数据挖掘题.doc

贵州大学2013-2014学年第一学期 《数据挖掘》期末考试题 姓名_ __ 专业__应用数学___ 学号_1107010186_ 问题： 一、要求应用SPSS软件对实验数据（六个变量，500个数据）进行如下统计分析： 1、对每一变量数据作直方图与QQ图，选出直方图近似正态分布且QQ图近似直线的变量，视这些变量是随机变量（至少两个），其近似服从正态分布； 以上是对每一变量数据作直方图与QQ图，选出直方图近似正态分布且QQ图近似直线的变量为y2,y3，视这些变量是随机变量,其近似服从正态分布. 对近似服从正态分布的随机变量的分布函数进行假设检验（Kolmogorov–Smirnov方法）； 对于变量y2，P值〉0.05，因此接受原假设，认为符合正态分布，相同的，对于y3，P值〉0.05，因此接受原假设，认为符合正态分布。 3.双尾P值为0.46，在显著性水平0.05下，拒绝原假设，即可以认为， 对x1与y1 的独立性进行假设检验； 对x1（自变量）与y1（因变量）进行一元线性回归分析，建立回归方程，并进行线性性检验； 由上图可知：相关系数R=0.89 拟合优度 调整后的拟合优度=0.006 标准误差估计为：5764.573；所用回归模型F统计量值=3.987 显著性系数=0.46，因此认为这个统计模型有统计意义；建立回归方程为：y1=3.477x1+0.089 对x1（自变量）、x2（自变量）、x3（自变量）与y1（因变量）进行多元线性回归分析，建立回归方程，并进行线性性检验； 2：从“Anova表中，可以看出“模型2”中的“回归平方和”为，“残差平方和”为，总平方和=回归平方和+残差平方和3：根据后面的“F统计量”的概率值为，由于0.01，随着“自变量”的引入，其显著性概率值均远0.01，所以可以拒绝总体回归系数为0的原假设，通过ANOVA方差分析表可以看出“”与“”和“”之间存在着线性关系。 从“系数a” 表中可以看出： 1：多元线性回归方程应该为：=-5229.008+0.17*x1+35.329*x3但是，由于常数项的sig为（0.1) 所以常数项不具备显著性，所以，我们再看后面的“标准系数”，在标准系数一列中，可以看到“常数项”没有数值，已经被剔除 所以：标准化的回归方程为：销售量=-*x1+20.727*x3 分别对来自三个总体（水平）x1、x2、x3的试验数据关于均值相等的假设进行方差分析， 同理对来自三个总体（水平）y1、y2、y3的试验数据进行方差分析; 按六个变量进行变量聚类，以变量的相关系数作为距离度量，分析聚类结果。 近似矩阵表使用平方Euclidean距离计算的，其实质是一个不相似矩阵，其中的数值表示各个样本之间的相似系数，数值越大，表示样本距离越大。聚类表反映的是每一阶段的聚类结果，系数表示的是聚合系数，冰柱图是反映样本聚类情况的图，如果按照设定的类数，在那类的行上从左到右就可以找到各类所包含的样本。 8.7下表由雇员的数据库的训练数据组成。数据已泛化。例如，age“31^35”之间。对于给定的行，count表示department、status、age和salary在该行上具有给定值的元组数。 department Status age salary count sales senior 31……35 46K……50K 30 sales junior 26……30 26K……30K 40 sales junior 31……35 31K……35K 40 systems junior 21……25 46K……50K 20 systems senior 31……35 66K……70K 5 systems senior 26……30 46K……50K 3 systems junior 41……45 66K……70K 3 marketing senior 36……40 46K……50K 10 marketing junior 31……35 41K……45K 4 secretary senior 46……50 36K……40K 4 secretary junior 26……30 26K……30K 6 设status是类标号属性。、 如何修改基本决策树算法，以便考虑每个广义数据元组（即每个行）的count？ 使用修改过的算法，构造给定数据的决策树。 给定一个数据元组，它的属性department、age和salary的值分别为“systems”、“26……30”和“46……50K”。该元组ststus的朴素贝叶斯分类是什么？ 解：本题的类标号