数据挖掘考试题库1

《数据挖掘考试题库1》由会员分享，可在线阅读，更多相关《数据挖掘考试题库1（4页珍藏版）》请在金锄头文库上搜索。

1、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： 简单堆积结构 轮转综合结构 简

2、单直接结构 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

3、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。 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。 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。需要注意不同数据源的数据匹配问题、数值冲 突问题和冗余问题等。 数据变换：将原始数据转换成为适合数据挖掘

4、的形式。包括对数据的汇总、聚集、概化、规范化，还可能需要进行属性的 重构。 数据归约：缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到和原始数据相同的分析结果。6. 简述数据清理的基本内容。 尽可能赋予属性名和属性值明确的含义； 统一多数据源的属性值编码； 去除无用的惟一属性或键值（如自动增长的id）； 去除重复属性（在某些分析中，年龄和出生日期可能就是重复的属性，但在某些时候它们可能又是同时需要的） 去除可忽略字段（大部分为空值的属性一般是没有什么价值的，如果不去除可能造成错误的数据挖掘结果） 合理选择关联字段（对于多个关联性较强的属性，重复无益，只需选择其中的部分用于数据挖

5、掘即可，如价格、数据、金额） 去掉数据中的噪音、填充空值、丢失值和处理不一致数据。7. 简述处理空缺值的方法。 忽略该记录； 去掉属性； 手工填写空缺值； 使用默认值； 使用属性平均值； 使用同类样本平均值； 预测最可能的值。8. 常见的分箱方法有哪些？数据平滑处理的方法有哪些？分箱的方法主要有： 统一权重法（又称等深分箱法） 统一区间法（又称等宽分箱法） 最小熵法 自定义区间法数据平滑的方法主要有：平均值法、边界值法和中值法。9. 何谓数据规范化？规范化的方法有哪些？写出对应的变换公式。(1)最大一最小规范化:将数据按比例缩放(如更换大单位)，使之落入一个特定的区域(如0.01.0)，称为规

6、范化。规范化的常用方法有:x = g _ mm (x _ min ) + min(max 一 min ) 00(2)零一均值规范化:小数定标规范化：X = Xo/。10. 数据归约的方法有哪些？为什么要进行维归约？ 数据立方体聚集 维归约 数据压缩 数值压缩 离散化和概念分层维归约可以去掉不重要的属性，减少数据立方体的维数，从而减少数据挖掘处理的数据量，提高挖掘效率。11. 何谓聚类？它与分类有什么异同？聚类是将物理或抽象对象的集合分组成为多个类或簇(cluster)的过程，使得在同一个簇中的对象之间具有较高的相似 度，而不同簇中的对象差别较大。聚类与分类不同，聚类要划分的类是未知的，分类则可

7、按已知规则进行；聚类是一种无指导学习，它不依赖预先定义的 类和带类标号的训练实例，属于观察式学习，分类则属于有指导的学习，是示例式学习。12. 举例说明聚类分析的典型应用。 商业：帮助市场分析人员从客户基本库中发现不同的客户群，并且用不同的购买模式描述不同客户群的特征。 生物学：推导植物或动物的分类，对基于进行分类，获得对种群中固有结构的认识。 WEB文档分类 其他：如地球观测数据库中相似地区的确定；各类保险投保人的分组；一个城市中不同类型、价值、地理位置房子的分组等。 聚类分析还可作为其他数据挖掘算法的预处理：即先进行聚类，然后再进行分类等其他的数据挖掘。聚类分析是一种数据简化技术，它把基于

8、相似数据特征的变量或个案组合在一起。13. 聚类分析中常见的数据类型有哪些？何谓相异度矩阵？它有什么特点？常见数据类型有区间标度变量、比例标度型变量、二元变量、标称型、序数型以及混合类型等。相异度矩阵是用于存储所 有对象两两之间相异度的矩阵，为一个nn维的单模矩阵。其特点是d(i,j)=d(j,i)，d(i,i)=0，d(j,j)=0。如下所示： 0d(2,1)0d(3,1) d(3,2) 0d(n,1) d(n,2)014. 分类知识的发现方法主要有哪些？分类过程通常包括哪两个步骤？分类规则的挖掘方法通常有：决策树法、贝叶斯法、人工神经网络法、粗糙集法和遗传算法。分类的过程包括2步：首 先在

9、已知训练数据集上，根据属性特征，为每一种类别找到一个合理的描述或模型，即分类规则；然后根据规则对新数据进行 分类。15. 什么是决策树？如何用决策树进行分类？决策树是用样本的属性作为结点，用属性的取值作为分支的树结构。它是利用信息论原理对大量样本的属性进行分析和 归纳而产生的。决策树的根结点是所有样本中信息量最大的属性。树的中间结点是以该结点为根的子树所包含的样本子集中信 息量最大的属性。决策树的叶结点是样本的类别值。决策树用于对新样本的分类，即通过决策树对新样本属性值的测试，从树的根结点开始，按照样本属性的取值，逐渐沿 着决策树向下，直到树的叶结点，该叶结点表示的类别就是新样本的类别。决策树

10、方法是数据挖掘中非常有效的分类方法。16. 简述ID3算法的基本思想及其主算法的基本步骤。首先找出最有判别力的因素，然后把数据分成多个子集，每个子集又选择最有判别力的因素进一步划分，一直进行到所 有子集仅包含同一类型的数据为止。最后得到一棵决策树，可以用它来对新的样例进行分类。主算法包括如下几步： 从训练集中随机选择一个既含正例又含反例的子集（称为窗口）； 用“建树算法”对当前窗口形成一棵决策树； 对训练集（窗口除外）中例子用所得决策树进行类别判定，找出错判的例子； 若存在错判的例子，把它们插入窗口，重复步骤，否则结束。17. 简述ID3算法的基本思想及其建树算法的基本步骤。首先找出最有判别力

11、的因素，然后把数据分成多个子集，每个子集又选择最有判别力的因素进一步划分，一直进行到所 有子集仅包含同一类型的数据为止。最后得到一棵决策树，可以用它来对新的样例进行分类。建树算法的具体步骤如下： 对当前例子集合，计算各特征的互信息； 选择互信息最大的特征A ；k 把在Ak处取值相同的例子归于同一子集，Ak取几个值就得几个子集； 对既含正例又含反例的子集，递归调用建树算法； 若子集仅含正例或反例，对应分枝标上P或N，返回调用处。18. 设某事务项集构成如下表，填空完成其中支持度和置信度的计算。事务ID项集L2支持度规则置信度T1A, DA, B33.3A-B50T2D, EA, C33.3C-A

12、60T3A, C, EA, D44.4A-D66.7T4A, B, D, EB, D33.3BD75T5A, B, CC, D33.3C-D60T6A, B, DD, E33.3D-E43T7A, C, D,T8C, D, ET9B, C, D19. 从信息处理角度看，神经元具有哪些基本特征？写出描述神经元状态的M-P方程并说明其含义。基本特征：多输入、单输出；突触兼有兴奋和抑制两种性能；可时间加权和空间加权；可产生脉冲；脉冲可进行 传递；非线性，有阈值。M-P方程：S =f。Wijj - j ，Wj是神经元之间的连接强度，七是阈值，f（x）是阶梯函数。J20. 遗传算法与传统寻优算法相比有什

13、么特点？ 遗传算法为群体搜索，有利于寻找到全局最优解； 遗传算法采用高效有方向的随机搜索，搜索效率高； 遗传算法处理的对象是个体而不是参变量，具有广泛的应用领域； 遗传算法使用适应值信息评估个体，不需要导数或其他辅助信息，运算速度快，适应性好； 遗传算法具有隐含并行性，具有更高的运行效率。21. 写出非对称二元变量相异度计算公式（即jaccard系数），并计算下表中各对象间的相异度。-. 试项目 对象test-1test-2test-3test-4test-5test-6OBJ1YNPNNNOBJ2YNPNPNOBJ3NYNYNN,22. 简述K-平均算法的输入、输出及聚类过程（流程）。 输入

14、：簇的数目k和包含n个对象的数据集。输出：k个簇，使平方误差准则最小。步骤： 任意选择k个对象作为初始的簇中心； 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; 计算各簇中对象的平均值，然后重新选择簇中心（离平均值“最近”的对象值）； 重复第2第3步直到簇中心不再变化为止。23. 简述K-中心点算法的输入、输出及聚类过程（流程）。输入：结果簇的数目k，包含n个对象的数据集输出：k个簇，使得所有对象与其最近中心点的相异度总和最小。流程： 随机选择k个对象作为初始中心点； 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； 随机地选择一个非中心点对象Orandom，并计算用Orandom代替Oj的总代价S； 如果S0,则用Orandom代替Oj，形成新的k个中心点集合； 重复迭代第3、4步，直到中心点不变为止。24. 何谓文本挖掘？它与信息检索有什么关系（异同）。文本挖掘是从大量文本数据中提取以前未知的、有用的、可理解的、可操作的知识的过程。它与信息检索之间有以下几 方面的区别： 方法论不同：信息检索是目标驱动的，用户需要明确提出查询要求；而文本挖掘结果独立于用户的信息需求，是用 户无法预知的。 着眼点不同：信息检索着重于文档中字、词和链接；而文