金融数据挖掘与商务智能题

浙江理工大学硕士学位论文终端营销的数据挖掘与商务智能

目录

摘要........................................................................................................................... I Abstract ......................................................................................................................... I II 第1章绪论 .. (1)

1.1 研究背景 (1)

1.2 研究意义 (1)

1.3 国内外研究现状及发展动态 (1)

1.3.1 数据挖掘国内外研究现状及趋势 (1)

1.3.2 商务智能国内外研究现状及趋势 (4)

1.4 论文研究内容和框架 (4)

1.4.1 论文研究内容 (4)

1.4.2 论文框架 (5)

1.5 本章小结 (5)

第2章商务智能与数据挖掘相关理论 (6)

2.1 商务智能的含义 (6)

2.2 数据挖掘的含义 (6)

2.3 数据挖掘的几种主要技术算法 (7)

2.3

第6章 数据挖掘与商务智能技术

2012-3-4

6.1 商务智能概述6.1.1 商务智能技术的发展商务智能的定义商务智能是指透过资料的萃取、整合及分析， 商务智能是指透过资料的萃取、整合及分析，支持决 策过程的技术和商业处理流程， 策过程的技术和商业处理流程，其目的是为了使使用 者能在决策的时候，尽可能得到更好的协助。 者能在决策的时候，尽可能得到更好的协助。 商务智能是运用数据仓库、 商务智能是运用数据仓库、在线分析和数据挖掘技术 来处理和分析数据的技术， 来处理和分析数据的技术，它允许用户查询和分析数 据库，进而得出影响商业活动的关键因素，最终帮助 据库，进而得出影响商业活动的关键因素， 用户做出更好、更合理的决策。 用户做出更好、更合理的决策。

2/29 ©&® by H. Q. Feng, CUFE

6.1 商务智能概述(续) 商务智能概述(6.1.1 商务智能技术的发展(续) 商务智能技术的发展(商务智能的定义( 商务智能的定义(续)商务智能是通过利用多个数据源的信息以及应用经验 和假设，来促进对企业动态性的准确理解， 和假设，来促进对企业动态性的准确理解，以便提高 企业决策能力的一组概念、方法和过程的集合。

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(cl

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——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 ：

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。

经典的大学统计学教授制作的课件(共分为12章,已全部上传)：广义定义把传统的统计方法包括进来;狭义定义只强调自动的、粗略的方法,例如查询(使用SQL)。有人称之为数据挖掘,有人称之为信息挖掘,还有人称之为数据库上的知识发现(KDD)。

经典的大学统计学教授制作的课件(共分为12章,已全部上传)：广义定义把传统的统计方法包括进来;狭义定义只强调自动的、粗略的方法,例如查询(使用SQL)。有人称之为数据挖掘,有人称之为信息挖掘,还有人称之为数据库上的知识发现(KDD)。

经典的大学统计学教授制作的课件(共分为12章,已全部上传)：广义定义把传统的统计方法包括进来;狭义定义只强调自动的、粗略的方法,例如查询(使用SQL)。有人称之为数据挖掘,有人称之为信息挖掘,还有人称之为数据库上的知识发现(KDD)。

经典的大学统计学教授制作的课件(共分为12章,已全部上传)：广义定义把传统的统计方法包括进来;狭义定义只强调自动的、粗略的方法,例如查询(使用SQL)。有人称之为数据挖掘,有人称之为信息挖掘,还有人称之为数据库上的知识发现(KDD)。

经典的大学统计学教授制作的课件(共分为12章,已全部上传)：广义定义把传统的统计方法包括进来;狭义定义只强调自动的、粗略的

┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 装 ┊ ┊ ┊ ┊ ┊ 订 ┊ ┊ ┊ ┊ ┊ 线 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊

第12章 文本数据挖掘与Web挖掘技术

第1节 文本挖掘概述

1.1 文本挖掘的出现

在现实世界中，我们面对的数据大都是文本数据，这些数据是由各种数据源（如新闻文章、研究论文、书籍、数字图书馆、电子邮件和Web页面等）的大量文档组成。所以，随着文档信息量的飞速增长，文本数据的数据量也急剧地增长。

文本数据是所谓的半结构化数据（Semi-Structure Data），它既不是完全无结构的也不是完全结构化的。如，文档可能包含结构字段，比如：标题、作者、出版日期、长度、分类等，也可能包含大量的非结构化的文本，如摘要和内容。

文本挖掘（Text Mining），国外有人称之为文本数据挖掘（Text Data Mining）和文本分析（Text Analysis）。文本挖掘一词大约出现于1998年4月在欧洲举行的第十届机器学习会议上，组织者 Kodratoff明确地定义了文本挖掘的概念，并分清它与“信息检索”的不同点和共同点。Kodratoff认为，文本挖掘的目的是从文档集合中

《数据仓库与数据挖掘》作业3

(2015年5月11日前完成)

基本概念（5分）

一、有一销售管理系统，存在如下实体：客户、地区、商品、订单、订单明细，

其具体情况如下：

客户：属性包括：客户编码、客户名称、联系地址 地区：属性包括：地区编号、地区名称 商品：属性包括：商品编号、商品名称、规格

订单：属性包括：订单编号、订单日期、交货日期、订单总金额 订单明细：订单明细号、单价、数量

其语义是：一个客户只属于一个地区，一个地区有多个客户；一个客户可以有多个订单，一个订单只属于一个客户；一个订单有多个订单明细项，一个明细项只属于一个订单；一个明细中只包含一种商品，一种商品可以属于多个订单明细。

1、画出上述系统的E-R图。

2、将E-R图转化为逻辑模型，并标明其主码和外码。（要求一对多的联系合并） 3、根据你建立的逻辑模型，以合理的方式补充数据。

数据仓库建设方案（20分）

二、根据题一所示业务系统结构和数据，构建一个OLAP系统，请：

1、按照星形模型建立数据仓库结构，使之能够分别按地区、商品、日期进行联

机分析处理。

2、写出从业务系统中将数据导入数据仓库的算法。

3、结合上课实例，编写出能按不同维度进行多维分析的程序代码（有界面）。