当前位置：文档视界 › 数据挖掘期末复习资料

数据挖掘期末复习资料

2009-02-21 20:38:37| 分类：读书笔记| 标签：|字号大中小订阅

题型：填空（20空）、判断（20分）、简答（5个：预处理方法、决策树、朴素贝叶斯过程、其他一些知识内容）、大题（算法：关联分析、分类、决策树、ID3算法、贝叶斯方法、A 神经网络、聚类回归占得比较小）

概述

一、数据挖掘是一个多学科领域，具体涉及到哪些相关学科？数据库及相关领域知识。

二、什么是数据挖掘，产生的背景，典型的数据挖掘系统的主要成分？

数据挖掘定义：数据挖掘是从存放在数据库，数据仓库或其他信息库中的大量数据中挖掘有趣知识的过程。

典型的数据挖掘系统的主要成分：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。

三、数据挖掘的功能有哪些？

数据挖掘功能-可以挖掘什么类型的模式。数据挖掘任务：描述和预测。

描述性挖掘任务刻划数据库中数据的一般特性；预测性挖掘任务在当前数据上进行推断。数据挖掘的功能——用于指定数据挖掘任务中要找的模式类型。其模式类型介绍如下：（1）、概念/类描述：特征化和区分。用汇总的、简洁的、精确的方式描述每个类和概念，称这种描述为类/概念描述，通过三种方式得到：1）数据特征化2）数据区分3）数据特征化和比较。

(2)关联分析：发现规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件。

关联规则的含义为：满足X中条件的数据库元组多半也满足Y中条件。包括多维关联规则和单维关联规则。

(3)分类和预测：分类与预测是两种数据分析形式，它们可用于抽取能够描述重要数据集合或预测未来数据趋势的模型。分类是找出描述并区分数据类或概念的模型或函数，以便能用模型预测类标记未知的对象类。如：可以构造一个分类模型来对银行贷款进行风险评估（安全或危险）；也可建立一个预测模型以利用顾客收入与职业（参数）预测其可能用于购买计算机设备的支出大小。

(4)聚类分析：它考虑的是数据对象，将数据对象根据一定的规则比如，最大化类内的相似性，最小化类间的相似性进行分组或聚类。同类相聚，异类相离

(5)孤立点分析：有些对象与数据的一般行为或模式不一致，称这些数据对象是孤立点。

(6)演变分析(时序分析)：描述行为随时间变化的数据对象的规律或趋势，并对其建模，比如，股票的演变规律。

四、数据挖掘的性能问题包括哪3个方面？

五、知识发现包括哪些过程？

知识发现的过程：1）数据清理（消除噪声或不一致数据）2）数据集成（多种数据源可以组合在一起）3）数据选择（从数据库中检索与分析任务相关的数据）4）数据变换（数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作）5）数据挖掘（基本步骤，使用智能方法提取数据模式）6）模式评估（根据某种兴趣度度量，识别表示知识的真正有趣的模式）7）知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）

六、数据、信息、知识之间的区别和联系

数据：就是能够被计算机处理的任何事物（事实、数字、文本等）

数据=事实的记录

操作和交易数据：如销售、价格、库存、薪水册等

非操作的数据：如工业销售、预测数据、宏观经济数据

元数据（Meta data：描述数据自身的数据，如逻辑数据库设计或数据字典定义

信息:数据提供的模式、关联、联系等信息。

信息是对数据的提炼；信息=数据+意义

如：对于零售终端的分析能够获得什么产品在什么时候卖出的信息。

知识:

从信息中提取出有关历史模式、一般规律、和未来趋势的知识

知识是让从定量到定性的过程得以实现的、抽象的、逻辑的东西。知识是需要通过信息使用归纳、演绎得方法得到。知识只有在经过广泛深入地实践检验，被人消化吸收，并成为了个人的信念和判断取向之后才能成为知识，这一点使得知识和信息往往混杂在一起。

如：通过分析超市的销售汇总信息，来提供用户购买行为的知识，从而可以知道哪种促销方式是最有效的。

数据仓库

一、数据仓库是一个面向主题的、集成的、非易失的、时变的有组织的数据集合。

二、OLAP的典型操作有哪些？切片切块、上卷下钻、旋转转轴

三、多维数据模型通常采用哪三种模式？星型模式、雪花模式、事实星座

四、冰山立方体的相关概念

仅计算满足最小支持度阈值的单元，这种部分物化的单元称为冰山立方体。HAVING COUNT(*) >= minsup为冰山条件

Motivation：

v 由于立方体单元在多维空间中的分布常常是稀疏的，因此大量的立方体空间可能被大量具有很低度量值得单元占据。

v 仅需物化数据立方体单元的一小部分——那些满足阈值的单元

v 减轻计算数据立方体中不重要的聚集单元的负担。

五、数据仓库和数据库有什么区别和联系？

1、数据仓库中的数据时间期限要远远长于操作型系统中的数据时间期限

操作型系统含有“当前值”数据，时间期限一般是60-90天；数据仓库从历史的角度提供信息，其中的数据仅仅是一系列某一时刻生成的复杂的快照，时间期限通常是5-10年

2、数据仓库中的键码结构

数据仓库中的关键结构，隐式或显式地包含时间元素

操作型系统的键码结构可能不包括时间元素

3、反应时间变化的

4、数据仓库是非易失的

数据仓库总是物理地分别存放数据

数据仓库中不进行操作型环境中的数据更新

数据仓库不需要事务处理、恢复和并发控制机制

数据仓库通常只需要两种数据访问：数据的初始化装入和数据访问

4、相对稳定的

数据预处理

一、数据预处理包括哪些过程——数据清理、数据集成、数据变换和数据规约

二、对于每种预处理过程都有哪些方法，处理的思想是怎么样的，比如针对缺失值有哪些方法？针对数据规范化有哪些方法？数据清理中如何处理噪声数据等。

数据清理：就是用其例程通过填写空缺的值，平滑噪声数据，识别，删除孤立点，并解决不一致来清理数据。其基本方法为：

（1）空缺值

1）忽略元组，2）人工填写空缺值3）使用一个全局常量填充空缺值，比如用一个常数（Unknown)来替换所有空缺的值。4）使用属性的平均值填充空缺值5）使用与给定元组属同类的所有样本的平均值6）使用最可能的值填充空缺值，可以使用回归，或判定树确定推理获得

（2）噪声数据：一个测量变量中的随机错误或偏差。可以用以下方法

1）分箱包括按箱平均值平滑，即就是将属性值根据等深，例如每箱3个进行分箱，然后用这三个值的平均值代替箱中的值。类似有按箱均值平滑，按箱边界平滑；

Price的排序后数据(in dollars): 4, 8, 9, 15, 21, 21, 24, 25, 26, 28, 29, 34

* 划分为等频箱:- 箱1: 4, 8, 9, 15-箱2: 21, 21, 24, 25-箱3: 26, 28, 29, 34

* 用箱均值光滑:-箱1: 9, 9, 9, 9 -箱2: 23, 23, 23, 23 -箱3: 29, 29, 29, 29

* 用箱边界光滑:- Bin 1: 4, 4, 4, 15- Bin 2: 21, 21, 25, 25 - Bin 3: 26, 26, 26, 34

2）回归，让数据适合一个函数（如回归函数）来平滑数据。

3）聚类聚类将相似的值组织成群或类，落在群或类外的值就是孤立点，也就是噪声数据；不一致数据：许多情况下，所记录的数据可能不一致，这是多方面的因素，比如，由于编码或表示不同，在数据集成的时候，就有可能造成不一致。

规范化的方法：

1）最小—最大规范化：对原始数据进行变换。假定A的属性最大值和最小值分别是MAX，MIX ，设A 中的任一值是V，则V的值经过规范化后则为：V’=（V-MIN）/（MAX-MIX）*（NEW_max-NEW_min)+NEW_min 其中规范化后的区间是[NEW_min，NEW_max]

例如:income的最大，最小值分别为9000，2000，则将它的值映射到[0，1]时，若income的值6800规范后为：（6800-2000）/（9000-2000）*（1-0）+0=0.686

2）z-score规范化（或零—均值规范化）：就是属性A的值基于A的平均值和标准差规范。假设A的值V规范后为V’，则公式为：V’=（V-A VG（A））/A的标准差

假设属性income的平均值和方差分别为：5400，1600，则值7360的规范后的值为：（7360-5400）/1600=1。225

3）小数定标化：就是科学表示法的形式，将属性的值映射到[0，1]之间。将小数点的位置规范化，小数点的移动根据属性的最大绝对值。如将A属性的值35规范后为：35/100=0.35 属性构造：是由给定的属性构造和添加新的属性，以有利于挖掘。比如，我们根据属性heigh 和width可以构造area属性。通过这种组合属性，属性构造可以发现关于数据属性间联系的丢失信息，这对知识发现有用的。

数值归约（1）----直方图：数值归约：通过用替代的，较小的数据表示形式来减少数据量。直方图：使用分箱技术近似数据分布，

数值归约（2）----聚类

数据挖掘的各种算法

掌握每种算法的基本思想，优缺点，是否是有监督的挖掘方法等？

一、Apriori算法的基本思想，如何采用Apriori来挖掘频繁模式

需要了解的基础知识：

关联规则判断标准

1、支持度sup(.)：表示在购物篮分析中同时包含关联规则左右两边物品的交易次数百分比，即支持这个规则的交易的次数百分比。

规则X?Y在交易数据集D中的支持度是对关联规则重要性的衡量，反映关联是否是普遍

存在的规律，说明这条规则在所有交易中有多大的代表性。即在所有交易中X与Y同时出现的频率记为：support(X?Y)= P（XY）

2、置信度confidence(.)：是指购物篮分析中有了左边商品，同时又有右边商品的交易次数百分比，也就是说在所有的购买了左边商品的交易中，同时又购买了右边商品的交易概率。? 连接:用Lk-1自连接得到Ck

? 修剪:一个k-项集，如果他的一个k-1项集（他的子集）不是频繁的，那他本身也不可能是频繁的。

Apriori 算法：使用候选产生频繁项集

例1：假设最小支持度为30%，最小置信度为60%。

第一步：产生频繁1-项集（即满足最小支持度要求）；第二步：再次扫描数据库，产生后候选2-项集：

第三步：产生频繁3-项集；第四集：从满足条件的频繁2-项集中构造关联规则：

第五步：重复第二步，产生候选3-项集；

例2：

数据库面向5个事物，min-sup=60%,min-conf=80%.

（1）分别用Apriori 算法找出所有频繁项集

（2）列举所有与下面的元规则匹配的强关联规则（给出支持度S 和置信度C ），其中，X 代表顾客的变量，item 代表项的变量（如“A ”，“B ”等）

对于? x ∈transaction,buys(X,item1)^buys(X,item2)=>buys(X,item3) [S,C] 解：（1）、用Apriori 算法找出所有频繁项集。原数据库D 如下：

扫描D 后，得到候选1-项集C1，如下所示：

再次扫描D 后，得到候选2-项集C2：根据上面候选2-项集，产生频繁2-项集L2：

根据上面候选3-项集，产生频繁3-项集L3：

综上所述，得到所有的频繁项集如下所示：

频繁1-项集：{M};{O};{K};{E};{Y}.

频繁2-项集：{M,K};{O,K};{O,E};{K,E};{K,Y}.

频繁3-项集：{O,E,K}.

（2）、从上面得出的频繁3-项集中，构造如下关联规则：

buys(X,O)^buys(X,E)=>buys(X,K) [support=3/5=60%,confidence=100%]

buys(X,O)^buys(X,K)=>buys(X,E) [support=3/5=60%,confidence=100%]

buys(X,E)^buys(X,K)=>buys(X,O) [support=3/5=60%,confidence=75%]

得到符合条件的强关联规则，即sup>=60%,conf>=80%,如下所示：

buys(X,O)^buys(X,E)=>buys(X,K) [support=3/5=60%,confidence=100%]

buys(X,O)^buys(X,K)=>buys(X,E) [support=3/5=60%,confidence=100%]

二、决策树算法的基本思想，采用ID3算法进行分类。

监督式(supervised learning)的机器学习法------决策树(Decision Tree)

非监督式(unsupervised learning)的机器学习法-----集群分析法(Cluster Analysis)

基础知识：信息论:若一事件有k种结果,对应的机率为Pi。则此事件发生后所得到的信息量I(视为Entropy)为：I=-(p1*log2(p1)+ p2*log2(p2)+…+ pk*log2(pk))

如：设k=4à p1=0.25,p2=0.25,p3=0.25,p4=0.25 I=-(0.25*log2(0.25)*4)=2

信息获利(Information Gain) ：若分类标记(Y)分为(成功、失败)两种，X为预测变量(类别属性;k类)，n为总样本数(n1为总样本数中具成功标记的个数)，经由X变量将样本分类后mi 为X=i类中的总样本个数(mi1为X=i类中具成功标记的个数)。根据变量X将n个样本分为m1,m2,…,mk的信息获利为:Gain(X)=I(n,n1)-E(X),其中I(n,n1)=-((n1/n)log2(n1/n)+(1-n1/n)log2(1-n1/n))E(X)=(m1/n)*I(m1,m11)+(m2/n)*I(m2,m21)+…(mk/n)*I(mk,mk1)

ID3算法(C4.5,C5.0)的一个例子：

I(16,4)=-((4/16)*log2(4/16)+(12/16)*log2(12/16))=0.8113

E(年龄)=(6/16)*I(6,1)+(10/16)*I(10,3)=0.7946 Gain(年龄)=I(16,4)-E(年龄)=0.0167

Decision Tree的建立过程（前面是重点，这部分看下就行了）

(一)决策树的分割

（二）决策树的剪枝(pruning)

三、贝叶斯方法的基本思想，采用朴素贝叶斯方法进行分类

朴素贝叶斯分类法：采用监督式的学习方式，分类前必须事先知道分类形态，透过训练样本的训练学习，有效地处理未来欲分类的数据。

贝叶斯定理：

Ｐ(Ａi∩Ｂ) Ｐ(Ａi)×Ｐ(Ｂ│Ａi)

Ｐ(Ａi│Ｂ)＝────── ＝───────────

Ｐ(Ｂ) n

ΣＰ(Ａi)×Ｐ(Ｂ│Ａi)

i=1

Ｐ(Ａi)表事前机率(Prior probability)。

Ｐ(Ａi│Ｂ)表事后机率(Posteriori probability)，事件Ａi是一原因，Ｂ是一结果。

Baye's rule是一由已知结果求原因的机率。

例：旅客搭乘飞机必须经电子仪器检查是否身上携带金属物品，携带金属仪器会发出声音的机会是97%，但身上无金属物品仪器会发出声音的机会是5%。若已知一般乘客身上带有金属物品的机会是30%，若某旅客经过仪器检查时发出声音，请问他身上有金属物品的机会是多少？

解:设A=「有金属物」，B=「仪器会发声」则

朴素贝叶斯分类法算法：

1.计算各属性的条件机率P(C=cj | A1=a1,?,An=an)

例一：办信用卡意愿：

判断(女性，年龄介于31~45之间，不具学生身份，收入中等)者会不会办理信用卡。

首先根据训练样本计算各属性相对于不同分类结果的条件机率：

再应用朴素贝叶斯分类法进行类别预测：

P(办卡=会)=7/10 P(女|会)P(31-45|会)P(否|会)P(中|会)=15/343≒0.044

P(办卡=不会)=3/10P(会) P(不会)P(女|不会)P(31-45|不会)P(否|不会)P(中|不会)=0

训练样本中对于(女性，年龄介于31~45之间，不具学生身份，收入中等)的个人，朴素贝叶斯分类法会将其分类到会办理信用卡的类别。

办理的机率是(0.044)/(0.044+0)=1 (正规化分类的结果P(会)/(P(会)+P(不会))。

故使用朴素贝叶斯分类法，会将(女性，年龄介于31-45之间，不具学生身份，收入中等)的个人归类到“会”办理信用卡的类别中。

朴素贝叶斯分类法对于各种属性相对于目标值(分类的类别)的条件机率，是先找出训练样本中，某目标值出现的个数(n)，及在这些目标值的样本中，特定属性值出现的个数(na)，然后na/n即为该特定属性在该目标值下的条件机率。

如上例P(性别=女|办卡=会)的条件机率是5/7，因为10笔训练样本一共有七笔是会办卡，而会办卡的七笔中，有五笔是女性。

例二：打网球实例：

X =

样本X 通过类n (don’t play)来分类

数据挖掘复习大纲答案新新

数据挖掘复习提纲分值分布一、选择题（单选10道20分多选5道20分）二、填空题（10道20分）三、名词解释（5道20分）四、解答题（4道20分）五、应用题（Apriori算法20分） 1．什么是数据挖掘？ 1答：简单地说，数据挖掘是从大量数据中提取或挖掘知识。具体地说，数据挖掘就是从大量的、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。 2. 什么是数据清理？ 2答：填写缺失的值，平滑噪声数据，识别、删除离群点，解决不一致性 3. 什么是数据仓库？ 3答：是一个面向主题的、集成的、随时间而变化的、不容易丢失的数据集合，支持管理部门决策的过程。（最显著特征：数据不易丢失2分选择题） 4. 什么是数据集成？ 4.数据集成:集成多个数据库、数据立方体或文件 5. 什么是数据变换？ 5答：将数据转换或统一成适合于挖掘的形式。 6. 什么是数据归约？ 6答：得到数据集的压缩表示，它小得多，但可以得到相同或相近的结果 7. 什么是数据集市？ 7答：数据集市包含企业范围数据的一个子集，对于特定的用户群是有用的。其范围限于选定的主题。 (是完整的数据仓库的一个逻辑子集，而数据仓库正是由所有的数据集市有机组合而成的) 8.在数据挖掘过程中，耗时最长的步骤是什么？ 8.答：数据清理 9.数据挖掘系统可以根据什么标准进行分类？ 9答：根据挖掘的数据库类型分类、根据挖掘的知识类型分类、根据挖掘所用的技术分类、根据应用分类 10. 多维数据模型上的OLAP 操作包括哪些？ 10.答：上卷、下钻、切片和切块、转轴 / 旋转、其他OLAP操作 11. OLAP 服务器类型有哪几种？ 11.答：关系 OLAP 服务器(ROLAP)、多维 OLAP 服务器(MOLAP)、混合 OLAP 服务器 (HOLAP)、特殊的 SQL 服务器 12. 数据预处理技术包括哪些？（选择） 12.答：聚集、抽样、维规约、特征子集选择、特征创建、离散化和二元化、变量变换。 13. 形成“脏数据”的原因有哪些？ 13. 答：滥用缩写词、数据输入错误、数据中的内嵌控制信息、不同的的惯用语、重复记录、丢失值、拼写变化、不同的计量单位、过时的编码 14. 与数据挖掘类似的术语有哪些? 14答：数据库中挖掘知识、知识提取、数据/模式分析、数据考古和数据捕捞。

《数据挖掘》试题与标准答案

一、解答题（满分3０分，每小题5分) 1. 怎样理解数据挖掘和知识发现的关系?请详细阐述之首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式;然后,调用相应的算法生成所需的知识;最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤:先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集;再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2.时间序列数据挖掘的方法有哪些，请详细阐述之时间序列数据挖掘的方法有: １)、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。２）、随机时间序列预测方法：通过建立随机模型,对随机时间序列进行分析,可以预测未来值。若时间序列是平稳的,可以用自回归(Auto Ｒegressiｖe，简称AR)模型、移动回归模型(Ｍovｉng Ａveｒage,简称ＭＡ）或自回归移动平均(Aｕto Regrｅssive Moｖiｎg Aｖeraｇe，简称AＲMＡ)模型进行分析预测。 3)、其他方法:可用于时间序列预测的方法很多,其中比较成功的是神经网络。由于大量的时间序列是非平稳的,因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型,用于时间序列的预测。

浙江大学CAD实验室简介

?简介浙江大学计算机辅助设计与图形学国家重点实验室为国家“七五”计划建设项目，一九八九年开始建设，一九九○年对外开放。一九九二年建成并通过国家验收。计算机辅助设计与图形学是多学科交叉的高技术研究领域。本实验室主要从事计算机辅助设计、计算机图形学的基础理论、算法及相关应用研究。实验室的基本定位是：紧密跟踪国际学术前沿，大力开展原始性创新研究及应用集成开发研究，使实验室成为具有国际影响的计算机辅助设计与图形学的研究基地、高层次人才培养的基地、学术交流的基地和高技术的辐射基地。近二十年来，实验室依托浙江大学计算机、数学、机械等学科，作为项目负责单位先后承担了一批国家级科重大研项目和国际合作项目，在计算机辅助设计与图形学的基础研究和系统集成等方面取得了一批重要成果，其中多项成果获国家奖励，并形成了一支学风正派、勤奋踏实、勇于创新的学术队伍。实验室积极推进国际合作，与美国、德国、英国、法国、日本等国外相关研究机构展开了广泛的学术合作和交流，产生了较大的国际学术影响，曾被国际权威期刊SCIENCE列为中国TOP-LEVEL国家重点实验室。实验室曾两次获得由国家科技部颁发的先进集体及个人“金牛奖”。实验室拥有一流的软硬件平台以及丰富的数字资源，热忱欢迎国内外研究人员来室工作和交流。潘云鹤院士任实验室学术委员会主任，鲍虎军研究员任实验室主任。 ?实验室的主要研究方向 1.计算机辅助设计研究计算机辅助设计与分析模拟的前沿技术，解决产品模型的高效构建、可信分析、设计知识的有效表示与处理等关键问题，实现复杂产品设计开发所需的高效性、可靠性、集成性和智能性。重点研究: 高性能产品建模技术、仿真驱动设计技术、虚拟样机、设计知识获取与重用、面向领域的专业CAD技术与系统等。 2.图形与视觉计算研究几何、材质、运动数据的获取、处理和表示的基础理论与算法，解决复杂对象的高效构建和逼真呈现等关键问题，研发高清影视、立体电视、三维游戏创作的软件系统，实现产业应用。重点研究:几何计算与设计、真实感图形的高效绘制、图象与三维视觉计算、计算机动画与游戏等。 3.虚拟现实探索虚拟环境的真实感知以及虚实环境融合的一致性理论与方法，研究虚拟环境构建、绘制、显示、人机交互、增强现实等虚拟现实关键技术，研发混

数据挖掘考试题目——简答题

数据挖掘考试题目——简答题（1）什么是数据挖掘？什么是知识发现？答：数据挖掘是在大型数据存储库中，自动地发现有用的信息的过程。知识发现是将未加工的数据转换为有用信息的整个过程。（2）数据挖掘要解决的问题包括哪五项？答：可伸缩、高维性、异种数据和复杂数据、数据的所有权与分布、非传统的分析。（3）数据的属性分别包括哪几种类型？分别可执行什么操作？答：标称(nomial)相异性序数(ordinal) 区间(interval) 比率(ratio) =和≠ 序<、≤、>、≥加法+、- 乘法×、÷ （4）数据中遗漏值的处理策略包括哪几种？答：1、删除数据对象或属性，如遗漏数据对象很少 2、估计遗漏值，如插值或最近邻法 3、在分析时忽略遗漏值，如忽略属性计算相似度（5）数据预处理的工作可以包括哪两类？答：1、选择分析所需要的数据对象和属性 2、创建或改变属性（6）聚集的目的是什么？答：1、数据约减 2、改变尺度 3、提高数据的稳定性（7）有效抽样的定义是什么？答：1、如果样本是有代表性的，则使用样本与使用整个数据集的效果几乎一样 2、样本具有足够的代表性的前提是它近似地具有与原数据集相同的感兴趣的性质（8）维归约的目的是什么？答：1、避免维灾难 2、减少数据挖掘算法的时间与空间开销 3、便于模型的理解与数据的可视化 4、删除无关特征并降低噪声（9）特征子集的选择方法中，除了基于领域知识和穷举法，还包括三种方法？请列举并简要说明

答：1、嵌入法：特征子集选择算法作为数据挖掘算法的一部分自然存在 2、过滤法：使用某种独立于数据挖掘任务的方法，在数据挖掘算法运行前进行特征选择 3、包装法：将目标数据挖掘算法作为黑盒，使用类似理想算法的方法，但并不枚举所有可能（10）当满足什么性质时，距离可以称为度量？答：1、非负性，d(p, q) >=0 ，当且仅当p = q时d(p, q) = 0 2、对称性，d(p, q) = d(q, p) 3、三角不等式：d(p, r) <=d(p, q) + d(q, r) 同时满足以上三个性质的距离称为度量。（11）简述Apriori算法的优点和缺点。答：Apriori算法的优点：结构简单、易于理解。 Apriori算法的缺点：产生大量的候选项集，I/O开销较大。（12）简述构造FP树时第一步通常必须要做什么，为什么？答：第一步就是扫描一次数据集，确定每个项的支持度计数。丢弃非频繁项，而将频繁项按照支持度递减排序。这样做的目的是最大限度的压缩数据，要不树就会比较茂盛，则达不到计算优化的目的。（13）簇评估的主要任务是什么。答：①确定数据集的聚类趋势。 ②确定正确的簇个数。 ③不引用附加的信息，评估聚类分析结果对数据的拟合情况。 ④将聚类分析结果与已知的客观结果比较。 ⑤比较两个簇集，确定哪个更好。（14）写出K均值算法的优缺点。答：优点：（1）可以用于各种数据类型（2）有效缺点：（1）不能处理非球形簇、不同尺寸和不同密度的簇（2）离群点的数据进行聚类时，K均值也存在一定问题

数据挖掘考试题库【最新】

一、填空题 1.Web挖掘可分为、和3大类。 2.数据仓库需要统一数据源，包括统一、统一、统一和统一数据特征 4个方面。 3.数据分割通常按时间、、、以及组合方法进行。 4.噪声数据处理的方法主要有、和。 5.数值归约的常用方法有、、、和对数模型等。 6.评价关联规则的2个主要指标是和。 7.多维数据集通常采用或雪花型架构，以表为中心，连接多个表。 8.决策树是用作为结点，用作为分支的树结构。 9.关联可分为简单关联、和。 10.B P神经网络的作用函数通常为区间的。 11.数据挖掘的过程主要包括确定业务对象、、、及知识同化等几个步骤。 12.数据挖掘技术主要涉及、和3个技术领域。 13.数据挖掘的主要功能包括、、、、趋势分析、孤立点分析和偏差分析7个方面。 14.人工神经网络具有和等特点，其结构模型包括、和自组织网络 3种。 15.数据仓库数据的4个基本特征是、、非易失、随时间变化。 16.数据仓库的数据通常划分为、、和等几个级别。 17.数据预处理的主要内容(方法)包括、、和数据归约等。 18.平滑分箱数据的方法主要有、和。 19.数据挖掘发现知识的类型主要有广义知识、、、和偏差型知识五种。 20.O LAP的数据组织方式主要有和两种。 21.常见的OLAP多维数据分析包括、、和旋转等操作。 22.传统的决策支持系统是以和驱动，而新决策支持系统则是以、建立在和技术之上。 23.O LAP的数据组织方式主要有和2种。 24.S QL Server2000的OLAP组件叫，OLAP操作窗口叫。 25.B P神经网络由、以及一或多个结点组成。 26.遗传算法包括、、3个基本算子。 27.聚类分析的数据通常可分为区间标度变量、、、、序数型以及混合类型等。 28.聚类分析中最常用的距离计算公式有、、等。 29.基于划分的聚类算法有和。

数据挖掘考试复习资料

数据挖掘考试复习资料一、名词解释 1、数据仓库：面向主题的、集成的、非易失的、是随时间变化的数据集合，用来支持管理决策。 2、聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类 3、数据挖掘：从大量的数据中挖掘那些令人感兴趣的、有用的、隐含的、先前未知的和可能有用的模式或知识 4、人工神经网络：人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。 5、文本挖掘：文本数据挖掘(Text Mining)是指从文本数据中抽取有价值的信息和知识的计算机处理技术 6、OLAP：又称联机分析处理，是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业为特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。定义1：OLAP是针对特定问题的联机数据访问和分析。通过对信息(维数据)的多种可能的观察形式进行快速、稳定一致和交互性的存取，允许管理决策人员对数据进行深入地观察。定义2：OLAP是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业“维”特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。） 7、概念描述：就是对目标类对象的内涵进行描述，并概括这类对象的有关特征。特征化：提供给定数据汇集的简洁汇总比较：提供两个或多个数据汇集的比较描述 8、信息熵：在信息论中，熵被用来衡量一个随机变量出现的期望值。它代表了在被接收之前，信号传输过程中损失的信息量，又被称为信息熵。信息熵也称信源熵、平均自信息量。

数据挖掘试题

单选题 1. 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 3. 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘 4. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 6. 使用交互式的和可视化的技术，对数据进行探索属于数据挖掘的哪一类任务？（A） A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则 11.下面哪种不属于数据预处理的方法？(D) A变量代换B离散化 C 聚集 D 估计遗漏值 12. 假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内？(B) A 第一个 B 第二个 C 第三个 D 第四个 13.上题中，等宽划分时（宽度为50），15又在哪个箱子里？(A) A 第一个 B 第二个 C 第三个 D 第四个 16. 只有非零值才重要的二元属性被称作：( C ) A 计数属性 B 离散属性C非对称的二元属性 D 对称属性 17. 以下哪种方法不属于特征选择的标准方法：(D) A嵌入 B 过滤 C 包装 D 抽样 18.下面不属于创建新属性的相关方法的是：(B) A特征提取B特征修改C映射数据到新的空间D特征构造 22. 假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为：(D) A 0.821 B 1.224 C 1.458 D 0.716 23.假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70, 问题：使用按箱平均值平滑方法对上述数据进行平滑，箱的深度为3。第二个箱子值为：(A) A 18.3 B 22.6 C 26.8 D 27.9 28. 数据仓库是随着时间变化的,下面的描述不正确的是(C) A. 数据仓库随时间的变化不断增加新的数据内容; B. 捕捉到的新数据会覆盖原来的快照; C. 数据仓库随事件变化不断删去旧的数据内容; D. 数据仓库中包含大量的综合数据,这些综合数据会随着时间的变化不断地进行重新综合. 29. 关于基本数据的元数据是指: (D) A. 基本元数据与数据源,数据仓库,数据集市和应用程序等结构相关的信息; B. 基本元数据包括与企业相关的管理方面的数据和信息; C. 基本元数据包括日志文件和简历执行处理的时序调度信息; D. 基本元数据包括关于装载和更新处理,分析处理以及管理方面的信息.

数据挖掘考试题

数据挖掘考试题 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】

数据挖掘考试题一．选择题 1. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离( ) A.分类 B.聚类 C.关联分析 D.主成分分析 2. ( )将两个簇的邻近度定义为不同簇的所有点对邻近度的平均值，它是一种凝聚层次聚类技术。 (单链) (全链) C.组平均方法 3.数据挖掘的经典案例“啤酒与尿布试验”最主要是应用了( )数据挖掘方法。 A 分类 B 预测 C关联规则分析 D聚类 4.关于K均值和DBSCAN的比较，以下说法不正确的是( ) 均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象。均值使用簇的基于原型的概念，DBSCAN使用基于密度的概念。均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇 5.下列关于Ward’s Method说法错误的是：( ) A.对噪声点和离群点敏感度比较小 B.擅长处理球状的簇 C.对于Ward方法，两个簇的邻近度定义为两个簇合并时导致的平方误差 D.当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似 6.下列关于层次聚类存在的问题说法正确的是：( ) A.具有全局优化目标函数 B.Group Average擅长处理球状的簇

C.可以处理不同大小簇的能力 D.Max对噪声点和离群点很敏感 7.下列关于凝聚层次聚类的说法中，说法错误的事：( ) A.一旦两个簇合并，该操作就不能撤销 B.算法的终止条件是仅剩下一个簇 C.空间复杂度为()2m O D.具有全局优化目标函数 8.规则{牛奶，尿布}→{啤酒}的支持度和置信度分别为：( ) 9.下列( )是属于分裂层次聚类的方法。 Average 10.对下图数据进行凝聚聚类操作，簇间相似度使用MAX计算，第二步是哪两个簇合并：( ) A.在{3}和{l,2}合并 B.{3}和{4,5}合并 C.{2,3}和{4,5}合并 D. {2,3}和{4,5}形成簇和{3}合并二．填空题： 1.属性包括的四种类型：、、、。 2.是两个簇的邻近度定义为不同簇的所有点对邻近度的平均值。 3. 基本凝聚层次聚类算法空间复杂度，时间复杂度，如果某个簇到其他所有簇的距离存放在一个有序表或堆中，层次聚类所需要的时间复杂度将为。 4. 聚类中，定义簇间的相似度的方法有（写出四个）：、、、。 5. 层次聚类技术是第二类重要的聚类方法。两种层次聚类的基本方法：、。 6. 组平均是一种界于和之间的折中方法。

浙江大学数据挖掘在线作业答案

您的本次作业分数为：100分 1.【第001章】孤立点挖掘适用于下列哪种场合？ A 目标市场分析 B 购物篮分析 C 模式识别 D 信用卡欺诈检测正确答案:D 2.【第01章】根据顾客的收入和职业情况，预测他们在计算机设备上的花费，所使用的相应数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 演变分析 D 概念描述正确答案:B 3.【第01章】数据挖掘应用和一些常见的数据统计分析系统的最主要区别在于（）。 A 所涉及的算法的复杂性 B 所涉及的数据量 C 计算结果的表现形式 D 是否使用了人工智能技术正确答案:B 4.【第01章】下列几种数据挖掘功能中，（）被广泛的应用于股票价格走势分析。 A 关联分析 B 分类和预测

C 聚类分析 D 演变分析正确答案:D 5.【第01章】下列几种数据挖掘功能中，（）被广泛的用于购物篮分析。 A 关联分析 B 分类和预测 C 聚类分析 D 演变分析正确答案:A 6.【第01章】帮助市场分析人员从客户的基本信息库中发现不同的客户群，通常所使用的数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 聚类分析 D 孤立点分析 E 演变分析正确答案:C 7.【第01章】下面的数据挖掘的任务中，（）将决定所使用的数据挖掘功能。 A 选择任务相关的数据 B 选择要挖掘的知识类型 C 模式的兴趣度度量 D 模式的可视化表示正确答案:B

8.【第01章】假设现在的数据挖掘任务是解析数据库中关于客户的一般特征的描述，通常所使用的数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 孤立点分析 D 演变分析 E 概念描述正确答案:E 9.【第02章】下列哪种可视化方法可用于发现多维数据中属性之间的两两相关性？ A 空间填充曲线 B 散点图矩阵 C 平行坐标 D 圆弓分割正确答案:B 10.【第02章】计算一个单位的平均工资，使用哪个中心趋势度量将得到最合理的结果？ A 算术平均值 B 截尾均值 C 中位数 D 众数正确答案:B 11.【第02章】字段Size = {small, medium, large}属于那种属性类型？ A 标称属性

汕头大学数据挖掘期末复习

汕头大学2019数据挖掘期末复习资料（浩军老师班）考试范围：数据预处理、数据关联分析、分类与预测、SVM、K-MEANS、聚类考试题型：简答题，复习请以实验相关内容为主数据挖掘课程的主要内容： 1.数据挖掘概述 2.数据预处理 3.数据挖掘算法－关联分析 4.数据挖掘算法－分类与预测 5.数据挖掘算法－聚类分析一、数据挖掘概述什么是数据挖掘？数据挖掘概念：从大量数据中寻找其规律的技术，是统计学、数据库技术和人工智能技术（机器学习）的综合。数据挖掘定义：数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，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。数据的特征：大容量、含噪音（不完全、不正确）、异质数据（多种数据类型混合的数据源，来自互联网的数据是典型的例子）数据挖掘有哪些步骤？ 1.确定预测目标 2.统计数据特征 3.根据数据特征进行数据预处理 4.应用数据挖掘模型（分类、聚类、关联分析、离群点挖掘、标记等） 5.分析模型的准确率 6.找出影响模型准确率的因素，回到第3步迭代直到模型足够完美。二、数据预处理数据预处理有哪些步骤？ 1.数据清理 2.数据集成 3.数据归约 4.数据变换与数据离散化为什么要进行数据预处理？现实世界的数据是不完整的、含有噪声的、不一致的、冗余的。低质量的数据将导致低质量的挖掘结果。 1)现实世界的数据一般是脏的、不完整的和不一致的。 2)数据预处理技术可以改进数据的质量，从而有助于提高其后的挖掘过程的精度和性能。 3) 高质量的决策必然依赖于高质量的数据，因此数据预处理是知识发现过程的重要步骤。数据的质量涉及的三个要素是？准确性，完整性和一致性。现实世界的数据一般是脏的不完整的不一致的。数据预处理技术可以改善数据的质量。如何填充数据中存在的缺失值？

2013秋浙江大学数据挖掘作业必做在线要点

1.置信度(confidence)是衡量兴趣度度量（）的指标。 A 简洁性 B 确定性 C 实用性 D 新颖性正确答案:B 单选题 2.哪种OLAP操作可以让用户在更高的抽象层，更概化的审视数据？ A 上卷 B 下钻 C 切块 D 转轴正确答案:A 单选题 3.下列几种数据挖掘功能中，（）被广泛的用于购物篮分析。 A 关联分析 B 分类和预测 C 聚类分析 D 演变分析正确答案:A 单选题 4.下列哪个描述是正确的？ A 分类和聚类都是有指导的学习 B 分类和聚类都是无指导的学习 C 分类是有指导的学习，聚类是无指导的学习 D 分类是无指导的学习，聚类是有指导的学习正确答案:C

5.计算一个单位的平均工资，使用哪个中心趋势度量将得到最合理的结果？ A 算术平均值 B 截尾均值 C 中位数 D 众数正确答案:B 单选题 6.规则：age(X,”19-25”) ∧buys(X, “popcorn”) => buys(X, “coke”)是一个（）。 A 单维关联规则 B 多维关联规则 C 混合维关联规则 D 不是一个关联规则正确答案:B 单选题 7.假设现在的数据挖掘任务是解析数据库中关于客户的一般特征的描述，通常所使用的数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 孤立点分析 D 演变分析 E 概念描述正确答案:E 单选题 8.下面哪种数据预处理技术可以用来平滑数据，消除数据噪声？ A 数据清理 B 数据集成 C 数据变换

D 数据归约正确答案:A 单选题 9.进行数据规范化的目的是（）。 A 去掉数据中的噪声 B 对数据进行汇总和聚集 C 使用概念分层，用高层次概念替换低层次“原始”数据 D 将属性按比例缩放，使之落入一个小的特定区间正确答案:D 单选题 10.平均值函数avg()属于哪种类型的度量？ A 分布的 B 代数的 C 整体的 D 混合的正确答案:B 单选题 11.下面哪种分类方法是属于统计学的分类方法？ A 判定树归纳 B 贝叶斯分类 C 后向传播分类 D 基于案例的推理正确答案:B 单选题 12.下列几种数据挖掘功能中，（）被广泛的用于购物篮分析。 A 关联分析 B 分类和预测 C 聚类分析

数据仓库与数据挖掘考试试题

一、| 二、填空题（15分） 1.数据仓库的特点分别是面向主题、集成、相对稳定、反映历史变化。 2.元数据是描述数据仓库内数据的结构和建立方法的数据。根据元数据用途的不同可将元数据分为技术元数据和业务元数据两类。技术多维分析过程中，多维分析操作包括切片、切块、钻取、旋转等。 4.基于依赖型数据集市和操作型数据存储的数据仓库体系结构常常被称为“中心和辐射”架构，其中企业级数据仓库是中心，源数据系统和数据集市在输入和输出范围的两端。实际上是一个集成的、面向主题的、可更新的、当前值的、企业级的、详细的数据库，也叫运营数据存储。三、多项选择题（10分） 6.在数据挖掘的分析方法中，直接数据挖掘包括（ＡＣＤ）） A 分类 B 关联 C 估值 D 预言 7.数据仓库的数据ETL过程中，ETL软件的主要功能包括（ＡＢＣ） A 数据抽取 B 数据转换 C 数据加载 D 数据稽核 8.数据分类的评价准则包括（ABCD ） A 精确度 B 查全率和查准率 C F-Measure D 几何均值 9.层次聚类方法包括（BC ） A 划分聚类方法 B 凝聚型层次聚类方法 C 分解型层次聚类方法 D 基于密度聚类方法 10.贝叶斯网络由两部分组成，分别是（ A D ） . A 网络结构 B 先验概率 C 后验概率 D 条件概率表四、计算题（30分） 11.一个食品连锁店每周的事务记录如下表所示，其中每一条事务表示在一项收款机业务中卖出的项目，假定sup min=40%，conf min=40%，使用Apriori算法计算生成的关联规则，标明每趟数据库扫描时的候选集和大项目集。（15分）

数据挖掘复习知识点整理超详细

必考知识点：信息增益算法/ ID3决策树(计算) (详细见教材) 使用朴素贝叶斯分类预测类标号(计算) FP-TREE(问答) (详细见教材) 数据仓库的设计(详见第二章)(问答) (见PPT) 数值规约Equi-depth、equi-width、v-optimal、maxdiff(问答) (详细见教材) BUC (这个也要考，但不记得怎么考的了) 后向传播神经网络(名词解释) K-平均，K-中心点，DBSCAN 解析特征化(这个也要考) 总论数据挖掘：是从大量数据中发现有趣（非平凡的、隐含的、先前未知、潜在有用）模式，这些数据可以存放在数据库，数据仓库或其他信息存储中。挖掘流程： (1)学习应用域（2）目标数据创建集（3）数据清洗和预处理（4）数据规约和转换（5）选择数据挖掘函数（总结、分类、回归、关联、分类）（6）选择挖掘算法（7）找寻兴趣度模式（8）模式评估和知识展示（9）使用挖掘的知识概念/类描述：一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过（1）数据特征化：目标类数据的一般特性或特征的汇总；（2）数据区分：将目标类数据的一般特性与一个或多个可比较类进行比较；（3）数据特征化和比较来得到。关联分析：发现关联规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件，通常要满足最小支持度阈值和最小置信度阈值。分类：找出能够描述和区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。导出模型的算法：决策树、神经网络、贝叶斯、（遗传、粗糙集、模糊集）。预测：建立连续值函数模型，预测空缺的或不知道的数值数据集。孤立点：与数据的一般行为或模型不一致的数据对象。聚类：分析数据对象，而不考虑已知的类标记。训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或分组，从而产生类标号。第二章数据仓库数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。从一个或多个数据源收集信息，存放在一个一致的模式下，并且通常驻留在单个站点。数据仓库通过数据清理、变换、继承、装入和定期刷新过程来构造。面向主题：排除无用数据，提供特定主题的简明视图。集成的：多个异构数据源。时变的：从历史角度提供信息，隐含时间信息。非易失的：和操作数据的分离，只提供初始装入和访问。联机事务处理OLTP：主要任务是执行联机事务和查询处理。联系分析处理OLAP：数据仓库系统在数据分析和决策方面为用户或‘知识工人’提供服务。这种系统可以用不同的格式和组织提供数据。OLAP是一种分析技术，具有汇总、合并和聚集功能，以及从不同的角度观察信息的能力。

《数据挖掘》试题与答案

一、解答题（满分30分，每小题5分） 1. 怎样理解数据挖掘和知识发现的关系？请详细阐述之首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2. 时间序列数据挖掘的方法有哪些，请详细阐述之时间序列数据挖掘的方法有： 1）、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 2）、随机时间序列预测方法:通过建立随机模型，对随机时间序列进行分析，可以预测未来值。若时间序列是平稳的，可以用自回归(Auto Regressive，简称AR)模型、移动回归模型(Moving Average，简称MA)或自回归移动平均(Auto Regressive Moving Average，简称ARMA)模型进行分析预测。 3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网络。由于大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列的预测。

数据挖掘考试题库

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： ①简单堆积结构 ②轮转综合结构 ③简单直接结构 ④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。 ①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。 ②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。 ③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。 ④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。 ①尽可能赋予属性名和属性值明确的含义； ②统一多数据源的属性值编码； ③去除无用的惟一属性或键值(如自动增长的id)； ④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) ⑤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) ⑥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) ⑦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。 ①忽略该记录； ②去掉属性； ③手工填写空缺值； ④使用默认值； ⑤使用属性平均值； ⑥使用同类样本平均值； ⑦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： ①统一权重法(又称等深分箱法) ②统一区间法(又称等宽分箱法) ③最小熵法 ④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。

数据挖掘考试题库讲解

一、名词解释 1.数据仓库：是一种新的数据处理体系结构，是面向主题的、集成的、不可更新的(稳定性)、随时间不断变化(不同时间)的数据集合，为企业决策支持系统提供所需的集成信息。 2.孤立点：指数据库中包含的一些与数据的一般行为或模型不一致的异常数据。 3.OLAP：OLAP是在OLTP的基础上发展起来的，以数据仓库为基础的数据分析处理，是共享多维信息的快速分析，是被专门设计用于支持复杂的分析操作，侧重对分析人员和高层管理人员的决策支持。 4.粒度：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。 5.数据规范化：指将数据按比例缩放(如更换大单位)，使之落入一个特定的区域（如0－1）以提高数据挖掘效率的方法。规范化的常用方法有：最大－最小规范化、零－均值规范化、小数定标规范化。 6.关联知识：是反映一个事件和其他事件之间依赖或相互关联的知识。如果两项或多项属性之间存在关联，那么其中一项的属性值就可以依据其他属性值进行预测。 7.数据挖掘：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。 8.OLTP：OLTP为联机事务处理的缩写，OLAP是联机分析处理的缩写。前者是以数据库为基础的，面对的是操作人员和低层管理人员，对基本数据进行查询和增、删、改等处理。 9.ROLAP：是基于关系数据库存储方式的，在这种结构中，多维数据被映像成二维关系表，通常采用星型或雪花型架构，由一个事实表和多个维度表构成。10.MOLAP：是基于类似于“超立方”块的OLAP存储结构，由许多经压缩的、类似于多维数组的对象构成，并带有高度压缩的索引及指针结构，通过直接偏移计算进行存取。 11.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。 12.广义知识：通过对大量数据的归纳、概括和抽象，提炼出带有普遍性的、概括性的描述统计的知识。 13.预测型知识：是根据时间序列型数据，由历史的和当前的数据去推测未来的数据，也可以认为是以时间为关键属性的关联知识。 14.偏差型知识：是对差异和极端特例的描述，用于揭示事物偏离常规的异常现象，如标准类外的特例，数据聚类外的离群值等。

《数据仓库与数据挖掘》复习题

2014-2015-1《数据仓库与数据挖掘》期末考试题型一、单项选择题（每小题2分，共20分）二、填空题（每空1分，共20分）三、简答题(每题6分，共30分) 四、析题与计算题(共30分) 请同学们在考试时不要将复习资料带入考场！！！单选题 1. 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 2. 以下两种描述分别对应哪两种对分类算法的评价标准？(A) (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 (b)描述有多少比例的小偷给警察抓了的标准。 A. Precision, Recall B. Recall, Precision A. Precision, ROC D. Recall, ROC 3. 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘 4. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 5. 什么是KDD？(A) A. 数据挖掘与知识发现 B. 领域知识发现 C. 文档知识发现 D. 动态知识发现 6. 使用交互式的和可视化的技术，对数据进行探索属于数据挖掘的哪一类任务？（A） A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则 7. 为数据的总体分布建模；把多维空间划分成组等问题属于数据挖掘的哪一类任务？(B) A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则 8. 建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务？(C) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则 9. 用户有一种感兴趣的模式并且希望在数据集中找到相似的模式，属于数据挖掘哪一类任务？(A)

浙江大学数据挖掘在线作业

您的本次作业分数为：100分单选题 1.【第001章】孤立点挖掘适用于下列哪种场合？ A 目标市场分析 B 购物篮分析 C 模式识别 D 信用卡欺诈检测正确答案:D 单选题 2.【第01章】根据顾客的收入和职业情况，预测他们在计算机设备上的花费，所使用的相应数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 演变分析 D 概念描述正确答案:B 单选题 3.【第01章】数据挖掘应用和一些常见的数据统计分析系统的最主要区别在于（）。 A 所涉及的算法的复杂性 B 所涉及的数据量 C 计算结果的表现形式 D 是否使用了人工智能技术正确答案:B

4.【第01章】下列几种数据挖掘功能中，（）被广泛的应用于股票价格走势分析。 A 关联分析 B 分类和预测 C 聚类分析 D 演变分析正确答案:D 单选题 5.【第01章】下列几种数据挖掘功能中，（）被广泛的用于购物篮分析。 A 关联分析 B 分类和预测 C 聚类分析 D 演变分析正确答案:A 单选题 6.【第01章】帮助市场分析人员从客户的基本信息库中发现不同的客户群，通常所使用的数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 聚类分析 D 孤立点分析 E 演变分析

单选题 7.【第01章】下面的数据挖掘的任务中，（）将决定所使用的数据挖掘功能。 A 选择任务相关的数据 B 选择要挖掘的知识类型 C 模式的兴趣度度量 D 模式的可视化表示正确答案:B 单选题 8.【第01章】假设现在的数据挖掘任务是解析数据库中关于客户的一般特征的描述，通常所使用的数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 孤立点分析 D 演变分析 E 概念描述正确答案:E 单选题 9.【第02章】下列哪种可视化方法可用于发现多维数据中属性之间的两两相关性？ A 空间填充曲线 B 散点图矩阵 C 平行坐标