数据挖掘作业答案.docVIP

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 sd=11.523 X’={-1.197 , 1.233 , 0.765 , -0.135 , -0.666} e) 比较上述标准化的结果，并讨论不同技术的优缺点。 解：小数缩放标准化粒度过大(以10为倍数)，但计算简单；最小-最大值标准化需要搜索整个数据集确定最小最大数值，而且最小最大值的专家估算可能会导致标准化值的无意识的集中。标准差标准化对距离测量非常效，但会把初始值转化成了未被认可的形式。 8.已知一个带有丢失值的四维样本。 X1={0,1,1,2} X2={2,1,*,1} X3={1,*,*,-1} X4={*,2,1,*} 如果所有属性的定义域是[0,1,2]，在丢失值被认为是“无关紧要的值”并且都被所给的定义域的所有可行值替换的情况下，“人工”样本的数量是多少？ 解：X1 “人工”样本的数量为 1 X2 “人工”样本的数量为 3 X3 “人工”样本的数量为 9 X4 “人工”样本的数量为 9 所以“人工”样本的数量为1×3×9×9＝243 10．数据库中不同病人的子女数以矢量形式给出： C={3，1，0，2，7，3，6，4，-2，0，0，10，15，6} 应用标准统计参数——均值和方差，找出C中的异常点： mean=3.9286 sd=4.4153 在 3个标准差下的阈值： 阈值=均值±3*标准差=3.928±3*4.4153=[-9.318，17.174] 根据实际情况子女数不可能为负数，所以其范围可缩减为：[0，17.174] C中的异常点有：-2 在 2个标准差下的阈值： 阈值=均值±2*标准差=3.928±2*4.4153=[-4.903，12.758] 根据实际情况子女数不可能为负数，所以其范围可缩减为：[0，12.758] C中的异常点有：-2, 15 11．已知的三维样本数据集X： X=[{1，2，0}，{3，1，4}，{2，1，5}，{0，1，6}，{2，4，3}，{4，4，2}，{5，2，1}，{7，7，7}，{0，0，0}，{3，3，3}]。 在下述条件下用基于距离技术找出异常点： 距离阈值d≥4，非邻点样本的阈值部分p≥3 距离阈值d≥6，非邻点样本的阈值部分p≥2 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X1 4.5826 5.1962 6.1644 3.7417 4.1231 4.1231 10.4881 2.2361 3.742 X2 1.4142 3.6056 3.3166 3.7417 7.7417 7.8102 5.0990 2.236 X3 2.2361 3.6056 4.6904 5.0990 8.0623 5.4772 3.0 X4 4.6904 6.4031 7.1414 9.2736 6.0828 4.690 X5 2.2360 4.1231 7.0711 5.3852 1.414 X6 2.4495 6.5574 6.0 1.732 X7 8.0623 5.4772 3.0 X8 12.124 6.928 X9 5.196 P(d≥4) P(d≥6) X1 6 2 X2 4 2 X3 5 1 X4 7 5 X5 4 1 X6 5 3 X7 7 3 X8 9 9 X9 8 3