2015浙大数据挖掘离线作业.doc

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 、 数据路技术 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：1，数据库、数据仓库或其他信息库；2，数据库或数据仓库服务器；3，知识库；4，数据挖掘引擎；5，模式评估模块；6.图形用户界面。 （3）Web挖掘包括哪些步骤？ 答：数据清理（可能有占全过程的60%的工作量）；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路、数据仓库、事务数据库和高举数据库系统和信息库。其中国际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、异种数据库和遗产数据库、文本数据库和万维网等。 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 、 分位数 、 四分位数 、 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*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： 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 选C （2）下面的散点图显示哪种属性相关性？ A不相关； B正相关； C负相关； D先正相关然后负相关； 选C 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；难以呈现对维空间的数据分布，不显示数据子空间是否存在稠密区域。 （2）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；而对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苹果它们的相异度；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 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 、 数据集成 、 数据变换 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）常用的数值属性概念分层的方法有哪些？ 答：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：1.规范化输入的数据：所有属性落在相同的区间内；2，计算k个标准正交向量，即主成分；3，每个数据数据的向量都是这k主成分向量的线性组合；4，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：1，忽略元组。当类标号缺少是通常这么做，当每个属性缺省值的百分比变化很大时，他的效果非常差。2，人工填写空缺值。这种方法工作量大，可行性低。