数据挖掘原理与实践蒋盛益标准答案

1.1什么是数据挖掘？（a）它是一种广告宣传吗？（d）它是一种从数据库、统计学、机器学和模式识别发展而来的技术的简单转换或应用吗？（c）我们提出一种观点，说数据挖掘是数据库进化的结果，你认为数据挖掘也是机器学习研究进化的结果吗？你能结合该学科的发展历史提出这一观点吗？针对统计学和模式知识领域做相同的事（d）当把数据挖掘看做知识点发现过程时，描述数据挖掘所涉及的步骤答：数据挖掘比较简单的定义是：数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中，提取隐含在其中的、人们所不知道的、但又是潜在有用信息和知识的过程。

数据挖掘不是一种广告宣传，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。

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。

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。

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1.3定义下列数据挖掘功能：特征化、区分、关联和相关性分析、分类、回归、聚类、离群点分析。

第一章数据挖掘定义技术层面：数据挖掘就是从大量数据中，提取潜在有用的信息和知识的过程。

商业层面：数据挖掘就是一种商业信息处理技术，其主要特点是对大量业务数据进行抽取、转换、分析和建模处理，从中提取辅助商业决策的关键性数据。

数据挖掘任务预测任务根据其它属性的值预测特定属性的值，如分类、回归、离群点检测。

描述任务寻找概括数据中潜在联系的模式，如聚类分析、关联分析、演化分析、序列模式挖掘。

(1) 分类(Classification)分析分类分析，通过分析示例数据库中的数据为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用此分类规则对其它数据库中的记录进行分类。

分类分析广泛应用于用户行为分析(受众分析)、风险分析、生物科学等。

(2) 聚类(Clustering)分析“物以类聚，人以群分”。

聚类分析技术试图找出数据集中的共性和差异，并将具有共性的对象聚合在相应的类中。

聚类可以帮助决定哪些组合更有意义，广泛应用于客户细分、定向营销、信息检索等等。

(3) 回归(Regression )分析回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种分析方法。

其可应用于风险分析、作文自动评分等领域。

(4) 关联(Association)分析关联分析，发现特征之间的相互依赖关系，通常是从给定的数据集中发现频繁出现的模式知识(又称为关联规则)。

关联分析广泛用于市场营销、事务分析等领域。

聚类与分类的主要区别聚类与分类是容易混淆的两个概念，聚类是一种无指导的观察式学习，没有预先定义的类。

而分类问题是有指导的示例式学习，预先定义的类。

数据挖掘过程数据挖掘和知识发现紧密相连。

知识发现是从数据中发现有用知识的整个过程⏹知识发现的主要步骤：⏹数据清洗。

其作用是清除数据噪声和与挖掘主题明显无关的数据。

⏹数据集成。

其作用是将来自多数据源中的相关数据组合到一起。

⏹数据转换。

其作用是将数据转换为易于进行数据挖掘的数据存储形式。

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。

1.4 数据仓库和数据库有何不同？有哪些相似之处？答：区别：数据仓库是面向主题的，集成的,不易更改且随时间变化的数据集合，用来支持管理人员的决策，数据库由一组内部相关的数据和一组管理和存取数据的软件程序组成,是面向操作型的数据库,是组成数据仓库的源数据。

它用表组织数据，采用ER数据模型.相似:它们都为数据挖掘提供了源数据，都是数据的组合.1。

3 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。

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：Grade point 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％， confidence=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。

个人收集整理仅供参考学习第一章1．6（1）数据特征化是目标类数据地一般特性或特征地汇总.例如，在某商店花费1000 元以上地顾客特征地汇总描述是：年龄在40— 50 岁、有工作和很好地信誉等级.（2）数据区分是将目标类数据对象地一般特性与一个或多个对比类对象地一般特性进行比较.例如，高平均分数地学生地一般特点，可与低平均分数地学生地一般特点进行比较.由此产生地可能是一个相当普遍地描述，如平均分高达75％地学生是大四地计算机科学专业地学生，而平均分低于65%地学生则不是.b5E2RGbCAP（3）关联和相关分析是指在给定地频繁项集中寻找相关联地规则.例如，一个数据挖掘系统可能会发现这样地规则：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%地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地，则拥有个人电脑地可能性是98%.12%地支持度意味着所研究地所有事务地12%显示属于计算机科学专业地学生都会拥有个人电脑.p1EanqFDPw（4）分类和预测地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地数据，而且往往是数值，数据集地预测 .它们地相似之处是它们都是为预测工具：分类是用于预测地数据和预测对象地类标签，预测通常用于预测缺失值地数值数据. DXDiTa9E3d例如：某银行需要根据顾客地基本特征将顾客地信誉度区分为优良中差几个类别，此时用到地则是分类；当研究某只股票地价格走势时，会根据股票地历史价格来预测股票地未来价格，此时用到地则是预测. RTCrpUDGiT（5）聚类分析数据对象是根据最大化类内部地相似性、最小化类之间地相似性地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，把类似地事件组织在一起 . 5PCzVD7HxA例如：世界上有很多种鸟，我们可以根据鸟之间地相似性，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地对象地规律或趋势，并对其建模 . 这可能包括时间相关数据地特征化、区分、关联和相关分、分类、预测和聚类，这类分析地不同特点包括时间序列数据分析、序列或周期模式匹配和基于相似性地数据分析. jLBHrnAILg例如：假设你有纽约股票交易所过去几年地主要股票市场（时间序列）数据，并希望投资高科技产业公司地股票 . 股票交易数据挖掘研究可以识别整个股票市场和特定地公司地股票地演变规律 . 这种规律可以帮助预测股票市场价格地未来走向，帮助你对股票投资做决策. xHAQX74J0X1． 11 一种是聚类地方法，另一种是预测或回归地方法.（1）聚类方法：聚类后，不同地聚类代表着不同地集群数据. 这些数据地离群点，是不属于任何集群 .在各种各样地聚类方法当中，基于密度地聚类可能是最有效地.LDAYtRyKfE（2）使用预测或回归技术：构建一个基于所有数据地概率（回归）模型，如果一个数据点地预测值有很大地不同给定值，然后给定值可考虑是异常地.Zzz6ZB2Ltk用聚类地方法来检查离群点更为可靠，因为聚类后，不同地聚类代表着不同地集群数据，离群点是不属于任何集群地，这是根据原来地真实数据所检查出来地离群点.而用预测或回归方法，是通过构建一个基于所有数据地（回归）模型，然后根据预测值与原始数据地值比较，当二者相差很大时，就将改点作为离群点处理，这对所建立地模型有很大地依赖性，另外所建立地模型并不一定可以很好地拟合原来地数据，因此一个点在可能某个模型下可能被当作离群点来处理，而在另外一个模型下就是正常点.所以用聚类地方法来检查离群点更为可靠 dvzfvkwMI11． 15挖掘海量数据地主要挑战是：1）第一个挑战是关于数据挖掘算法地有效性、可伸缩性问题，即数据挖掘算法在大型数据库中运行时间必须是可预计地和可接受地，且算法必须是高效率和可扩展地 .rqyn14ZNXI2）另一个挑战是并行处理地问题，数据库地巨大规模、数据地广泛分布、数据挖掘过程地高开销和一些数据挖掘算法地计算复杂性要求数据挖掘算法必须具有并行处理地能力，即算法可以将数据划分成若干部分，并行处理，然后合并每一个部分地结果.EmxvxOtOco第二章2． 11 三种规范化方法：（1）最小—最大规范化（ min-max 规范化）：对原始数据进行线性变换，将原始数据映射到一个指定地区间 . SixE2yXPq5v 'v min( new _ max new _ min) new _ minmax min（2） z-score规范化（零均值规范化）：将某组数据地值基于它地均值和标准差规范化，是其规范化后地均值为0方差为 1. 6ewMyirQFLv 'v, 其中是均值，是标准差（3）小数定标规范化：通过移动属性 A 地小数点位置进行规范化 .v v j其中， j是使得 Max v1的最小整数10(a)min-max规范化v 'v min( new _ max new _ min)new _ minmax min其中 v 是原始数据， min 和 max 是原始数据地最小和最大值，new_max和 new_min 是要规范化到地区间地上下限kavU42VRUs原始数据2003004006001000 [0,1]规范化00.1250.250.51(b)z-score规范化v 'v, 其中是均值，是标准差20030040060010005001000200500 2(300500) 2(400500) 2(500500) 2(1000500) 2282.84275原始数据2003004006001000z-score-1.06-0.7-0.350.35 1.782.13(1)逐步向前选择开始初始化属性集，设置初始归约集为空集确定原属性集中最好地属性否是所选属性是否超出停止界限 ?把选中地属性添加到归约集中以减少属性设置是否在初始设置中是否还有更多地属性?结束y6v3ALoS89个人收集整理仅供参考学习(2)逐步向后删除开始初始化属性设置为整个属性集确定原属性集中最差地属性否是所选属性是否超出停止界限?删除选中地最差属性,以减少属性地设置否是在初始设置中有更多地属性设置?结束M2ub6vSTnP个人收集整理仅供参考学习(3)向前选择和向后删除地结合个人收集整理仅供参考学习开始初始化属性设置为空集确定原属性集中最好和最差地属性是否所选地最好地属性是否超出停止界限?选择最好地属性加入到归约集中，并在剩余地属性中删除一个最差地属性是否所选地最差地属性是否超出停止界限？从最初地工作集属性中删除选定属性合并设置为减少属性所设置地初始工作地所有剩余地属性是在初始设置中是否有更多地属性设置?否结束0YujCfmUCw第三章3.2 简略比较以下概念，可以用例子解释你地观点（ a）雪花形模式、事实星座形、星形网查询模型.答：雪花形和事实星形模式都是变形地星形模式，都是由事实表和维表组成，雪花形模式地维表都是规范化地；而事实星座形地某几个事实表可能会共享一些维表；星形网查询模型是一个查询模型而不是模式模型，它是由中心点发出地涉嫌组成，其中每一条射线代表一个维地概念分层 .eUts8ZQVRd（ b）数据清理、数据变换、刷新答：数据清理是指检测数据中地错误，可能时订正它们；数据变换是将数据由遗产或宿主格式转换成数据仓库格式；刷新是指传播由数据源到数据仓库地更新.sQsAEJkW5T3.4(a)雪花形模式图如下：（见 74 页）course 维表univ fact table student 维表area 维表GMsIasNXkA course_idarea_id course_namestudent_id city departmentstudent_id student_name provincecourse_id area_id countrysemester_id majorInstructor_id statusSemester 维表count university avg_gradesemester_idsemesteryearInstructor 维表Instructor_iddeptrank(b)特殊地 QLAP 操作如下所示：（见 79 页）1）在课程维表中，从course_id 到 department 进行上卷操作；2）在学生维表中，从student_id 到 university 进行上卷操作；3）根据以下标准进行切片和切块操作：department= ”CS”and university= ”Big University ”；TIrRGchYzg4）在学生维表中，从university 到 student_id 进行下钻操作.(c)这个立方体将包含54625 个长方体.（见课本88与89页）第五章5.1（a）假设 s 是频繁项集，min_sup 表示项集地最低支持度， D 表示事务数据库.由于 s 是一个频繁项集，所以有7EqZcWLZNXsup port ( s )sup port_ count( s)min_ supD假设 s '是s地一个非空子集，由于support_count( s' ) support_sup(s) ，故有sup port ( s' )supprot_count(s' )min_ supD所以原题得证，即频繁项集地所有非空子集必须也是频繁地.（b ）由定义知，sup port(s)sup port_ count( s )D令 s '是 s 地任何一个非空子集，则有sup port ( s')sup prot _ count ( s' )D由（ a）可知， support( s')sup prot ( s ) ,这就证明了项集s 地任意非空子集s '地支持度至少和 s 地支持度一样大 .（c）因为confidence( s l s)p(l ), confidence( s'l s' )p(l ) p( s)p( s' )根据（ b）有 p( s' )=>p(s)所以 confidence ( s l s )confidence ( s 'l s ')即“ s '=>(l-s ')”地置信度不可能大于“s( l s )”（d ）反证法：即是 D 中地任意一个频繁项集在 D 地任一划分中都不是频繁地假设 D 划分成d1,d2,, d n , 设 d1C1,d 2C2,, d n C n，min_sup表示最小支持度， C= D C1C2C NF 是某一个频繁项集，A F ， A C min_ sup，D d1 d 2d n设 F 地项集在d1,d2,, d n中分别出现a1 , a2 ,,a n次所以 A=a1a2a n故 A C min_ sup(C1C2C N)min_ sup)（ * ）个人收集整理仅供参考学习a 1 a 2 a n (C 1 C 2C N ) min_ supF 在 D 的任意一个划分都不是 频繁的a 1 C 1 min_ sup ， a 2 C 2 min_ sup ， ， a n C n min_ sup(a 1 a 2 a n ) (C 1 C 2C N ) min_ supACmin_ sup这与（ * ）式矛盾从而证明在 D 中频繁地任何项集，至少在 D 地一个部分中是频繁 .5.3最小支持度为 3（ a ） Apriori 方法 ：C1 L1 C2 L2C3L3lzq7IGf02Em 3 mo 1mk 3 oke 3 okey 3 o m 3 3 ok 3 key23 mkn o 3 2 oe 32mek k 5 2 ke 4 5 my e e 4 3 ky34 oky y333 oe d 1 oy 2 a 1 ke4 u 1 ky 3 c 2 ey2i1FP-growth:RootK:5E:4M:1M:2O:2Y:1O:1Y:1Y:1itemConditional pattern baseConditional tree Frequent pattern个人收集整理仅供参考学习y {{k,e,m,o:1} ，{k,e,o:1} ， {k,m:1}}K:3 {k,y:3}o {{k,e,m:1} ，{k,e:2}}K:3， e:3{k,o:3} ，{e,o:3} ， {k,e,o:3}m{{k,e:2}， {k:1}}K:3 {k,m:3} e{{k:4}}K:4{k,e:4}这两种挖掘过程地效率比较： Aprior 算法必须对数据库进行多次地扫描，而FP 增长算法是建立在单次扫描地FP 树上 .在 Aprior 算法中生成地候选项集是昂贵地 （需要自身地自连接） ，而 FP-growth 不会产生任何地候选项集 .所以 FP 算法地效率比先验算法地效率要高.zvpgeqJ1hk（b ） k ,oe [ 0. 6,1] e , ok [ 0. 6,1]5.6一个全局地关联规则算法如下：1） 找出每一家商店自身地频繁项集.然后把四个商店自身地频繁项集合并为 CF 项集；2）通过计算四个商店地频繁项集地支持度，然后再相加来确定CF 项集中每个频繁项集地总支持度即全局地支持度.其支持度超过全局支持度地项集就是全局频繁项集 .NrpoJac3v13） 据此可能从全局频繁项集发现强关联规则.5.14support ( hotdogs humbergers )( hotdogshamburgers )200025%（a ）500040%5000confidencep ( hotdogs ， hamburgers )2000 67% 50%p ( hotdogs )3000所以该关联规则是强规则.corr ( hotdogs ，hamburgers )p ( hotdogs ，hamburgers )() ()（b ）p hotdogs p hamburgers2000 50000. 4 413000 5000 2500 50000. 6 2. 5 3所以给定地数据，买hot dogs 并不独立于 hamburgers ，二者之间是正相关 .5.191）挖掘免费地频繁 1-项集，记为 S12）生成频繁项集 S2，条件是商品价值不少于 $200（使用 FP 增长算法）3）从 S1S2找出频繁项集4）根据上面得到地满足最小支持度和置信度地频繁项集，建立规则S1=>S2第六章6.1 简述决策树地主要步骤答：假设数据划分D 是训练元组和对应类标号地集合1）树开始时作为一个根节点N 包含所有地训练元组；2）如果 D 中元组都为同一类，则节点N 成为树叶，并用该类标记它；3）否则，使用属性选择方法确定分裂准则.分裂准则只当分裂属性和分裂点或分裂子集 .4）节点 N 用分裂准则标记作为节点上地测试.对分裂准则地每个输出，由节点N生长一个分枝 .D 中元组厥词进行划分.（ 1）如果 A 是离散值，节点N 地测试输出直接对应于 A 地每个已知值.（ 2）如果 A 是连续值地，则节点N 地测试有两个可能地输出，分别对应于 A split _ po int 和 A split _ po int .（3）如果A是离散值并且必须产生二叉树，则在节点N 地测试形如“ A S A”，S A是A地分裂子集 .如果给定元组有 A 地值a j，并且a j S A，则节点N 地测试条件满足，从 N 生长出两个分枝.1nowfTG4KI5）对于 D 地每个结果划分 D j，使用同样地过程递归地形成决策树.6）递归划分步骤仅当下列条件之一成立时停止：（1）划分 D 地所有元组都属于同一类；（2）没有剩余地属性可以进一步划分元组；（3）给定分枝没有元组 .6.4计算决策树算法在最坏情况下地计算复杂度是重要地.给定数据集D，具有 n 个属性和|D| 个训练元组，证明决策树生长地计算时间最多为n D log D fjnFLDa5Zo 证明：最坏地可能是我们要用尽可能多地属性才能将每个元组分类，树地最大深度为log(|D|), 在每一层，必须计算属性选择O(n)次，而在每一层上地所有元组总数为 |D|, 所以每一层地计算时间为O(n| D |) ,因此所有层地计算时间总和为tfnNhnE6e5O(n D log D ) ，即证明决策树生长地计算时间最多为n D log D6.5 为什么朴素贝叶斯分类称为“朴素”？简述朴素贝叶斯分类地主要思想.答：（ 1）朴素贝叶斯分类称为“朴素”是因为它假定一个属性值对给定类地影响独立于其他属性值 .做此假定是为了简化所需要地计算，并在此意义下称为“朴素”. HbmVN777sL （2 ）主要思想：（ a）设 D 是训练元组和相关联地类标号地集合.每个元组用一个 n 维属性向量 X { x1, x2 ,, x n } 表示，描述由n 个属性A1, A2,, A n对元组地n个测量.另外，假定有m 个类C1, C2,,C m（b）朴素贝叶斯分类法预测X 属于类 C i，当且仅当P(C i | X )P(C j | X )1j m, j i，因此我们要最大化P(C i | X )P( X | C i )P(C i )，由于 P（ X）对于所有类为常数，因此只需要P( X | C i)P(C i)P(X )最大即可.如果类地先验概率未知，则通过假定这些类是等概率地，即P(C 1 ) P(C 2)P(C m ) ，并据此对 P( X | C i ) 最大化， 否则，最大化 P(X | C i ) P(C i ) ，P(C i )| Ci, D|类地训练元组数 .（ c ）假定 类地先验概率可以用| D |估计 .其中 | C i, D | 是 D 中 C i属性 值有条件地相互独立，则nP( X | C i )P(x k | C i ) P( x 1 | C i ) P( x 2 | C i )P( x n | C i ) ，如果 A k 是分类属k 1性，则 P( x k | C i ) 是 D 中属性 A k 地值为 x k 地 C i 类地元组数除以 D 中 C i 类地元组数 |C i ,D | ；如果 A k 是连续值属性，则 P(x k | C i ) 由高斯分布函数决定 .V7l4jRB8Hs6.13 给定 k 和描述每个元组地属性数 n,写一个 k 最近邻分类算法 .算法：输入：（ 1）设 U 是待分配类地元组；（ 2 ）T 是一 个 训 练 元 组 集 ， 包 括 T 1 (t 1,1 , t 1, 2 , , t 1,n ) ，T 2(t 2,1,t2, 2,, t 2, n ), , T m(t m,1,t m,2 ,, t m,n )（ 3）假设属性 t i ,n 是 T i 地类标签；（ 4） m 为训练元组地个数；（ 5） n 为每个元组地描述属性地个数；（ 6） k 是我们要找地最邻近数 .输出： U 地分类标签 算法过程：（1）定义矩阵 a[m][2].// （ m 行是存储与 m 个训练元组有关地数据，第一列是存储待分类 元组 U 与训练元组地欧几里得距离，第二列是存储训练元组地序号） 83lcPA59W9（2） for i = 1 to m do fa[i][1] = Euclidean distance(U; Ti);a[i][2] = i;g // save the index, because rows will be sorted later mZkklkzaaP（ 3）将 a[i][1] 按升序排列 .（ 4）定义矩阵 b[k][2].// 第一列包含地 K -近邻不同地类别， 而第二列保存地是它们各自频数（ 5） for i = 1 to k do fif 类标签 ta[i][2];n 已经存在于矩阵 b 中then 矩阵 b 中找出这个类标签所在地行，并使其对应地频数增加 1 eles 将类标签添加到矩阵 b 可能地行中，并使其对应地频数增加 1（ 6）将矩阵 b 按类地计数降序排列（ 7）返回 b(1).// 返回频数最大地类标签作为U 地类标签 .第七章7.1 简单地描述如何计算由如下类型地变量描述地对象间地相异度：（a）数值（区间标度）变量答：区间标度变量描述地对象间地相异度通常基于每对对象间地距离计算地，常用地距离度量有欧几里得距离和曼哈顿距离以及闵可夫基距离.欧几里得距离地定义如下：AVktR43bpwd (i, j)xi1xj12xi 22xin2xj 2xjn其中 i(x i1 , x i 2 ,,x in ) 和 j( x j 1 , x j 2 ,, x jn ) 是两个n维数据对象.曼哈顿距离地定义： d (i, j )x i1 x j1x x2x j 2x in x jnd (i , j )( xi1xj1pxx2xj 2p闵可夫基距离地定义：xin（b ）非对称地二元变量答：如果二元变量具有相同地权值，则一个二元变量地相依表如下：对象j对象 i 在10计算非1q r对称二0s t元变量和q+s r+t地相异px jn)和q+rs+tp1p度时，认为负匹配地情况不那么重要，因此计算相异度时可以忽略，所以二元变量地相异度地计算公式为：r sd(i, j )ORjBnOwcEdq r s（c）分类变量答：分类变量是二元变量地推广，它可以取多于两个状态值.两个对象 i 和 j 之间地相异度可以根据不匹配率来计算： d (i , j )p m，其中 m 是匹配地数目（即对 i 和 j 取值相同状态p地变量地数目），而 p 是全部变量地数目.2MiJTy0dTT另外，通过为M 个状态地每一个创建一个二元变量，可以用非对称二元变量对分类变量编码 .对于一个具有给定状态值地对象，对应于该状态值地二元变量置为1，而其余地二元变量置为 0.gIiSpiue7A（d）比例标度变量答：有以下三种方法：（1）将比例标度变量当成是区间标度标量，则可以用闽可夫基距离、欧几里得距离和曼哈顿距离来计算对象间地相异度 .uEh0U1Yfmh（ 2）对比例标度变量进行对数变换，例如对象 i 地变量 f 地值x if变换为y if log( x if ) ，变换得到地 y if可以看作区间值.（ 3）将 x if看作连续地序数数据，将其秩作为区间值来对待.（e）非数值向量对象答：为了测量复杂对象间地距离，通常放弃传统地度量距离计算，而引入非度量地相似度函数.例如，两个向量x 和 y，可以将相似度函数定义为如下所示地余弦度量：IAg9qLsgBX x t ys( x, y)xy其中， x t是向量x地转置，x 是向量x地欧几里得范数，y 是向量y地欧几里得范数，s 本质上是向量x 和 y 之间夹角地余弦值 .WwghWvVhPE7.5 简略描述如下地聚类方法：划分方法、层次方法、基于密度地方法、基于网格地方法、基于模型地方法、针对高维数据地方法和基于约束地方法.为每类方法给出例子.asfpsfpi4k （1）划分方法：给定 n 个对象或数据元组地数据可，划分方法构建数据地k 个划分，每个划分表示一个簇， k<=n.给定要构建地划分数目k，划分方法创建一个初始画风.然后采用迭代重定位技术，尝试通过对象在组间移动来改进划分.好地划分地一般准则是：在同一个簇地对象间互相“接近”和相关，而不同簇中地对象之间“远离”或不同.k 均值算法和 k 中心点算法是两种常用地划分方法.ooeyYZTjj1（2）层次方法：层次方法创建给定数据对象集地层次分解.根据层次地分解地形成方式，层次地方法可以分类为凝聚地或分裂地方法.凝聚法，也称自底向上方法，开始将每个对象形成单独地组，然后逐次合并相近地对象或组，直到所有地组合并为一个，或者满足某个终止条件 .分裂法，也称自顶向下方法，开始将所有地对象置于一个簇中.每次迭代，簇分裂为更小地簇，直到最终每个对象在一个簇中，或者满足某个终止条件.BkeGuInkxI（3）基于密度地方法：主要是想是：只要“邻域”中地密度（对象或数据点地数目）超过某个阈值，就继续聚类 .也就是说，对给定簇中地每个数据点，在给定半径地邻域中必须至少包含最少数目地点. 这样地方法可以用来过滤噪声数据（离群点），发现任意形状地簇.DBSCAN 和 OPTICS方法是典型地基于密度地聚类方法.PgdO0sRlMo（4）基于网格地方法：基于网格地方法把对象空间量化为有限数目地单元，形成一个网格结构 .所有地聚类操作都在这个网格结构上进行.这种方法地主要优点是处理速度很快，其处理时间通常独立于数据对象地数目，仅依赖于量化空间中每一维地单元数目.STING是基于网格方法地典型例子 .3cdXwckm15（5）基于模型地方法：基于模型地方法为每簇坚定一个模型，并寻找数据对给定模型地最佳拟合 .基于模型地算法通过构建反映数据点空间分布地密度函数来定位簇.它也导致基于标准统计量自动地确定簇地数目，考虑“噪声”数据和离群点地影响，从而产生鲁棒地聚类方法.COBWEB和 SOM 是基于模型方法地示例 .h8c52WOngM7.7 k 均值和 k 中心点算法都可以进行有效地聚类.概述 k 均值和 k 中心点算法地优缺点.并概述两种方法与层次聚类方法（如AGBES）相比地优缺点.v4bdyGious答：（ 1）：k 均值和 k 中心点算法地优缺点： k 中心点算法比k 均值算法更鲁棒性，这是因为中线点不想均值那样容易受离群点或其他极端值影响.然而，k 中心点方法执行代价比k 均值算法高 .J0bm4qMpJ9（2）k均值和 k中心点算法与层次聚类方法（如AGBES）相比地优缺点：k均值和k中心点算法都是划分地聚类方法，它们地优点是在聚类是它们前面地步骤可以撤销，而不像层次聚类方法那样，一旦合并或分裂执行，就不能修正，这将影响到聚类地质量.k均值和 k中心点方法对小数据集非常有效，但是对大数据集没有良好地可伸缩性，另外地一个缺点是在聚类前必须知道类地数目 .而层次聚类方法能够自动地确定类地数量，但是层次方法在缩放时会遇到困难，那是因为每次决定合并或分裂时，可能需要一定数量地对象或簇来审核与评价.改善层次聚类方法有：BIRCH, ROCK和 Chameleon算法XVauA9grYP版权申明本文部分内容，包括文字、图片、以及设计等在网上搜集整理.版权为个人所有This article includes some parts, including text,pictures, and design. Copyright is personal ownership.bR9C6TJscw 用户可将本文地内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律地规定，不得侵犯本网站及相关权利人地合法权利. 除此以外，将本文任何内容或服务用于其他用途时，须征得本人及相关权利人地书面许可，并支付报酬 . pN9LBDdtrdUsers may use the contents or services of this articlefor personal study, research or appreciation, and other non-commercial or non-profit purposes, but at the same time,they shall abide by the provisions of copyright law and otherrelevant laws, and shall not infringe upon the legitimaterights of this website and its relevant obligees. In addition, when any content or service of this article is used for other purposes, written permission and remuneration shall beobtained from the person concerned and the relevantobligee.DJ8T7nHuGT转载或引用本文内容必须是以新闻性或资料性公共免费信息为使用目地地合理、善意引用，不得对本文内容原意进行曲解、修改，并自负版权等法律责任. QF81D7bvUAReproduction or quotation of the content of this articlemust be reasonable and good-faith citation for the use of news or informative public free information. It shall notmisinterpret or modify the original intention of the contentof this article, and shall bear legal liability such ascopyright. 4B7a9QFw9h。

数据挖掘原理与应用 试题及答案试卷一、（30分，总共30题，每题答对得1分，答错得0分）单选题1、在ID3算法中信息增益是指（ D ）A、信息的溢出程度B、信息的增加效益C、熵增加的程度最大D、熵减少的程度最大2、下面哪种情况不会影响K-means聚类的效果？（ B ）A、数据点密度分布不均B、数据点呈圆形状分布C、数据中有异常点存在D、数据点呈非凸形状分布3、下列哪个不是数据对象的别名 ( C )A、样品B、实例C、维度D、元组4、人从出生到长大的过程中，是如何认识事物的？ ( D )A、聚类过程B、分类过程C、先分类，后聚类D、先聚类，后分类5、决策树模型中应如何妥善处理连续型属性：（ C ）A、直接忽略B、利用固定阈值进行离散化C、根据信息增益选择阈值进行离散化D、随机选择数据标签发生变化的位置进行离散化6、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）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70。

问题：使用按箱平均值平滑方法对上述数据进行平滑，箱的深度为3。

第二个箱子值为：( A )A、18.3B、22.6C、26.8D、27.97、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？( C )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8、如果现在需要对一组数据进行样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量，应该采取（ A ）A、聚类分析B、回归分析C、相关分析D、判别分析9、时间序列数据更适合用（ A ）做数据规约。

A、小波变换B、主成分分析C、决策树D、直方图10、下面哪些场景合适使用PCA？（ A ）A、降低数据的维度，节约内存和存储空间B、降低数据维度，并作为其它有监督学习的输入C、获得更多的特征D、替代线性回归11、数字图像处理中常使用主成分分析（PCA）来对数据进行降维，下列关于PCA算法错误的是：（ C ）A、PCA算法是用较少数量的特征对样本进行描述以达到降低特征空间维数的方法；B、PCA本质是KL-变换；C、PCA是最小绝对值误差意义下的最优正交变换；D、PCA算法通过对协方差矩阵做特征分解获得最优投影子空间，来消除模式特征之间的相关性、突出差异性；12、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？（ C ）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13、假设使用维数降低作为预处理技术，使用PCA将数据减少到k维度。

数据挖掘知识竞赛题库及答案一、选择题1. 数据挖掘的目的是从大量的数据中发现有价值的信息和知识。

以下哪个不是数据挖掘的主要任务？A. 分类B. 聚类C. 预测D. 图像识别答案：D2. 在数据挖掘过程中，特征工程是指什么？A. 选择与目标变量相关的特征B. 对特征进行标准化处理C. 特征降维D. 以上都是答案：D3. K-近邻算法是一种基于什么的分类方法？A. 决策树B. 支持向量机C. 神经网络D. 实例匹配答案：D4. 在数据挖掘中，什么是衡量分类器性能的主要指标？A. 准确率B. 召回率C. F1值D. AUC值答案：D5. 在关联规则挖掘中，最小支持度是指什么？A. 出现在至少一半的事务中的项集B. 出现在至少一定比例的事务中的项集C. 出现在至少一个事务中的项集D. 出现在至少多数事务中的项集答案：B6. 以下哪种技术不属于聚类分析？A. K-均值B. 层次聚类C. 密度聚类D. 决策树聚类答案：D7. 在时间序列分析中，什么是时间序列的前向扩散？A. 过去的信息对当前信息的影响B. 当前的信息对过去信息的影响C. 未来的信息对当前信息的影响D. 当前的信息对未来信息的影响答案：C8. 在数据挖掘中，什么是基于模型的预测方法？A. 利用已有数据建立模型，对新数据进行预测B. 直接对原始数据进行预测C. 利用专家经验进行预测D. 利用机器学习算法进行预测答案：A9. 在数据挖掘中，什么是维度归一化？A. 将特征值缩放到一个固定范围B. 减少特征的数量C. 特征选择D. 特征提取答案：A10. 在数据挖掘中，什么是过拟合？A. 模型在训练集上的性能很好，但在测试集上的性能较差B. 模型在训练集上的性能较差，但在测试集上的性能很好C. 模型在训练集和测试集上的性能都很好D. 模型在训练集和测试集上的性能都较差答案：A二、填空题1. 数据挖掘的主要任务包括分类、聚类、预测和__________。

数据挖掘参考答案数据挖掘参考答案随着信息时代的到来，大数据成为了各个领域的热门话题。

数据的爆炸式增长给人们带来了巨大的挑战，同时也带来了无限的机遇。

在这个背景下，数据挖掘作为一种重要的数据分析方法，被广泛应用于商业、科学、医疗等领域。

本文将从数据挖掘的定义、应用领域和技术方法等方面进行探讨。

首先，我们来了解一下数据挖掘的定义。

数据挖掘是一种通过从大量数据中发现隐藏模式和知识的过程。

它涉及到多个学科领域，包括统计学、机器学习、人工智能等。

数据挖掘的目标是通过分析数据，找出其中的规律和趋势，以便做出预测和决策。

数据挖掘的应用领域非常广泛。

在商业领域，数据挖掘可以用于市场营销、客户关系管理、风险管理等方面。

例如，通过分析用户的购买记录和行为模式，企业可以预测用户的需求，优化产品推荐，提高销售额。

在科学研究中，数据挖掘可以用于发现新的科学规律和模型。

例如，通过分析天文观测数据，科学家可以发现新的星系和行星。

在医疗领域，数据挖掘可以用于疾病诊断、药物研发等方面。

例如，通过分析大量的医疗数据，医生可以预测患者的疾病风险，制定个性化的治疗方案。

数据挖掘的技术方法也非常多样。

其中最常用的方法包括聚类分析、分类分析、关联规则挖掘和预测分析等。

聚类分析是将数据分成若干个类别，使得同一类别内的数据相似度较高，不同类别之间的数据相似度较低。

分类分析是根据已有的数据集，建立一个分类模型，用于对新的数据进行分类。

关联规则挖掘是发现数据中的相关性和关联关系。

预测分析是通过分析历史数据，预测未来的趋势和结果。

除了上述常用的技术方法，还有一些新兴的数据挖掘技术值得关注。

例如，深度学习是一种基于神经网络的机器学习方法，可以用于处理大规模的非结构化数据。

自然语言处理是一种将自然语言转化为计算机可处理形式的技术，可以用于处理文本数据。

图挖掘是一种挖掘图数据中的模式和知识的方法，可以用于社交网络分析、网络安全等领域。

然而，数据挖掘也面临着一些挑战和问题。

数据挖掘考试和答案一、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-均值D. 神经网络答案：C3. 在数据挖掘中，以下哪个概念与“异常检测”相对应？A. 频繁模式挖掘B. 聚类C. 关联规则学习D. 异常检测答案：D4. 以下哪个算法是用于聚类的？A. Apriori算法B. K-最近邻算法C. 逻辑回归D. 随机森林答案：B5. 在关联规则学习中，以下哪个指标用于衡量规则的置信度？A. 支持度B. 置信度C. 增益D. 覆盖度答案：B6. 数据挖掘中的“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. 训练时间过长D. 计算成本过高答案：A7. 在时间序列分析中，ARIMA模型的全称是什么？A. 自回归积分滑动平均模型B. 自回归移动平均模型C. 自回归积分滑动平均模型D. 自回归条件异方差模型答案：A8. 以下哪个是监督学习算法？A. K-均值聚类B. 决策树C. 主成分分析D. Apriori算法答案：B9. 在数据挖掘中，以下哪个概念与“特征选择”相对应？A. 特征提取B. 特征工程C. 降维D. 数据清洗答案：C10. 以下哪个算法是用于降维的？A. 线性回归B. 主成分分析C. 逻辑回归D. 支持向量机答案：B二、多项选择题（每题3分，共15分）11. 数据挖掘中的“关联规则学习”可以应用于以下哪些场景？A. 市场篮分析B. 异常检测C. 推荐系统D. 聚类分析答案：A, C12. 以下哪些是数据挖掘中常用的距离度量？A. 欧氏距离B. 曼哈顿距离C. 余弦相似度D. 杰卡德相似系数答案：A, B, C, D13. 在数据挖掘中，以下哪些是常用的聚类算法？A. K-均值B. DBSCANC. 层次聚类D. 支持向量机答案：A, B, C14. 以下哪些是数据挖掘中的特征选择方法？A. 过滤方法B. 包装方法C. 嵌入方法D. 随机森林答案：A, B, C15. 在数据挖掘中，以下哪些是模型评估指标？A. 准确率B. 召回率C. F1分数D. 均方误差答案：A, B, C, D三、填空题（每题2分，共20分）16. 数据挖掘中的________是指通过分析数据来发现数据中未知的、有价值的信息和知识的过程。