2023年数据挖掘离线作业

浙江大学远程教育学院

《数据挖掘》课程作业

姓名：皇甫旭丹学7

号：

年级：2023秋学习中心：奉化学习中心

第一章引言

一、填空题

(1)数据库中的知识挖掘(KDD)涉及以下七个环节：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

表达

(2)数据挖掘的性能问题重要涉及：算法的效率、可扩展性和并行解决

(3)当前的数据挖掘研究中，最重要的三个研究方向是：记录学、数据库技

龙—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爱好的、有用的、隐含的、先前未知

的和也许有用的模式或知识。

(2)一个典型的数据挖掘系统应当涉及哪些组成部分？

答：一个典型的数据挖掘系统应当涉及以下部分：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挖掘涉及哪些环节?

答：数据清理：（这个也许要占全过程60%的工作量）；数据集成（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爱好的

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：常见的数据源涉及关系数据库、数据仓库、事务数据库和高级数据库系统和信息库。其

中高级数据库系统和信息库涉及: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一关系数据库、异种数据库和遗产（legacy）数据库、文

本数据库和万维网（WWW）等。

第二章结识数据

一、填空题

(1)两个文档向量入和心的值为:d/=(1.0,3,0,2),心=(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涉及极差、分位数、四分位

1、

百分位数四分位数极差和标准差

(3)一种常用的拟定离群点的简朴方法是：出落在至少高于第三个四分卫数或低于第一

个四分卫数1.5义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

答：Co

(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。

三、简答题

(1)什么是基于像素的可视化技术？它有什么缺陷？

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相应位置上的m个像素。像素的颜色反映相应的值。基于像素的

可视化技术特点: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。

(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朴匹配系统评估它们的相异度;

不对称的二元属性使用Jaccard系数评估它们的相异度。*第三章数据预解决

一、填空题

(1)进行数据预解决时所使用的重要方法涉及：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？

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、基于燧的离散化和通

过臼然划分分段。

(2)请描述主成份分析(PCA)算法环节

答：1)规范化输入的数据：所有属性落在相同区间内；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)主成分按照重要限度降序排

列。

(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。描述解决该问题的各种方

法。

答：解决空缺值的方法有：1）忽略元祖。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比例变化很大时，它的效果非常差。2）人工填写空缺值。

这种方法工作量大，可行性低。3）使用一个全局变量填充空缺值:比如使用unknown或-8。

4）使用属性的平均值填充空缺值。5）使用与给定元祖属同一类所有样本的平均值。6）使

用最也许的值填充空缺值。如使用像Bayesian公式或鉴定树这样的基于推断的方法。

（4）常见的数据归约策略涉及哪些？

答:数据归约策略涉及:（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

第六一七章挖掘频繁模式、关联和相关

一、填空题

(1)关联规则挖掘中,两个重要的爱好度度量是：支持度和置信度

(2)Aprior算法涉及连接和剪枝两个基本环节

(3)项集的频率是指包含项集的事务数___________________________

(4)大型数据库中的关联规则挖掘包含两个过程：找出所有频繁项集和由频繁

项集产生强关联规则

(5)根据规则中所解决的值类型，关联规则可分为：布尔关联规则和量化关联

规则

(6)APriori性质是指：频繁项集的所有非空子集也必须是频繁的

(7)在多维关联规则挖掘中，我们搜索的不是频繁项集,而是频繁谓词集

二、简答题

(1)简述在多层关联规则挖掘中，在不同的层使用一致的支持度的优缺陷。

答:优点：搜索时容易采用优化策略，即一个项假如不满足最小支持度，它的所有子项都可以不

用搜索。缺陷:最小支持度值设立困难，太高则将丢掉出现在较低抽象层中故意义的关联规

则;太低则会在较高层产生太多的无爱好的规则。

(2)如何提高Apr沁ri算法的有效性?有哪些常见方法？

答:可以使用以下几个思绪提高Apriori算法有效性:减少对数据的扫描次数;缩小产生的候选

项集;改善对候选项集的支持度计算方法。常见方法涉及:a、基于hash表的项集计数;b、

事务压缩(压缩进一步迭代的事务数)c、划分;d、选样(在给定数据的一个子集挖掘)；e、动

态项集计数。

第八章分类

一、填空题

⑴数据分类模型的常用表达形式涉及分类规则、决策树和数学公式

等。

(2)朴素贝叶斯分类是基于类条件独立假设。

二、简答题

(1)在鉴定树归纳中，为什么树剪枝是有用的？

答:决策树建立时，许多分枝反映的是训练数据中的噪声和离群点点，树剪枝可以辨认并减去

这种分枝,以提高对未知数据分类的准确性。

(2)为什么朴素贝叶斯分类称为“朴素”的？简述朴素贝叶斯分类优缺陷。

答：基于贝叶斯定理的推断需要大量训练数据以覆盖类条件概率空间，引入了很大开销。朴

素贝叶斯分类做了类条件独立假设，大幅减少了计算开销。他的优点是容易实现并在大多数

情况下可以取得较好的结果;他的缺陷是类条件独立在实际应用中缺少准确性，由于变量之

间经常存在依赖关系;这种依赖关系影响了朴素贝叶斯分类器的准确性。

(3)分类方法的常用评估度量都有哪些？

答:精度(Precision):标记为正类的元祖实际为正类所占的比例。召回率：正元祖标记为正

的比例。F度量:精度和召回率调和评估指标。准确率(accuracy),辨认率：测试数据中

被对的分类的元祖所占的比例。灵敏度(Sensitivity)：真正例(辨认)率•特效性(Spe

cifictiy)：真负例率。

(4)简述数据分类的两步过程。

答:第一步建立模型，建立描述预先定义的数据类或概念集的分类器;第二步，在独立测试集

上评估模型的预测准确率，通过测试后再使用模型，对新的数据进行分类。

三、算法题

(1)使用鉴定树归纳算法，根据顾客年龄age(分为3个年龄段：V18,18.・.23,>23),

收入income(取值为high,medium,low),是否为student(取值为yes和no),信用

credit_rating等级(取值为fair和excellent)来鉴定用户是否会购买PCGame,即

构建鉴定树buys_PCGame,假设现有的数据通过第一次划分之后得到如下图所示结果，并

根据该结果对每一个划分中的各个属性计算信息增益

对age<18的顾客:Gain(income)=0.022,Gain(student)=0.162,Gain(cr

edit_rating)=O.323

对age>23的顾客：Gain(income)=0.042,Gain(student)=0.462,Gain(cr

edit_rating)=0.155

请根据以上结果绘制出鉴定树buysPCGame,来鉴定用户是否会购买PCGame。

incostudecredit_raticlasIncomstudcredit_raclass

mentngseentting

highnofairnohighnofairno

medyesfairnohighyesexcel1yes

iument

highnofairnomedyesfairye

iums

medyesexce11entyeslowyesfairyes

ium

lownoexcellentyes1ownoexcellentno

incomestudencredit_raclass

tting

highnofairyes

mediumyesfairyes

highnofairyes

mediumyesexcellentyes

答:*第十章聚类分析

矩阵

(5)基于网格的聚类方法的优点是：解决速度快

二、简答题

(1)简述基于划分的聚类方法。划分的准则是什么？

答:基于划分的聚类方法：给定一个n个对象或元祖的数据库，一个划分方法构建数据的k

个划分，每个划分表达一个簇，并且k<=n。划分方法规定每个组至少包含一个对象并且每个

对象属于且仅属于一个组。聚类目的可以是最优化某种度量，比如最小化数据点与类中心的

距离平方和等。

划分准测是同一个聚类中的对象尽也许地接近或相关，不同聚类中的对象尽也许的原理

或不同。

(2)列举离群点挖掘的常见应用。

答:离群点检测应用有：1、欺诈检测；2、网络入侵;3、故障诊断；4、可疑金融交易监控等

等。

第四章数据仓库和OLAP技术

一、填空题

(1)数据仓库的多维数据模型可以有三种不同的形式，分别是：星形模式、雪花模

式________和事实星座模式

(2)给定基本方体，方体的物化有三种选择：不物化、部分物化和

全物化

(3)著名的数据仓库系统设计师W.H.Inmon认为，数据仓库与其他数据存储系统的区别

的四个特性是：是向主题、数据集成、随时间而变化和数据不

易丢失

(4)在数据访问模式上，数据仓库以事务操作为主,而平常应用数据库则以只读查询

为主。

(5)数据立方体度量可以根据其所使用的聚集函数分为三类.分别是：分布的、

代数的和整体的

(6)关于数据仓库的设计，四种不同的视图必须考虑，分别是：白顶向下视图、数据源

视图、数据仓库视图、商务查询视图

(7)0LAP服务器的类型重要涉及：关系OLAP服务器(ROLAP)、多维OLAP服务器(M

OLAP)和混合OLAP服务器(1IOLAP)____________

(8)求和函数sum()是一个分布的函数。

(9)方体计算的重要挑战是海量数据和有限的内存和时间之间的矛盾。

二、简答题

(1)为什么在进行联机分析解决(OLAP)时，我们需要一个独立的数据仓库，而不是直

接在平常操作的数据库上进行。

答：使用一个独立的数据仓库进行OLAP解决是为了以下目的：1、提高两个系统的性能：

操作数据库是为OLTP而设计的，没有为。LAP操作优化，同时在操作数据库上解决OLAP

查询，会大大减少操作任务的性能；而数据库是为OLAP而设计，为复杂的OLAP查询，多维

视图，汇总等OLAP功能提供了优化。2、两者有着不同的功能:操作数据库支持多事务的

并行解决,而数据仓库往往只是对数据记录进行只读访问；这是假如将事务解决的并行机制

和恢复机制用于这种OLAP操作，就会显著减少OLAP的性能。3、两者有着不同的数据:

数据仓库中存放历史数据；平常操作数据库中存放的往往只是最新的数据。

(2)为什么说数据仓库具有随时间而变化的特性？

答：1、数据仓库的时间范围比操作数据库系统要长的多。操作数据库系统重要保存当前数

据，而数据仓库从历史的角度提供信息(比如过去5-2023)。2、数据仓库中的每一个关键

结构都隐式或显式地包含时间元素，而操作数据库中的关键结构也许就不涉及时间元素。

(2)试述对于多个异种信息源的集成，为什么许多公司宁愿使用更新驱动的方法(update-d