浙江大学远程教育2014年数据挖掘离线作业.doc

《浙江大学远程教育2014年数据挖掘离线作业.doc》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、浙江大学远程教育学院《数据挖掘》课程作业姓名：学号：年级：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

2、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：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、事务数据库和高级数

3、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

4、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>平均值答：C、平均值>中位数>众数（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；答：C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。（

5、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

6、？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：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、每个输入数据的向量都是这k个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：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、人工填写空缺值。这种方法工作量大，可行性

7、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