数据仓库与数据挖掘学习要点
第一章 引言
1、数据挖掘的概念，即什么是数据挖掘？
数据挖掘--从大量数据中寻找其规律的技术，是统计学、数据库技术和人工智能技术的综合。
2、数据挖掘的过程。
数据输入
数据清理
规范化
特征选择
维缩减模式发现关联&相关分类聚类
异常分析
…………模式评估模式选择模式解释模式可视化
3、数据挖掘的功能是什么？即可以挖掘到什么类型的模式。
1）概念描述: 特征和区分 2）频繁模式,关联 3）分类和预测 4）聚类分析 5）离群点分析 6）趋势和演变分析4、数据挖掘模式是要挖掘有趣的模式。什么是有趣模式，为什么要挖掘有趣的模式？ 有趣模式：易于被人理解的, 在某种程度上在新的或测试数据上是有效的, 潜在有用的, 新颖的, 或验证了用户希望证实的某种假设 模式兴趣度度量，无论是客观的还是主观的，都可以用来指导发现过程
5、关系数据库、数据仓库、数据挖掘构成一个怎样的层次，在功能上它们之间有什么样的关系？
多种挖掘功能的集成、耦合
第二章 数据预处理
1、 为什么要预处理数据？
现实世界中的数据是脏的：1）不完全: 缺少属性值, 缺少某些有趣的属性, 或仅包含聚集数据
2）噪音: 包含错误或孤立点
3）不一致: 编码或名字存在差异
2、 数据预处理包括那些方面？
数据清理——填充缺失值, 识别/去除离群点, 光滑噪音, 并纠正数据中的不一致 数据集成——多个数据库, 数据立方体, 或文件的集成
数据变换——规范化和聚集
数据归约——得到数据的归约表示, 它小得多, 但产生相同或类似的分析结果：维度规约、
数值规约、数据压缩
数据离散化和概念分层
3、数据清理的概念，数据清理包括那些方面？
数据清理——填充缺失值, 识别/去除离群点, 光滑噪音, 并纠正数据中的不一致
数据清理包括缺失值、噪声数据、不一致性、偏差检测和数据交换
4、数据集成和变换的概念。
数据集成——多个数据库, 数据立方体, 或文件的集成
数据变换——规范化和聚集
5、数据规约的概念，数据规约包括那些方面？
数据归约——得到数据的归约表示, 它小得多, 但产生相同或类似的分析结果：维度规约、数值规约、数据压缩
数据规约包括数据立方体聚集、维度规约、数据压缩、数值规约、离散化和产生概念分层6、什么是数据离散化？什么是概念分层？
数据离散化——把连续属性的区域分成区间
概念分层——递归离散化属性，产生属性值分层/多分辨率划分
第三章数据仓库与OLAP技术
1、数据仓库的概念
数据仓库是面向主题的, 集成的, 时变的, 和非易失的数据集合, 支持管理决策过程
2、为什么需要数据仓库？
数据仓库，是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的，目的是OLAP: 复杂的OLAP 查询, 多维视图, 统一.文档收集自网络，仅用于个人学
3、什么是数据立方体？
数据立方体将数据建模, 并允许由多个维进行观察
4、掌握数据立方体各种操作：上卷、下钻、切块、切片。
5、了解数据仓库的功能及在数据处理中的层次位置。
第五章挖掘频繁模式、关联和相关
1、项集、频繁项集的概念。
设A是一个由项目构成的集合，称为项集。
如果项集的支持度超过用户给定的最小支持度阈值，就称该项集是频繁项集（或大项集）。
2、支持度、置信度的概念及计算。
项集A在事务数据库D中出现的次数
占D中总事务的百分比叫做项集的支持度。
support (X→Y)=P (X u Y)
置信度,是指特定个体对待特定命题真实性相信的程度.也就是概率是对个人信念合理性的量度
是一个条件概率P (Y | X)。confidence (X→Y)=P (Y | X)
3、Apriori算法的过程及应用。
1)通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集；
2)利用频繁项集构造出满足用户最小信任度的规则。
第六章 分类和预测
1、什么是分类，什么是预测，二者有什么区别与联系？
分类和预测是两种数据分析形式
分类——用于提取描述重要数据类的模型
预测——用于预测未来的数据趋势的模型
相同点
1）两者都需要构建模型
2）都用模型来估计未知值
预测当中主要的估计方法是回归分析
线性回归和多元回归
非线性回归
不同点：
分类法主要是用来预测类标号（分类属性值）
预测法主要是用来估计连续值（量化属性值）决策树分类算法。
2、决策树分类算法。
基本算法 (贪心算法)
1）树构建：自顶向下递归地分治方式
2）开始，所有的训练样本位于根节点
3）属性是分类属性(若是连续值,事先离散化)
4）基于选择的属性，样本被递归地分割
5）基于启发式/统计测来选择测试属性 (例如 信息增益)
4、什么是一元线性回归分析，回归分析有什么作用？
对一元正态线性回归模型进行统计分析称为一元线性回归分析 其作用主要表现在以下几个方面：
(1) 判别自变量是否能解释因变量的显著变化----关系是否存在；
(2) 判别自变量能够在多大程度上解释因变量----关系的强度；
(3) 判别关系的结构或形式----反映因变量和自变量之间相关的数学表达式；
(4) 预测自变量的值；
(5) 当评价一个特殊变量或一组变量对因变量的贡献时，对其自变量进行控制。
5、给出点列会用一元线性回归分析公式计算一元线性表达式，并做预测。
第七章 聚类分析
1、 聚类的概念，聚类与分类的联系与区别。 ∑∑==---=||1
2|
|1
)())((1D i i D i i i x x y y x x w x w y w 1
0-=
