数据挖据概念与技术第二章.pptx

数据挖掘概念与技术;2.1 数据对象与属性类型 2.2 数据的基本统计描述 2.3 数据的可视化 2.4 度量数据的相似性和相异性 2.5 小结 ; 数据集是由数据对象构成的。一个数据对象表示一个实体——在销售数据库中，对象可以是顾客、商品或者销售记录。在医学数据库中，数据对象可以是病人。在大学数据库中，数据对象可以是学生、教授和课程。 数据对象用属性来描述。 数据对象可以是一个抽样、举例、实例、数据点或者对象。如果数据对象存放在数据库中，它们是数据元组。即数据库中行对应数据对象，列对应于属性。 ;2.1.1 什么是属性 一个属性是一个域，表示一个数据对象的一个特征。 “属性”、“维度”、“特征”和“变量”这些词在语义上是可交换的。“维度”通常被用在数据仓库中，机器学习中倾向于使用“特征”；统计学倾向使用“变量”，数据挖掘和数据库经常使用“属性”。 属性描述一个顾客对象，如：顾客ID,姓名，地址。 对给定的属性的可观察值被称为观察。刻画一个给定对象的属性集合被称为属性向量（或特征向量）。 ;2.1.2 标称属性 标称属性的值是事物的标号或者名称。每一个值表示类别、编码或者状态。因此标称属性被用来分类。值没有次序信息。在计算机领域，也可以称为枚举型。 举例如：发色和婚姻状态。发色可以是黑色，棕色，红色，灰色，白色。婚姻状态可以是单身、已婚、离异或者丧偶。这些都是标称属性。 ;2.1.3 二元属性 二元属性是一种标称属性，只有两个类别或状态：0或1，其中0表示该属性不出现，而1表示出现。二元属性又称布尔属性，对应true和false。 对 称：两种状态权重相等 性别 非对称：两种状态权重不等相等 疾病化验;2.1.4 序数属性 序数属性的可能值之间具有有意义的序或秩评定，但是相继值之间的差是未知的。 例如饮料尺寸，可以是“小杯”，“中杯”，“大杯”。值有顺序的意义，但是不能分辨中杯比大杯大多少。再比如，成绩等级A+, A,A-,B+；职称：助理，副教授，教授 序数属性可以用来记录不能客观度量的主观质量评估 在调查中??用来排序。比如，参与者作为顾客，他们的满意度可以是：0：非常不满意，1 有点不满意，2 中立 3 满意 4 很满意 ;2.1.5 数值属性 数值型属性是定量的，是可测量的数值，为整数或实数。数值属性可以是区间标度的或比率标度的。 区间标度：用相等的单位度量， 有序，可定量评估 温度（排序 26度与21度年5度） 比率标度：具有故有的零点的数值属性 ，存在倍数，有序，可定量评估 货币量（100元人民币比50元人民币多2倍）;2.1.6 离散属性与连续属性 机器学习通常把属性分成离散的或连续的 离散属性有有限的或者无限可数的值集合，可以用或不用整数表示。例如发色，是否吸烟，医学检查结果，饮料尺寸，都有有限的值，因此是离散的。 如果值不是离散的，则是连续的。数值属性或者连续属性是含义上是一样的。;2.2.1 中心趋势度量：均值，中位数，众数;?;2.2.1 中心趋势度量：均值，中位数，众数 众数：集合中出现最频繁的值，可以是多个 单峰，多峰。 经验关系式;均值，中位数，众数区别 　1、平均数是通过计算得到的，因此它会因每一个数据的变化而变化。　2、中位数是通过排序得到的，它不受最大、最小两个极端数值的影响。部分数据的变动对中位数没有影响，当一组数据中的个别数据变动较大时，常用它来描述这组数据的集中趋势。　3、众数也是数据的一种代表数，反映了一组数据的集中程度．日常生活中诸如“最佳”、“最受欢迎”、“最满意”等，都与众数有关系，它反映了一种最普遍的倾向．;2.2 数据的基本统计描述;2.2.2 度量数据散布：极差，四分位数，方差，标准差和四分位数极差 极差表示的是最大值和最小值的差 分位数是取自数据分布的每隔一定间隔上的点，把数据划分成基本上大小相等的连贯集合。 四分位数;2.2.2 度量数据散布：极差，四分位数，方差，标准差和四分位数极差 ;2.2.2 度量数据散布：极差，四分位数，方差，标准差和四分位数极差 分布的五数概括： Minimum, Q1, Median（Q2）, Q3, Maximum 一个通用的鉴别可疑的离群点的规则是挑选出落在Q3以上或者Q1以下1.5*IQR以上的数据值;2.2.2 度量数据散布：极差，四分位数，方差，标准差和四分位数极差 盒图;2.2.3 数据的基本统计描述的图形显示 1 分位数图：单变量数据分布 2 分位数-分