哈尔滨医科大学《数据挖掘》课后.pptVIP

? 李春权 数据挖掘 哈尔滨医科大学 生物信息科学与技术学院 2012 * ? 李春权 数据挖掘 哈尔滨医科大学 生物信息科学与技术学院 2011 * ? 李春权 数据挖掘 哈尔滨医科大学 生物信息科学与技术学院 2011 * 习题-2： 数据（或属性）的类型有哪几种？怎样区分这些类型？每种类型举一个例子。 标称属性的值只提供足够的信息以___区分__对象. 序数属性的值提供足够的信息确定对象的__序___. 对于比率属性的值，进行_差_和___比率__操作都是有意义的. 摄氏温度、年龄、质量、长度、基因表达量、一号染色体的基因起始位置，它们分别属于什么数据类型。 数据集的类型主要有几类？每种类型又包含哪些具体的数据集子类型。 数据矩阵是一种特殊的记录数据类型。与记录数据类型相比，特殊在哪里？ 目前有100多个代谢通路，如葡萄糖代谢、嘌呤代谢等，那么葡萄糖代谢属于带有对象之间联系的数据还是具有图形对象的数据？ 如下是酵母细胞在多个时间点上的全基因组表达情况。该数据集属于哪种具体的数据集类型？这种数据有什么特点。 噪声和离群点的区别？ 产生遗漏值的原因有哪些?怎样处理遗漏值？ 数据预处理主要有什么方法？ 聚集的主要目的有:数据归约、使数据性质更加稳定、________。 （判断对错！）OMIM数据库中每个疾病已知的疾病基因很少，因此难以利用他们来识别相应的通路。为此我们可以利用特征选择的方法把疾病亚类汇集起来，如肝移植、肾移植、…等疾病，称为器官移植疾病。然后得到较多的基因，再进行识别通路。(错，聚集的方法) 统计学使用抽样是因为__获得__（获得、处理）感兴趣的整个数据集的费用太高、太费时间。数据挖掘使用抽样是因为__处理__（获得、处理）所有的数据的费用太高、太费时间。 已知人类基因有2万个，我们检测了所有1000疾病基因对在通路中的距离，结果发现它们的平均距离（d）很小。但我们不确定这种现象是否是疾病基因特有的。试利用抽样方法来验证这种现象。 连续属性离散化方法主要有_______、_______和_______。 叙述等宽和等频离散化方法的原理。 当数据有一些离群点时，采用均值和标准差进行数据标准化受离群点影响大。这时可用_中位点 和__绝对标准差 代替。 对象之间相似度和相异度测量方法主要有哪些? 明可夫斯基距离 ，当r=1时，该距离称为_城市块距离_。当r=2时，该距离称为__________。 有两个数据对象，他们都是一维的数据（即简单属性），那么当他们是标称、序数、或连续属性时，他们之间的相似度和相异度怎样计算。 如果利用基因表达谱来构建基因相关网络，可以把每个基因当作数据对象，然后计算对象间的表达相关度。那么计算这种相关度可以使用___皮尔森相关系数__测度。阐述你选择这种测度的理由？并叙述怎样利用这种测度来构建网络。（因为是连续的） 疾病的发生、发展与通路密切相关。目前已知的通路有100个。研究人员发现皮肤癌与其中的30个通路相关，中风与其中的20个通路相关。而且这两个疾病共享的通路有10个。选择一种方法计算这两个疾病的相似性值？ SMC = (f11 + f00)/(f01 + f10 + f11 + f00) = (10+60) / (10+20+10+60) = 0.7 J = (f11) / (f01 + f10 + f11) = 10 / (10 + 20 + 10) = 0.25 习题-6 随机森林方法原理 怎样利用多棵决策树来寻找疾病风险基因 随机森林与组合决策方法的异同点 详细阅读组合决策方法论文 组合决策还适用于解决哪些生物学（医学）问题 习题-9 稀疏化的好处 OPOSSUM聚类算法中重要一个步骤是稀疏化，叙述该稀疏化方法 Chameleon算法使用接近性和互连性概念以及簇的局部建模。关键思想是：使用______和______概念，仅当合并后的结果簇______原来的两个簇时，这两个簇才合并。 Jarvis-Patrick（JP）聚类算法首先计算______图，然后使用相似度阈值，稀疏化该图找出稀疏化图的连通分支。 基于SNN密度的聚类不象JP聚类简单地使用域值，然后取______作为簇，基于SNN密度的聚类使用基于SNN密度和_______方法。 SNN密度的优势。