原书第3版）第一章课后习题及解答1.9习题1.1什么是数据挖掘？在你的回答中，强调以下问题：(a）它是又一种广告宣传吗？（b)它是一种从数据库、统计学、机器学习和模式识别发展而来的技术的简单转换或应用吗?(c)我们提出了一种观点，说数据挖掘是数据库技术进化的结果。

你认为数据挖掘也是机器学习研究进化的结果吗？你能基于该学科的发展历史提出这一观点吗？针对统计学和模式识别领域，做相同的事。

(d)当把数据挖掘看做知识发现过程时，描述数据挖掘所涉及的步骤。

答：狭义的数据挖掘是知识发现过程中的一个步骤,广义的数据挖掘通常用来表示整个知识发现过程,我们一般采用广义的观点:数据挖掘是从大量数据中挖掘有趣模式和知识的过程。

数据源包括数据库、数据仓库、WEB、其他信息存储库或动态地流入系统的数据。

a.它不是一种广告宣传，它基于实际的需求，提供从数据中发现知识的工具。

b。

数据挖掘不是从数据库、统计学、机器学习和模式识别发展而来的技术的简单转换或应用，它可以看做是信息技术的自然进化，是一些相关学科和应用领域的交汇点.c。

数据挖掘是数据库技术进化的结果，也是机器学习、统计学和模式识别领域技术进化的结果。

机器学习是一个快速成长的学科,这一领域中的监督学习、无监督学习、半监督学习和主动学习问题，与数据挖掘高度相关，数据挖掘和机器学习有许多相似之处,对于分类和聚类任务，机器学习研究通常关注模型的准确率。

除准确率之外，数据挖掘研究非常强调挖掘方法在大型数据集上的有效性和可伸缩性，以及处理复杂数据类型的方法，开发新的非传统的方法.统计学研究数据的收集、分析、解释和表示。

数据挖掘和统计学具有天然联系。

（1）统计模型是一组数学函数，它们利用随机变量及其概率分布刻画目标类对象的行为，可以是数据挖掘的结果，也可以是数据挖掘任务的基础。

（2)统计学研究开发一些使用数据和统计模型进行预测和预报的工具，描述统计可以帮助理解数据；推理统计学用某种方式对数据建模，可以解释观测中的随机性和确定性，并用来提取关于所考察的过程中或总体的结论.（3）统计假设检验使用实验数据进行统计判决,可以用来验证数据挖掘结果。

1.何谓数据挖掘？它有哪些方面的功能？从大量的、不完全的、有噪声的、模糊的、随机的数据中，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称为数据挖掘。

相关的名称有知识发现、数据分析、数据融合、决策支持等。

数据挖掘的功能包括：概念描述、关联分析、分类与预测、聚类分析、趋势分析、孤立点分析以及偏差分析等。

2.何谓粒度？它对数据仓库有什么影响？按粒度组织数据的方式有哪些？粒度是指数据仓库的数据单位中保存数据细化或综合程度的级别。

粒度影响存放在数据仓库中的数据量的大小，同时影响数据仓库所能回答查询问题的细节程度。

按粒度组织数据的方式主要有：①简单堆积结构②轮转综合结构③简单直接结构④连续结构3.简述数据仓库设计的三级模型及其基本内容。

概念模型设计是在较高的抽象层次上的设计，其主要内容包括：界定系统边界和确定主要的主题域。

逻辑模型设计的主要内容包括：分析主题域、确定粒度层次划分、确定数据分割策略、定义关系模式、定义记录系统。

物理数据模型设计的主要内容包括：确定数据存储结构、确定数据存放位置、确定存储分配以及确定索引策略等。

在物理数据模型设计时主要考虑的因素有: I/O存取时间、空间利用率和维护代价等。

提高性能的主要措施有划分粒度、数据分割、合并表、建立数据序列、引入冗余、生成导出数据、建立广义索引等。

4.在数据挖掘之前为什么要对原始数据进行预处理？原始业务数据来自多个数据库或数据仓库，它们的结构和规则可能是不同的，这将导致原始数据非常的杂乱、不可用，即使在同一个数据库中，也可能存在重复的和不完整的数据信息，为了使这些数据能够符合数据挖掘的要求，提高效率和得到清晰的结果，必须进行数据的预处理。

为数据挖掘算法提供完整、干净、准确、有针对性的数据，减少算法的计算量，提高挖掘效率和准确程度。

5.简述数据预处理方法和内容。

①数据清洗：包括填充空缺值，识别孤立点，去掉噪声和无关数据。

②数据集成：将多个数据源中的数据结合起来存放在一个一致的数据存储中。

ch11.讨论下列每项活动是否是数据挖掘任务：（fgh是）(a) 根据性别划分公司的顾客。

(b) 根据可赢利性划分公司的顾客。

(c) 计算公司的总销售额。

(d) 按学生的标识号对学生数据库排序。

(e) 预测掷一对骰子的结果。

(f) 使用历史记录预测某公司未来的股票价格。

(g) 监视病人心率的异常变化。

(h) 监视地震活动的地震波。

(i) 提取声波的频率。

2. （ch1）数据挖掘可以在很多数据源上进行，如关系数据库，空间数据库，多媒体数据库，文本数据库等。

3. (ch1)数据挖掘一定可以得到有趣的强关联规则。

4. （ch1）为了提高挖掘质量，通常要进行数据预处理，包括数据清理、集成、选择、变换等。

5. (ch5){发烧，上呼吸道感染}是（2）项集6.企业要建立预测模型，需准备建模数据集，以下四条描述建模数据集正确的是( B )。

A 数据越多越好B 尽可能多的适合的数据C数据越少越好D 以上三条都正确7. 数据挖掘算法以( D )形式来组织数据。

A 行 B列 C 记录 D 表格Ch28. （ch2）假定用于分析的数据包含属性age。

数据元组中age的值如下（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，求：1）使用按箱平均值平滑对以上数据进行平滑，箱的深度是3。

解释你的步骤。

2）使用按箱边界值平滑对以上数据进行平滑，箱的深度是3。

解释你的步骤。

7、P98 3.4（ch3）假定大学的数据仓库包含4个维{student学生、course课程、semester学期、instructor教师}，2个度量count和avg_grade。

在最低的概念层（例如对于给定的学生、课程、学期和教师组合），度量avg_grade存放学生的实际成绩。

为数据仓库画出雪花模式图8、P98 3.5（ch3）假定数据仓库包含4个维date,spectator,location和game，2个度量count和charge。

※:数据挖掘（练习）1、(单选，4分)以下哪项不属于知识发现的过程？()A、数据清理B、数据挖掘C、知识可视化表达D、数据测试答案：D※:数据挖掘（练习）2、(单选，4分)以下哪些不属于数据挖掘的内容？（）A、分类B、聚类C、离群点检测D、递归分析答案：D※:数据挖掘（练习）3、(单选，4分)以下哪个不是常见的属性类型？（）A、A．标称属性B、数值属性C、高维属性D、序数属性答案：C※:数据挖掘（练习）4、(单选，4分)以下哪个度量属于数据散度的描述？（）A、均值B、中位数C、标准差D、众数答案：C※:数据挖掘（练习）5、(单选，4分)以下哪个度量不属于数据中心趋势度描述？（D）A、A．均值B、中位数C、众数D、四分位数答案：D※:数据挖掘（练习）6、(单选，4分)对数据进行数据清理、集成、变换、规约是数据挖掘哪个步骤的任务？()A、频繁模式挖掘B、分类和预测C、数据预处理D、噪声检测答案：C※:数据挖掘（练习）7、(单选，4分)聚类分析是数据挖掘的一种重要技术，以下哪个算法不属于聚类算法？()A、K-MeansB、DBSCANC、SVMD、EM答案：C※:数据挖掘（练习）8、(单选，4分)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、根据内容检索B、建模描述C、预测建模D、寻找模式和规则答案：C※:数据挖掘（练习）9、(单选，4分)当不知道数据所带标签时.可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？()A、分类B、聚类C、关联分析D、隐马尔可夫链答案：B※:数据挖掘（练习）10、(单选，4分)在构造决策树时，以下哪种不是选择属性的度量的方法？()A、信息增益B、信息增益率C、基尼指数D、距离答案：D※:数据挖掘（练习）11、(单选，4分)知识发现流程最核心的步骤是什么？()A、数据挖掘B、数据预处理C、模式评估D、知识表示答案：A※:数据挖掘（练习）12、(单选，4分)将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？()A、频繁模式挖掘B、分类和预测C、数据预处理D、数据流挖掘答案：C※:数据挖掘（练习）13、(单选，4分)以下哪个度量属于数据中心性的描述？（）A、均值B、极差C、众数D、标准差答案：A※:数据挖掘（练习）14、(单选，4分)类分析是数据挖掘的一种重要技术，以下哪个算法不属于聚类算法？()A、K-MeansB、DBSCANC、KNND、EM答案：C※:数据挖掘（练习）15、(单选，4分)某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？()A、关联规则发现B、聚类C、分类D、自然语言处理答案：A※:数据挖掘（练习）16、(单选，4分)以下哪些算法是分类算法？()A、DBSCANB、C4.5C、K-MeanD、EM答案：B※:数据挖掘（练习）17、(单选，4分)K-means算法的缺点不包括？()A、K必须是事先给定的B、选择初始聚类中心C、对于“噪声”和孤立点数据是敏感的D、可伸缩、高效答案：D※:数据挖掘（练习）18、(单选，4分)机器学习中，下面哪些方法不可以避免分类中的过拟合问题？（）A、增加样本数量B、增加模型复杂度C、去除噪声D、正则化答案：B※:数据挖掘（练习）19、(单选，4分)下面那个不属于知识发现过程。

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。

【炼数成⾦RapidMiner⼀】数据挖掘概念与技术原书第三版（第⼀章）1.9节的习题解1.数据挖掘是指从⼤量的数据中提取有⽤的知识信息的⼀种模式。

（1）因为现在的⽣活⼯作中随时随刻都在产⽣⼤量的数据和都需要将这些数据转变为有⽤的信息和知识，是因为需求的不断增加才会突显出数据挖掘技术的重要性，所以数据挖掘应该是信息技术发展带来的结果。

（2）数据挖掘应该是这些技术融合⽽不是简单的变⾰。

（3）数据库技术带动了数据收集技术的发展和数据库建⽴的机制，有了有效的数据管理，包括数据存储、检索、查询和事务处理机制。

⼤量的数据库系统提供的查询和事务处理，⾃然地产⽣了对数据分析和理解的必要性，是数据挖掘产⽣的驱动⼒量。

（4）数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表达2.数据库与数据仓库的相同与不同点不同： (1)数据库是⾯向事务的设计，数据仓库是⾯向主题设计的。

(2)数据库⼀般存储在线交易数据，数据仓库存储的⼀般是历史数据。

数据库设计是尽量避免冗余，⼀般采⽤符合范式的规则来设计，数据仓库在设计是有意引⼊冗余，采⽤反范式的⽅式来设计。

(3)数据库是为捕获数据⽽设计，数据仓库是为分析数据⽽设计，它的两个基本的元素是维表和事实表。

维是看问题的⾓度，⽐如时间，部门，维表放的就是这些东西的定义，事实表⾥放着要查询的数据，同时有维的ID。

相同：数据仓库和数据库都是数据或信息的存储系统，都存储了⼤量的持久性数据。

3.数据特征化：⽬标类数据的⼀般特性或特征的汇总。

数据区分：将⽬标类数据对象的⼀般特性与⼀个或者多个⽐类对象的⼀般特性进⾏⽐较。

例⼦：通过⼀个⽤户的每个季度的消费⾦额给出⽤户的⼀个消费指数。

关联和相关性分析：如果两个或者多个事物之间存在⼀定的关系，那么其中⼀个事物就可以通过另⼀个事物预测，⽬的是为了挖掘数据之间的相关性。

例⼦:挖掘消费⽹站中不同年龄⽤户对不同商品的需求。

分类：利⽤分类技术可以从数据集中提取描述数据类的⼀个函数或模型（也常称为分类器），并把数据集中的每个对象归结到某个已知的对象类中。

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。