东软商务智能数据挖掘考试题库

商务智能复习题

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. 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。

3. 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。

4. 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。 5. 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。

6. 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。 7. 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。 8. 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。它是分

类规则挖掘的典型方法，可用于对新样本进行分类。

9. 频繁项集：指满足最小支持度的项集，是挖掘关联规则的基本条件之一。 10. 支持度：规则A→B的支持度指的是所有事件中A与B同地发生的的概率，即

P(A∪B)，是AB同时发生的次数与事件总次数之比。支持度是对关联规则重要性的衡量。

11. 可信度：规则A→B的可信度指的是包含A项集的同时也包含B项集的条件概率

P(B|A)，是AB同时发生的次数与A发生的所有次数之比。可信度是对关联规则的准确度的衡量。

12. 关联规则：同时满足最小支持度阈值和最小可信度阈值的规则称之为关联规则。

二、 综合题

1. 何谓数据挖掘？它有哪些方面的功能？

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. 何谓数据仓库？为什么要建立数据仓库？

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 3. 列举操作型数据与分析型数据的主要区别。

操作型数据 当前的、细节的 面向应用、事务驱动 频繁增、删、改 操作需求事先知道 生命周期符合SDLC 对性能要求高 一次操作数据量小 支持日常事务操作 分析型数据 历史的、综合的 面向分析、分析驱动 几乎不更新，定期追加 分析需求事先不知道 完全不同的生命周期 对性能要求宽松 一次操作数据量大 支持管理决策需求 4. 何谓OLTP和OLAP？它们的主要异同有哪些？

OLTP即联机事务处理，是以传统数据库为基础、面向操作人员和低层管理人员、对基本数据进行查询和增、删、改等的日常事务处理。OLAP即联机分析处理，是在OLTP基础上发展起来的、以数据仓库基础上的、面向高层管理人员和专业分析人员、为企业决策支持服务。

OLTP和OLAP的主要区别如下表：

OLTP OLAP 数据库数据 数据库或数据仓库数据 细节性数据 综合性数据 当前数据 历史数据 经常更新 不更新，但周期性刷新 一次性处理的数据量小 一次处理的数据量大 对响应时间要求高 响应时间合理 用户数量大 用户数据相对较少 面向操作人员，支持日常操作 面向决策人员，支持管理需要 面向应用，事务驱动 面向分析，分析驱动 5. 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。

6. 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、

2

确定存储分配以及确定索引策略等。

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。

7. 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。 8. 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。 9. 简述数据清理的基本内容。

1. 聚类 2.空值处理.3.冗余和重复 10. 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。

11. 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 T1 A, D T2 D, E T3 A, C, E T4 A, B, D, E T5 A, B, C T6 A, B, D T7 A, C, D T8 C, D, E T9 B, C, D

L2 A, B A, C A, D B, D C, D D, E ? 支持度% 33.3 33.3 44.4 33.3 33.3 33.3 3

规则 A→B C→A A→D B→D C→D D→E ? 置信度% 50 60 66.7 75 60 43

12. 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：

① 随机选择k个对象作为初始中心点；

② 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；

③ 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；

④ 如果S<0,则用Orandom代替Oj，形成新的k个中心点集合； ⑤ 重复迭代第3、4步，直到中心点不变为止。

4

本文来源：https://www.bwwdw.com/article/4bit.html