资源预览内容
第1页 / 共4页
第2页 / 共4页
第3页 / 共4页
第4页 / 共4页
亲,该文档总共4页全部预览完了,如果喜欢就下载吧!
资源描述
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-A60T3A, 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: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
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号