(完整版)数据挖掘概念课后习题及答案

(完整版)数据挖掘概念课后习题及答案一、单项选择题（每题2分，共20分）1.数据挖掘的主要任务不包括下列哪一项？A.关联规则挖掘B.聚类分析C.数据可视化D.事务并发控制答案D2.在数据预处理中，将连续属性离散化为区间标号属于（）过程。A.数据清洗B.数据集成C.数据变换D.数据归约答案C3.设随机变量X取两个值，且P(X=0)A.0B.0.5C.1D.2答案C4.下列算法中，属于划分式聚类方法的是（）。A.凝聚式层次聚类B.K-meansC.DBSCAND.BIRCH答案B5.下列算法中，用于关联规则挖掘的是（）。A.C4.5B.AprioriC.k近邻D.朴素贝叶斯答案B6.Apriori算法的核心性质是：若一个项集是频繁的，则它的所有非空子集（）。A.必定频繁B.必定不频繁C.可能频繁也可能不频繁D.无法判断答案A7.某超市有1000个事务记录，其中包含“牛奶”的事务有300个，同时包含“牛奶”和“面包”的事务有150个，则规则{牛A.0.15B.0.30C.0.50D.0.60答案C8.数据仓库区别于传统数据库的四个基本特征是面向主题、集成、时变和（）。A.非易失B.实时性C.高可用D.分布式答案A9.在OLAP操作中，从汇总数据下钻到更细节数据属于（）操作。A.上卷B.下钻C.切片D.转轴答案B10.分类与回归的主要区别在于（）。A.是否使用监督学习B.输出是离散类别还是连续数值C.是否需要对数据进行标准化D.是否使用训练集答案B二、填空题（每空1分，共10分）1.数据挖掘是从大量数据中挖掘隐含的、先前未知的、对决策有潜在价值的（）的过程。答案知识2.数据预处理的主要任务包括数据清洗、数据集成、数据变换和（）。答案数据归约3.决策树算法中，用于度量数据集合纯度最常用的指标是（）。答案信息增益4.在关联规则X⇒Y中，（）定义为包含X的事务同时也包含答案置信度5.K-means算法中，每个簇的中心通常取该簇所有样本的（）。答案均值6.DBSCAN算法需要设置两个参数：邻域半径ε和（）。答案MinPts（最小邻域样本数）7.二分类评估指标中，精确率Precis答案假正例（实际为负类但被预测为正类的样本数）8.模型在训练集上表现很好，但在测试集上表现较差，这种现象称为（）。答案过拟合9.数据仓库的四个基本特征为面向主题、集成、时变和（）。答案非易失10.在k折交叉验证中，数据集被划分为（）个大小相近的互斥子集。答案k三、简答题（每题5分，共20分）1.简述数据挖掘的一般流程。答案(1)业务理解：明确挖掘目标与需求；(2)数据理解：收集数据并探索数据分布与质量；(3)数据准备：进行数据清洗、集成、变换、归约等预处理；(4)建模：选择适当的挖掘算法（分类、聚类、关联分析等）构建模型；(5)评估：对模型性能进行验证与评价；(6)部署：将挖掘结果应用于实际业务并持续监控。2.简述数据预处理的四种主要任务及其作用。答案(1)数据清洗：处理缺失值、噪声数据和离群点，提高数据质量；(2)数据集成：合并来自多个数据源的数据，消除数据冗余与不一致；(3)数据变换：将数据转换为适合挖掘的形式，如规范化、离散化、属性构造；(4)数据归约：在保持数据语义的前提下压缩数据规模，如维归约、数量归约、数据压缩。3.简述Apriori算法中先验性质的含义及其在剪枝中的作用。答案先验性质是指：如果一个项集是频繁的，则它的所有非空子集也必定是频繁的；反之，如果一个项集是非频繁的，则它的所有超集必定是非频繁的。在Apriori算法中，利用该性质在生成候选k-项集后，将所有包含非频繁(k4.简述凝聚式层次聚类与K-means聚类的主要区别。答案(1)层次聚类不需要预先指定簇个数k，K-means必须事先给定k；(2)层次聚类通过不断合并（或分裂）生成树状层次结构，K-means通过迭代优化簇内平方误差得到划分；(3)层次聚类的时间复杂度通常较高（O(n2(4)层次聚类对噪声和离群点较敏感，K-means对初始中心点敏感且易陷入局部最优。四、计算题（每题10分，共30分）1.下表是某天气数据集，属性为Outlook、Temperature、Humidity、Wind，类标为Play（是否打球）。请计算各属性的信息增益，并确定根节点的分裂属性。OutlookTemperatureHumidityWindPlaySunnyHotHighWeakNoSunnyHotHighStrongNoOvercastHotHighWeakYesRainMildHighWeakYesRainCoolNormalWeakYesRainCoolNormalStrongNoOvercastCoolNormalStrongYesSunnyMildHighWeakNoSunnyCoolNormalWeakYesRainMildNormalWeakYesSunnyMildNormalStrongYesOvercastMildHighStrongYesOvercastHotNormalWeakYesRainMildHighStrongNo答案总样本数N=H属性Outlook的信息增益：Sunny：2Yes，3No，HOvercast：4Yes，0No，HRain：3Yes，2No，HG属性Temperature的信息增益：Hot：2Yes，2No，HMild：4Yes，2No，HCool：3Yes，1No，HG属性Humidity的信息增益：High：3Yes，4No，HNormal：6Yes，1No，HG属性Wind的信息增益：Weak：6Yes，2No，HStrong：3Yes，3No，HG比较四个信息增益，Ga解析：信息增益越大，表示使用该属性划分后数据集的纯度提升越大。本题中Outlook的信息增益显著高于其他属性，因此作为根节点。2.给定以下6个二维样本：A(1,1)，B(2,1)，C(4,答案使用欧氏距离d=样本到C1到C2分配簇A013簇1B18簇1C130簇2D52簇2E105簇2F205簇2第一次迭代后的簇分配为：簇1：{A,BCC解析：继续迭代时，各样本到新中心的距离计算后簇分配不再变化，说明算法收敛。K-means对初始中心敏感，不同初始中心可能导致不同的聚类结果。3.给定如下事务数据集，最小支持度为60%（即支持度计数至少为3），请用Apriori算法找出所有频繁项集。事务ID项集T1{T2{T3{T4{T5{答案事务总数N=5，最小支持度计数为(1)生成频繁1-项集：A：4次，B：4次，C：4次，D：4次。频繁1-项集：{A}，{B}，(2)由频繁1-项集连接生成候选2-项集并计算支持度计数：AB：3次，AC：3次，AD：3次，BC：3次，BD：3次，CD：3次。频繁2-项集：{A,B}，(3)由频繁2-项集连接生成候选3-项集并计算支持度计数：ABC：2次，ABD：2次，ACD：2次，BCD：2次。均小于最小支持度计数3，故不存在频繁3-项集。因此，所有频繁项集为：{A}，{B}，{C}，解析本题所有单项和2-项组合恰好都满足最小支持度。生成候选3-项集后，根据Apriori先验性质可判断其非频繁，无需再生成4-项集。五、综合分析题（20分）某银行拥有大量客户历史数据，包括年龄、收入、职业、贷款金额、贷款期限、历史还款记录等字段。银行希望构建一个模型，用于识别可能违约的贷款客户，并进一步分析高违约风险客户群体的特征。请完成以下任务：(1)明确该任务属于哪类数据挖掘任务，并说明理由。(2)设计完整的数据挖掘流程，说明各步骤的关键工作。(3)选择两种合适的分类算法，比较它们的优缺点。(4)如果数据集中违约客户仅占5%，应如何评估模型性能？请给出至少两种处理类别不平衡问题的策略。答案：(1)该任务属于监督学习中的分类任务。因为历史数据中每条客户记录都带有明确的类标（是否违约），目标是学习一个函数将新客户映射到“违约”或“不违约”两个离散类别之一。(2)数据挖掘流程设计：-业务理解：明确目标是降低贷款违约率，识别高风险客户；-数据理解：收集客户基本信息、贷款信息、还款记录等，检查数据质量，分析各字段与违约的相关性；-数据准备：处理缺失值（如用均值、中位数填充或删除记录），处理异常值，对年龄、收入等连续变量进行规范化，对职业等类别变量进行编码，必要时进行特征选择或主成分分析降维；-建模：将数据集按70%训练集、30%测试集划分，选用分类算法（如决策树、随机森林、逻辑回归）训练模型；-评估：采用准确率、精确率、召回率、F1值、AUC等指标评估模型，并结合业务需求选择最优模型；-部署：将模型嵌入贷款审批流程，对新增客户实时评分，并定期用新数据重训练模型。(3)两种分类算法的选择与比较：-决策树：可解释性强，能够直观生成if-then规则，便于银行理解违约风险的关键影响因素；但对数据波动较敏感，容易过拟合，可通过剪枝或限制树深缓解。-随机森林：由多棵决策树集成，泛化能力强，对噪声和过拟合有较好鲁棒性，能输出特征重要性；但模型可解释性较弱，训练和预测开销相对较大。(4)在违约样本仅占5%的类别不平衡场景下，准确率不能真实反映模型性能，应采用以下评估方式：-使用精确率（Precision）、召回率（Recall）、F1值、ROC曲线及AUC值进行评估，重点关注少数类（违约客户）的召回率与F-使用混淆矩阵分析模型在各类别上的具体表现。处理类别不平衡的策略：-数据层面：对少数类进行过采样（如SMOTE合成少数类样本），或对多数类进行欠采样，使训练集中类别比例趋于