数据挖掘智慧树知到课后章节答案2023年下山东建筑大学

数据挖掘智慧树知到课后章节答案2023年下山东建筑大学山东建筑大学

第一章测试

下列属于大数据时代特征的是：

A:数据格式复杂，难以利用B:非结构化数据越来越多C:数据类型越来越复杂D:大人群产生了大量数据

答案:非结构化数据越来越多;数据类型越来越复杂;大人群产生了大量数据

对数据挖掘内涵描述正确的是

A:有噪声的数据不能用于数据挖掘B:数据挖掘的对象一般是大量的不完整的数据C:挖掘的结果可以是出乎意料的规则和内容D:挖掘的结果一定是大家熟悉的可以理解的

答案:数据挖掘的对象一般是大量的不完整的数据;挖掘的结果可以是出乎意料的规则和内容

聚类分析是预测型的数据挖掘，而关联分析是描述型的。

A:错B:对

答案:错

描述“性别”的属性是二元分类属性。

A:对B:错

答案:对

下列是分类型属性的是：

A:月收入：10500元B:身高：185cmC:信用等级：3（级别为1-5，数值越高信用级别越高）D:邮政编码：250101

答案:信用等级：3（级别为1-5，数值越高信用级别越高）;邮政编码：250101

区间属性可以计算两个属性之间的倍数。

A:对B:错

答案:错

具有有限个值的属性才是离散属性。

A:对B:错

答案:错

定量属性可以取整数值。

A:错B:对

答案:对

关于连续属性与离散属性，下列说法正确的是：

A:连续属性的比率不一定有意义B:二元属性是连续属性C:连续属性有无限个取值D:离散属性有有限个取值

答案:连续属性的比率不一定有意义;连续属性有无限个取值

连续属性可以进行离散转化成离散属性。

A:对B:错

答案:对

第二章测试

和数据库中的数据一样，数据仓库中的数据也可以进行修改和删除。

A:对B:错

答案:错

以下哪项是元数据的包含的内容？

A:数据的更新频率B:数据所做的转换C:数据元素的含义D:数据的来源

答案:数据的更新频率;数据所做的转换;数据元素的含义;数据的来源

事实表中存储的是维度。

A:对B:错

答案:错

数据仓库的数据是面向主题的，主题与业务系统中的数据库是一一对应的。

A:错B:对

答案:错

下列哪项不是OLAP多维分析操作？

A:旋转B:透视C:切块D:钻取

答案:透视

维的层次越高，数据的粒度越大。

A:对B:错

答案:对

在OLAP多维分析操作中，旋转操作不改变数据，只是改变了数据集的展示方位。

A:对B:错

答案:对

星型模型不能表达维度的层次。

A:对B:错

答案:对

OLTP系统中的数据是数据仓库数据的主要来源。

A:对B:错

答案:对

数据仓库中不存储早期细节的数据。

A:错B:对

答案:错

第三章测试

Mondrian中Schema是以XML文件的形式定义的。Cube由维度构建出来的多维空间，是一系列DimensionMeasure的集合区域，它们共用一个事实表。

A:对B:错

答案:对

维度表是事实表的一部分。

A:对B:错

答案:错

事实表是维表的一部分。

A:错B:对

答案:错

维度表中包含事实数据。

A:对B:错

答案:错

Dimension（维度）是观察数据的一种角度，维度一般有其相对应的维度表，由Hierarchy（层次）组成，而Hierarchy（层次）又是由Level（级别）组成。

A:对B:错

答案:对

第四章测试

下列关于聚类分析描述错误的是？

A:当不知道数据集的类别标签可以通过聚类分析进行描述划分B:聚类是探索型数据挖掘C:划分聚类可以事先指定类别数量D:K中心点算法对噪声不敏感

答案:K中心点算法对噪声不敏感

由于K中心点算法采用了实际的对象作为中心点，因此能够发现任何形状的簇。

A:错B:对

答案:错

在所有核心点的指定半径邻域内的点数都不少于指定的阈值。

A:对B:错

答案:对

处理SS形状的数据时，适宜采用如下哪种聚类算法？

A:DBSCANB:K-中心点C:AGNESD:DIANA

答案:DBSCAN

K中心点算法是划分聚类算法的一种。

A:错B:对

答案:对

DBSCAN算法会删掉噪声点数据。

A:对B:错

答案:对

K-Means算法需要指定初始的中心点，但是聚类个数由算法自动决定。

A:对B:错

答案:错

将数据对象划分成不重叠的子集，使得每个对象恰在一个子集中，这种方法称作：

A:聚类B:预测C:补充缺值D:数据预处理

答案:聚类

AGNES算法和DIANA算法是相反的过程，但初始的簇都是一样的。

A:错B:对

答案:错

从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。

A:对B:错

答案:错

第五章测试

分类和回归都可用于预测，分类的输出是离散的类别值。

A:对B:错

答案:对

决策树的每个分支均包含了相应的决策规则。

A:错B:对

答案:对

朴素贝叶斯方法因做了不符合实际的假设，因此通常分类性能比较差。

A:错B:对

答案:错

朴素贝叶斯的分类结果是概率，表示最大可能的类别。

A:对B:错

答案:对

决策树包含如下哪几种节点?

A:外部节点B:属性节点C:根节点D:叶节点

答案:属性节点;根节点;叶节点

如果类别分布的信息熵是0.301，给定属性A的条件熵为0.2007，给定属性B的条件熵为0.1495，那么下列说法正确的是?

A:属性A的信息增益小于属性BB:属性A带来的信息多于属性BC:属性B带来的信息多于属性AD:属性A的信息增益大于属性B

答案:属性A的信息增益小于属性B;属性B带来的信息多于属性A

下面指标中，能够度量分类器对正例和负例识别能力的是?

A:正确度B:灵敏度和特效度C:精度D:错误率

答案:灵敏度和特效度

关于信息量，下列说法错误的是?

A:信息量的大小和不确定性的变化有关B:越确定的事情包含的信息量越小C:信息熵能够度量信息量的大小D:一组数据包含的信息量越小，熵越大

答案:越确定的事情包含的信息量越小

朴素贝叶斯网络假设属性和类别之间是独立的。

A:对B:错

答案:错

信息增益是一个属性比另一个属性信息熵的增加值。

A:对B:错

答案:错

第六章测试

变量y与x之间的回归方程反映y与x之间的真实关系达到最大限度的吻合。

A:对B:错

答案:对

多元线性回归分析的自变量与多个因变量呈现线性关系。

A:错B:对

答案:错

任何两个变量都具有相关关系。

A:对B:错

答案:错

在研究自变量X与因变量Y之间的线性相关关系时，相关系数r<0，表示两个变量？

A:正相关B:负相关C:线性不相关D:无法判断

答案:负相关

根据一组试验数据可以求出不同的回归方程，评价哪个好的常用准则是？

A:判定系数R2越接近1越好B:只是形式不同的回归方程，其结果是一样C:相关系数越小越好D:相关系数越大越好

答案:判定系数R2越接近1越好

为了了解变量x与y之间是否有相关关系，可以画下面哪种图形加以考查？

A:正态概率图B:散点图C:直方图D:排列图

答案:散点图

第七章测试

同一个关联规则的支持度和置信度无法比较大小。

A:对B:错

答案:错

同时大于支持度和置信度阈值的强关联规则一定是有意义的规则。

A:错B:对

答案:错

Apriori算法中,Hash树用于剪枝提高了算法的效率。

A:对B:错

答案:错

FP树算法与Apriori算法比，生成频繁项集的效率一样，但是在规则提取阶段FP算法效率更高。

A:对B:错

答案:错

关联规则的前项和后项互换后，支持度是一样的。

A:对B:错

答案:对

FP算法和Apriori算法比较，描述正确的是？

A:在构建完成FP树后，FP算法不需要再扫描数据库B:FP算法只需要扫描一次数据库C:一般情况下，Apriori算法扫描数据库的次数多于FP算法D:FP算法和Apriori算法扫描数据库的次数一样

答案:在构建完成FP树后，FP算法不需要再扫描数据库;一般情况下，Apriori算法扫描数据库的次数多于FP算法

前项和后项负相关时，即使符合强关联规则的要求，也是无意义的。

A:对B:错

答案:对

关联规则的评价指标包括：

A:正确率B:支持度、置信度C:提升度liftD:召回率

答案:支持度、置信度;提升度lift

在Apriori算法中，关于强关联规则的生成，下面说法正确的是？

A:首先产生前件只有一项的强关联规则B:随机产生强关联规则C:首先产生后件只有一项的强关联规则D:首先产生前件只有2项的强关联规则

答案:首先产生后件只有一项的强关联规则

FP算法中，每个事务都按照项的支持度计数的降序映射为FP树中的一条路径。

A:对B:错

答案:对

第八章测试

机器学习想做的事情，简单的说是要从资料中归纳出有用的规则。大数据说的是对大量的资料做分析，而人工智能说的是让机器看起来更聪明，两者都可以使用机器学习来做核心的工具。

A:错B:对

答案:对

关于人工神经网络描述，正确的是

A:神经网络按层数不同可分为单层、两层、多层。B:单层神经网络，不能解决异或问题或者复杂问题。C:两层神经网络采用sigmoid激活函数，能够有限区分异或问题D:多层神经网络能有效进行复杂问题的分类。

答案:神经网络按层数不同可分为单层、两层、多层。;单层神经网络，不能解决异或问题或者复杂问题。;两层神经网络采用sigmoid激活函数，能够有限区分异或问