数据挖掘导论课后题答案

数据挖掘——概念概念与技术

Jiawei Han Micheline Kamber 著

范明 孟晓峰 译

第 1 章 引

言

1.1 什么是数据挖掘？在你的回答中，针对以下问题：

1.2 1.6 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测

聚 类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功 能的例子。 解答：

特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特

征 可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特 征包括作为一种高的年级平均成绩(GPA：Grade point aversge) 的信息， 还有所修的课程的最大数量。

区分是将目标类数据对象的一般特性与一个或多个对比类对象的一

般 特性进行比较。例如，具有高 GPA 的学生的一般特性可被用来与具有 低 GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的 轮廓，就像具有高 GPA 的学生的 75%是四年级计算机科学专业的学生， 而具有低 GPA 的学生的 65%不是。

关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的

特 征 值的 条 件。 例 如， 一 个数 据 挖掘 系 统可 能 发现 的 关联 规 则为 ：

1.1 OLAP和多维数据分析 本节考察来自将数据集看作多维数组的技术和见解。大量数据库系统支持这种观点，特别是联机分析处理（OLAP）系统。事实上，OLAP系统的一些术语和能力已经使它进入被数百万人使用的电子数据表程序。OLAP系统还非常关注交互式数据分析，并提供可视化数据和产生汇总统计的广泛能力。由于这些原因，我们的多维数据分析方法将基于OLAP系统常见的术语和概念。 1.1.1 用多维数组表示鸢尾花数据 大部分数据集都可以用表来表示，其中每一行是一个对象，每一列是一个属性。在许多情况下，也可以将数据看作多维数组。我们通过将鸢尾花数据集表示成多维数组来解释这种方法。 表3-7是通过如下方法创建的：离散化花瓣长度和花瓣宽度属性，使它们取值低、中和高，然后统计鸢尾花数据集中具有特定的花瓣宽度、花瓣长度和种类的花的数量。（对于花瓣宽度，类别低、中和高分别对应于区间[0, 0.75), [0.75, 1.75)和[1.75, ￥)；对于花瓣长度，类别低、中和高分别对应于区间[0, 2.5), [2.5, 5)和[5, ￥)。）表中没有显示空组合——一种花也不包含的组合。 表3-7 具有花瓣宽度、花瓣长度和种类特定组合的花的数量 花瓣长度

数据挖掘——概念概念与技术

Data Mining

Concepts and Techniques

习题答案 第 1 章 引言

1.1 什么是数据挖掘？在你的回答中，针对以下问题：

1.2 1.6 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测

聚 类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功 能的例子。 解答：

? 特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特

征 可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特 征包括作为一种高的年级平均成绩(GPA：Grade point aversge) 的信息， 还有所修的课程的最大数量。

? 区分是将目标类数据对象的一般特性与一个或多个对比类对象的一

般 特性进行比较。例如，具有高 GPA 的学生的一般特性可被用来与具有 低 GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的 轮廓，就像具有高 GPA 的学生的 75%是四年级计算机科学专业的学生， 而具有低 GPA 的学生的 65%不是。

? 关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的

特 征 值的 条 件。 例 如， 一 个数 据 挖掘 系 统可 能 发现

数据挖掘——概念概念与技术 Data Mining

Concepts and Techniques

习题解答

Jiawei Han

Micheline Kamber 范明 孟晓峰 译

著

目录

第 1 章 引言

1.1 什么是数据挖掘？在你的回答中，针对以下问题：

1.2 1.6 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚 类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功 能的例子。 解答：

? 特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征 可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特 征包括作为一种高的年级平均成绩(GPA：Grade point aversge) 的信息， 还有所修的课程的最大数量。

? 区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般 特性进行比较。例如，具有高 GPA 的学生的一般特性可被用来与具有 低 GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的 轮廓，就像具有高 GPA 的学生的 75%是四年级计算机科学专业的学生， 而具有低 GPA 的学生的 65%不是。

数据仓库与数据挖掘

第一章 课后习题 一：填空题

1）数据库中存储的都是数据，而数据仓库中的数据都是一些历史的、存档的、归纳的、计算的数据。

2）数据仓库中的数据分为四个级别：早起细节级、当前细节级、轻度综合级、高度综合级。 3）数据源是数据仓库系统的基础，是整个系统的数据源泉，通常包括业务数据和历史数据。 4）元数据是“关于数据的数据”。根据元数据用途的不同将数据仓库的元数据分为技术元数据和业务元数据两类。

5）数据处理通常分为两大类：联机事务处理和联机事务分析

6）Fayyad过程模型主要有数据准备，数据挖掘和结果分析三个主要部分组成。

7）如果从整体上看数据挖掘技术，可以将其分为统计分析类、知识发现类和其他类型的数据挖掘技术三大类。

8）那些与数据的一般行为或模型不一致的数据对象称做孤立点。

9）按照挖掘对象的不同，将Web数据挖掘分为三类：web内容挖掘、web结构挖掘和web使用挖掘。

10）查询型工具、分析型工具盒挖掘型工具结合在一起构成了数据仓库系统的工具层，它们各自的侧重点不同，因此适用范围和针对的用户也不相同。

二：简答题

1）什么是数据仓库？数据仓库的特点主要有哪些？

数据仓库是一个面向主题的、集成的、相对稳定的、

第六章 数据挖掘导论

1。对于每个下列问题,提供一个关联规则的一个例子 从市场购物篮域,满足下列条件。同样, 这些规则是主观地描述是否有趣。

(一)一个规则,具有较高的支持和高的信心。 答:牛奶?→面包。这种明显的规则往往是无趣的。 (b)规则,有相当高的支持,但信心不足。 答:牛奶?→金枪鱼。而出售金枪鱼和牛奶可能是 高于阈值,并不是所有的事务,包含牛奶 也包含金枪鱼。这种低规则往往是无趣的。 (c)一个规则,低的支持和信心不足。 答:食用油?→洗衣粉。如此低的信心规则 往往是无趣的。

(d)规则,低支持和高的信心。

答:伏特加?→鱼子酱。这样的规则往往是有趣的

2。考虑到数据集显示于表格6.1。

(一)计算支持项集{ e },{ b、d },{ b、d、e }通过治疗 每个事务ID作为一个市场购物篮。 答:

(b) Use the results in part (a) to compute the confidence for the association rules {b, d} ?→ {e} and {e} ?→ {b, d}. Is confidence a symmetric

measure?

c、重复部分(一)通过将每个客户

1、数据清理、数据集成、数据变换、数据规约各自的目的是什么？有哪些常用方法？

数据清理的目的：去掉噪声和无关数据 ，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。

常用的方法：

处理空缺值;可用以下方法：忽略该记录、去掉属性 、手工填写空缺值、使

用默认值、使用属性平均值、使用同类样本平均值 、预测最可能的值。 噪声数据的处理: 噪声数据是一个测量变量中的随机错误或偏差。可用以下

方法：分箱：按箱平均值平滑，按箱中值平滑，按箱边界平滑等；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；回归，让数据适合一个函数（如回归函数）来平滑数据。

数据集成的目的：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.。

常用的方法：

模式集成：主要是实体识别问题，利用元数据（关于数据的数据），这可以

避免模式集成中的错误。

数据变换的目的：把原始数据转换成为适合数据挖掘的形式。

常用的方法：

用平滑消除噪声数据

聚类来对数据进行汇总

数据概化使用高层次概念替换低层次“原始”数据来进行概念分层 规范化将属性数据按比例缩放，使之落入一个小的特定区间

属性构造（特征构造）来帮助提高精度和对高

思考题与习题（第一章p21）

1． 为什么定义粒子注量时，要用一个小球体?

答：粒子注量da dN /＝Φ表示的是非单向平行辐射场的情况。之所以采用小球体，是为了保证从各个方向入射的粒子有相同的截面积，从而保证达到“Φ是进入单位截面积小球的粒子数”的目的。

2． 质量减弱系数、质量能量转移系数和质量能量吸收系数三者之间有什么联系和区别? 答：区别：

质量减弱系数ρμ/：不带电粒子在物质中穿过单位质量厚度后，因相互作用，粒子数减少的份额。 质量能量转移系数ρ

μ/tr ：不带电粒子在物质中穿过单位质量厚度后，因相互作用，其能量转移给带电

粒子的份额。 质量能量吸收系数ρμ/en ：不带电粒子在物质中穿过单位质量厚度后，其能量被物质吸收的份额。

联系： 由p tr μμμ+＝知，质量能量转移系数ρ

μ/tr 是质量减弱系数ρμ/的一部分；

由()()g tr en -1//ρμρμ＝知，某物质对不带电粒子的质量能量吸收系数ρμ/en ，是质量能量转移系数ρ

μ/tr 和

()g -1的乘积。

3． 吸收剂量、比释动能和照射量三者之间有什么联系和区别? 答：区别： D 、K 和X 的区别

联系：()g -1K D ＝

X ?=m m f

数据挖掘复习题集

1. 名词解释及简答 数据矩阵 闭频繁项集， 极大频繁项集 四分位数极差 聚类分析

聚类算法DBSCAN中的密度可达与密度相连

简述数据清理的任务

简述k-means聚类与k-中心点聚类的相似与不同之处

2. 填空题

（1） 计算sin(45o)的Matlab命令是 （2） 假设x=10，计算

?2ex?0.5?1的Matlab命令是

?（3） Matlab中清除显示内容的命令是 （4） Matlab中清除变量y的命令是

（5） Matlab中有矩阵a=[1 2 3; 4 5 6; 7 8 9]，执行a(2,:)=[]后，a的值为 。 （6） Matlab中绘制曲线的基本命令是 。

（7） 数据质量涉及许多因素，包括 ， ， ，时效性，可信性和可解释性。 （8） 属性的类型由该属性可能具有的值的集合决定，属性类型包括 ， ，序数

的或数值的。

（9） KDD 过程包括： , 数据集成, 数据选择, 数据变换, 数据挖掘, 模式评估,

和 。

（10） 一个模式是有趣的，如果它是 , 在某种程度上在新

数据挖掘作业答案

第二章 数据准备

5.推出在[-1,1]区间上的数据的最小－最大标准化公式。

解：标准化相当于按比例缩放，假如将在[minA,maxA]间的属性A的值v映射到区间[new_minA,new_maxA]，根据同比关系得：

(v-minA)/(v’-new_minA)=(maxA-minA)/(new_maxA-new_minA)

化简得：v’=(v-minA)* (new_maxA-new_minA)/ (maxA-minA)+ new_minA

6.已知一维数据集X={-5.0 , 23.0 , 17.6 , 7.23 , 1.11},用下述方法对其进行标准化： a) 在[-1,1]区间进行小数缩放。

解：X’={-0.050 ， 0.230 ， 0.176 ， 0.0723 ， 0.0111} b) 在[0,1]区间进行最小－最大标准化。

解：X’={0 , 1 , 0.807 ， 0.437 ， 0.218 } c) 在[-1,1]区间进行最小－最大标准化。

解：X’={-1 , 1 , 0.614 , -0.126 , 0.564} d) 标准差标准化。

解：mean=8.788