2015浙大数据挖掘离线作业.pdf

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 d 和 d 的值为： d = (1, 0, 3, 0, 2) ，d = (3, 2, 0, 0, 1) ，则它们的余弦 1 2 1 2 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；