《14年浙大远程-《数据挖掘》离线作业》由会员分享，可在线阅读，更多相关《14年浙大远程-《数据挖掘》离线作业（9页珍藏版）》请在金锄头文库上搜索。
1、浙江大学远程教育学院数据挖掘课程作业姓名：学 号：年级：13秋学习中心：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） 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、简答题（1）什么是数据挖掘？答：数据挖掘指的是从大量的数据中挖掘出那些令人感兴趣的、有用的、隐含的、先前未知的和可
2、能有用的模式或知识。（2）一个典型的数据挖掘系统应该包括哪些组成部分？答：一个典型的数据挖掘系统应该包括以下部分：数据库、数据仓库或其他信息库 数据库或数据仓库服务器 知识库 数据挖掘引擎 模式评估模块 图形用户界面（3）Web挖掘包括哪些步骤？答：数据清理: (这个可能要占全过程60的工作量)、数据集成、将数据存入数据仓库、建立数据立方体、选择用来进行数据挖掘的数据、数据挖掘（选择适当的算法来找到感兴趣的模式）、展现挖掘结果、将模式或者知识应用或者存入知识库。（4）请列举数据挖掘应用常见的数据源。（或者说，我们都在什么样的数据上进行数据挖掘）答：常见的数据源包括关系数据库、数据仓库、事务数据
3、库和高级数据库系统和信息库。其中高级数据库系统和信息库包括：空间数据库、时间数据库和时间序列数据库、流数据、多媒体数据库、面向对象数据库和对象-关系数据库、异种数据库和遗产(legacy)数据库、文本数据库和万维网(WWW)等。第二章 认识数据一、填空题（1）两个文档向量d1和d2的值为：d1 = (1, 0, 3, 0, 2)，d2 = (3, 2, 0, 0, 1)，则它们的余弦相似度为： 5/13 （2）数据离散度的常用度量包括 极差 、 分位 、 百分位数 、 四分位数极差 和 标准差 。（3）一种常用的确定离群点的简单方法是： 出落在至少高于第三个四分位数或低于第一个四分位数 1.5
4、IQR处的值 。二、单选题（1）对于下图所示的正倾斜数据，中位数、平均值、众数三者之间的关系是：（ C ）A、中位数=平均值=众数；B中位数平均值众数；C、平均值中位数众数；D；众数中位数平均值（2）下面的散点图显示哪种属性相关性？( C )A不相关；B正相关；C负相关；D先正相关然后负相关；三、简答题（1）什么是基于像素的可视化技术？它有什么缺点？答：对于一个m维数据集，基于像素的可视化技术在屏幕上创建m个窗口，每维一个。记录的m个维值映射到这些窗口对应位置上的m个像素。像素的颜色反映对应的值。基于像素的可视化技术的缺点：难以呈现多维空间的数据分布，不显示数据子空间中是否存在稠密区域。（2）
5、对称的和不对称的二元属性有什么区别？答：对称的二元属性指变量的两个状态具有同等价值或相同权重；而不对称的二元属性中，变量的两个状态的重要性是不同的。对称的二元属性可以使用简单匹配系数评估它们的相异度；不对称的二元属性使用Jaccard系数评估它们的相异度。第三章 数据预处理一、 填空题（1）进行数据预处理时所使用的主要方法包括： 数据清理 、数据变换 、 数据集成 和 数据规约 。（2）数据概化是指： 沿概念分层向上概化 （3）数据压缩可分为： 有损压缩 和 无损压缩 两种类型。（4）进行数值归约时，三种常用的有参方法是： 线性回归方法 、 多元回归 和 对数线性模型 。二、简答题（1）常用的
6、数值属性概念分层的方法有哪些？答：常用的数值属性概念分层的方法有分箱、直方图分析、聚类分析、基于熵的离散化和通过自然划分分段。（2）请描述主成份分析（PCA）算法步骤答：主成份分析步骤为：a、规范化输入的数据：所有属性落在相同的区间内；b、计算k个标准正交向量，即主成分；c、每个输入数据的向量都是这k个主成分向量的线性组合；d、主成分按照重要程度降序排序。（3）在现实世界的数据中，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。答：答：处理空缺值的方法有：1) 忽略元组。当类标号缺少时通常这么做（假定挖掘任务设计分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差。2)
7、人工填写空缺值。这种方法工作量大，可行性低3) 使用一个全局变量填充空缺值：比如使用unknown或-4) 使用属性的平均值填充空缺值5) 使用与给定元组属同一类的所有样本的平均值6) 使用最可能的值填充空缺值。如使用像Bayesian公式或判定树这样的基于推断的方法。（4）常见的数据归约策略包括哪些？答：数据归约策略包括：1) 数据立方体聚集2) 维归约3) 数据压缩4) 数值归约5) 离散化和概念分层产生第六七章 挖掘频繁模式、关联和相关一、填空题（1）关联规则挖掘中，两个主要的兴趣度度量是： 支持度 和 置信度 （2）Aprior算法包括 连接 和 剪枝 两个基本步骤（3）项集的频率是指
8、 包含项集的事务数 （4）大型数据库中的关联规则挖掘包含两个过程： 找出所有频繁项集 和 由频繁项集产生强关联规则 （5）根据规则中所处理的值类型，关联规则可分为： 布尔关联规则 和 量化关联规则 （6）Apriori性质是指： 频繁项集的所有非空子集也必须是频繁的 （7）在多维关联规则挖掘中，我们搜索的不是频繁项集，而是 频繁谓词集 二、简答题（1）简述在多层关联规则挖掘中，在不同的层使用一致的支持度的优缺点。答：优点：搜索时容易采用优化策略，即一个项如果不满足最小支持度，它的所有子项都可以不用搜索。缺点：最小支持度值设置困难：太高则将丢掉出现在较低抽象层中有意义的关联规则；太低则会在较高层
9、产生太多的无兴趣的规则。（2）如何提高Apriori算法的有效性？有哪些常见方法？答：可以使用以下几个思路提升Apriori算法有效性：减少对数据的扫描次数；缩小产生的候选项集；改进对候选项集的支持度计算方法。常见方法包括：a、基于hash表的项集计数；b、事务压缩（压缩进一步迭代的事务数）c、划分；d、选样（在给定数据的一个子集挖掘）；e、动态项集计数。第八章 分类一、填空题（1）数据分类模型的常用表示形式包括 分类规则 、 决策树 和 数学公式 等。（2）朴素贝叶斯分类是基于 类条件独立 假设。二、简答题（1）在判定树归纳中，为什么树剪枝是有用的？答：决策树建立时，许多分枝反映的是训练数据
10、中的噪声和离群点点，树剪枝可以识别并剪去这种分枝，以提高对未知数据分类的准确性。（2）为什么朴素贝叶斯分类称为“朴素”的？简述朴素贝叶斯分类优缺点。答：基于贝叶斯定理的推断需要大量训练数据以覆盖类条件概率空间，引入了很大开销。朴素贝叶斯分类做了类条件独立假设，大幅降低了计算开销。他的优点是容易实现并在大多数情况下可以取得较好的结果；他的缺陷是类条件独立在实际应用中缺乏准确性，因为变量之间经常存在依赖关系；这种依赖关系影响了朴素贝叶斯分类器的准确性。（3）分类方法的常用评估度量都有哪些？答：精度（Precision）： 标记为正类的元组实际为正类所占的百分比召回率：正元组标记为正的百分比 F 度
11、量：精度和召回率的调和评估指标准确率（accuracy）， 识别率：测试数据中被正确分类的元组所占的百分比；灵敏度（ Sensitivity ）：真正例（识别）率特效性（ Specificity ）：真负例率（4）简述数据分类的两步过程。答：第一步，建立模型:建立描述预先定义的数据类或概念集的分类器；第二步，在独立测试集上评估模型的预测准确率，通过测试后再使用模型，对新的数据进行分类。三、算法题（1）使用判定树归纳算法，根据顾客年龄age（分为3个年龄段：23），收入income（取值为high，medium，low），是否为student（取值为yes和no），信用credit_rating
12、等级（取值为fair和excellent）来判定用户是否会购买PC Game，即构建判定树buys_PCGame，假设现有的数据经过第一次划分之后得到如下图所示结果，并根据该结果对每一个划分中的各个属性计算信息增益对age23的顾客：Gain(income)=0.042，Gain(student)=0.462，Gain(credit_rating)=0.155请根据以上结果绘制出判定树buys_PCGame，来判定用户是否会购买PC Game。age 23incomestudentcredit_ratingclassIncomestudentcredit_ratingclasshighnofa
13、irnohighnofairnomediumyesfairnohighyesexcellentyeshighnofairnomediumyesfairyesmediumyesexcellentyeslowyesfairyeslownoexcellentyeslownoexcellentnoincomestudentcredit_ratingclasshighnofairyesmediumyesfairyeshighnofairyesmediumyesexcellentyes答：判定树buys_PCGame如下所示：第十章 聚类分析一、填空题（1）在数据挖掘中，常用的聚类算法包括： 划分方法 、 层次方法 、 基于密度的方法 、基于网格的方法和基于模型的方法。（2）聚类分析常作为一个独立的工具来获得 数据分布的情况 （3）一个好的聚类分析方法会产生高
