资源描述：
《《决策支持与商务智能》课程实验指导书》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、《决策支持与商务智能》课程实验指导书实验学时：课内实验16学时、课外实践0学时实验类型：综合性实验要求：必修适用对象：信息管理与信息系统、计算机科学与技术、软件工程实验一：熟悉Python语法和掌握数据特征及相似性度量方法，2学时一、实验目的1.熟悉Python基本语法和常用函数；2.熟悉Numpy、Scipy、Matplotlib、Pandas等常用技术包；3.学会使用WinPython开发平台；4.熟练掌握数据统计特征的分析方法，五树概况，中位数、均值、众数等。5.熟练使用常用数据相似性度量方法，例如，曼哈顿距离、欧式距离、闵考斯福基距离、余弦等。二、实验内容1.数据统计特征的分析
2、方法，五树概况，中位数、均值、众数等。2.数据之间相似性度量方法，包括曼哈顿距离、欧式距离、闵考斯福基距离、余弦。三、实验原理、方法和手段1.实验原理：lWinPython开发平台是目前Python源程序开发中比较重要的工具，使用它基本上可以完成数据分析所有的操作，如关联规则分析、分类分析、聚类分析等。l数据统计特征是数据分析的基础。l数据之间的相似性是许多数据分析任务常用的技巧，如聚类分析中簇之间聚类的度量。2.方法与手段：先由教师讲解并演示，然后学生根据实验报告进行实验。四、实验环境、条件若干台装有WinPython开发平台的计算机。五、实验组织运行要求本实验是演示性+综合性实验，
3、采用集中授课形式组织教学，先由教师讲解并演示，然后学生根据实验报告进行实验。六、实验步骤1.随机生成长度为奇数或者偶数长度的整数序列，编程求出五数概况、中位数、均值、众数；2.给定my_list1=[5,0,3,0,2,0,0,2,0,0]，my_list2=[3,0,2,0,1,1,0,1,0,1]，分别利用哈顿距离、欧式距离、闵考斯福基距离、余弦计算二者之间的相似性。七、实验报告河南财经政法大学计算机与信息工程学院实验报告实验项目名称熟悉Python语法和掌握数据特征及相似性度量方法课程名称决策支持与商务智能成绩评定实验类型：验证型□综合型√设计型□实验日期指导教师学生姓名学号专业
4、班级一、实验项目训练方案小组合作：是□否□小组成员：实验目的：1.熟悉Python基本语法和常用函数；2.熟悉Numpy、Scipy、Matplotlib、Pandas等常用技术包；3.学会使用WinPython开发平台；4.熟练掌握数据统计特征的分析方法，五树概况，中位数、均值、众数等；5.熟练使用常用数据相似性度量方法，例如，曼哈顿距离、欧式距离、闵考斯福基距离、余弦等。实验场地及仪器、设备和材料：若干台装有WinPython开发平台的计算机。实验训练内容（包括实验原理和操作步骤）：1.实验原理：WinPython开发平台是目前Python源程序开发中比较重要的工具，使用它基本上可
5、以完成数据分析所有的操作，如关联规则分析、分类分析、聚类分析等；数据统计特征是数据分析的基础；数据之间的相似性是许多数据分析任务常用的技巧，如聚类分析中簇之间聚类的度量。数据统计特征的分析方法，五树概况，中位数、均值、众数等；数据之间相似性度量方法，包括曼哈顿距离、欧式距离、闵考斯福基距离、余弦2.实验步骤：（1）随机生成长度为奇数或者偶数长度的整数序列，编程求出五数概况、中位数、均值、众数；（2）给定my_list1=[5,0,3,0,2,0,0,2,0,0]，my_list2=[3,0,2,0,1,1,0,1,0,1]，分别利用哈顿距离、欧式距离、闵考斯福基距离、余弦计算二者之间的
6、相似性。二、实验总结与评价实验总结（包括实验数据分析、实验结果、实验过程中出现的问题及解决方法等）：（如留存空白不足，可附A4纸）对实验的自我评价：指导教师评语：实验成绩评定：指导教师（签名）：日期：年月日实验二：频繁模式与关联规则挖掘，6学时一、实验目的1.了解关联规则、频繁模式、支持度、可信度的基本原理和计算方法；2.熟练掌握频繁模式挖掘算法；3.熟练使用Python编写APRIORI、FP-Growth以及基于APRIORI的提升算法；4.学会利用频繁模式生成关联规则。二、实验内容1.频繁模式挖掘算法APRIORI及其提升算法的实现。三、实验原理、方法和手段1.实验原理：利用候选
7、集之间的连接与剪枝操作生成频繁模式、利用抽样与散列技术提升挖掘效率。2.方法与手段：先由教师讲解并演示，然后学生根据实验报告进行实验。四、实验环境、条件若干台装有WinPython开发平台的计算机。五、实验组织运行要求本实验是综合性实验，采用集中授课形式组织教学，先由教师讲解并演示，然后学生根据实验报告进行实验。六、实验步骤1.给定亚马逊销售数据集retail.txt，最小支持度参数min_sup=0.5，最小可信度min_con=0.5。2.
