数据挖掘概念与技术第二章.ppt

* 1. 方便抽样（accidental sampling）：指用最容易找到的人或物作为研究对象；优点是简便易行，缺点是样本的代表性差 2. 配额抽样(quota sampling)：是根据总体内有层次性的特点，利用总体内各层的构成比抽取与总体相似的样本 * 3. 主观抽样(purposive sampling)：指研究者依据自己的专业知识和经验以及对调查总体的了解,有意识选取研究对象 4. 网络抽样（network sampling）:利用社会网络的优势和朋友间具有共性的特点来进行抽样 * 检验水准，α（ 犯假阳性错误的概率），如错误地把无效的治疗方案判为有效的危险性，一般错误定为0.05，也可定为0.01。 α越小，所需样本含量越大 检验效能（ 1-β ） ， （β）二类错误出现概率 ， 犯假阴性错误的概率，如错误地把有效的治疗方案判为无效的危险性一般情况β=0.2或0.1或0.05，即80%、90%或95%把握度，把握度高，样本数就大。 * 总体标准差（σ）: σ越大，观察值的变异程度大，所需的样本越大 容许误差的δ：既预计样本统计量和相应总体参数的最大相应误差控制在什么范围，常取可信区间长度之半。在其他条件确定的情况下，容许的误差越小，样本含量大；容许的误差越大，样本含量越小。 总体均值(population mean) : 样本均值（sample mean): 总体方差(population variance) : 样本方差（sample variance): 两个均值一样，但右边的要“胖”些，方差为左边的一倍 直方图 盒型图 茎叶图 其中茎叶图中茎的单位为10cm，而叶子单位为1cm。比如，由于第一行茎为150cm，因此叶子中的九个数字001223344代表九个数目150、150、151、152、152、153、153、154、154cm等。每行左边有一个频数（比如第一行有9个数目，第二行有17个等等）；可以看出最长的一行为从165cm到169cm的一段（有35个数）。 散点图 饼图 条形图 数据的可视化：旨在通过图形表示清晰有效地表达数据 精彩待续 * 在统计学中,数据按变量值是否连续可分为连续数据与离散数据两种. 连续数据又称连续变量：在一定区间内可以任意取值的数据叫连续数据，其数值是连续不断的，相邻两个数值可作无限分割,即可取无限个数值。 所谓离散型数据，又称计数型：就是数据可以经过观测而知的，间断性的、可一个一个计算的 1、描述性统计学（descriptive statistics): 用局部数据或者不完整数据中指标性数字来表示所有数据。 2、推论统计学（inferential statistics):用（样本）数据来对（总体）事物做结论。 数据的中心（集中）趋势度量： 数据的度量散布： 设X1,X2,…,X是某数值属性X上的观测的集合 。 极差：是该集合中最大值Max()与最小值Min()之差。 分位数：把数据划分成基本上大小相等连贯集合的每一间隔上的点。 离群点：挑选落在第3个四分位数之上或第1个四分位之下到少1.5*IQR处的值。 五数概括（fiver-number summary)： Minimum、Q1、Median、Q3、Maximum. 某观测值xi的标准得分定义为 在我们的例子中，张颖的标准得分为(90-78.53)/9.43＝1.22，而刘疏的标准得分为(82-70.19)/7＝1.69。 显然如果两个班级平均水平差不多，刘疏的成绩应该优于张颖的成绩；这是在标准化之前的数据中不易看到的。 总体(population)是根据研究目的确定的具有相同性质的个体所构成的全体。 样本（sample）是从总体中随机抽取的部分观察单位 抽样(sampling) 指从总体抽取部分个体的过程 样本含量(sample size): 样本所包含观察单位的数目 * 一是要留意样本在总体中是否具有代表性， 二是样本容量必须足够大， 三是注意样本避免遗漏某一群体 一般地，如果从总体中按一定规则抽取n个个体进行观察（或试验），则称这n个个体为总体的一个样本（Sample），样本中所含个体的数目n称为样本容量（Sample Size），抽取一个样本的过程称为抽样（Sampling）． 一般地，如果从总体中按一定规则抽取n个个体进行观察（或试验），则称这n个个体为总体的一个样本（Sample），样本中所含个体的数目n称为样本容量（Sample Size），抽取一个样本的过程称为抽样（Sampling）． * 概率抽样法（probability sampling）：调查者用客观、随机的方法抽取样本。 * 1、单纯随机：单纯随机抽样是指将所有的有限总体中的观察