数据仓库与数据挖掘技术试题答案.docxVIP

数据仓库与数据挖掘技术 答案 一、简答 1 .为什么需要对数据进行预处理？数据预处理主要包括哪些工作（需要对数据进行哪些方面 预处理）？ （1） 现实世界的数据是杂乱的，数据多了什么问题会出现。数据库极易受到噪音数据（包 含错误或孤立点）、遗漏数据（有些感兴趣的属性缺少属性值或仅包含聚集数据）和不一致 数据（在编码或者命名上存在差异）的位扰，因为数据库太大，常常多达几G或更多。进 行数据预处理，提高数据质量，从而提高挖掘结果质量。 （2） 数据预处理主要包括：数据清理：去除数据中的噪音、纠正不一致；数据集成：将 数据由多个源合并成一致的数据存储，如数据仓库或数据方；数据交换：规范化或聚集可以 改进涉及距离度量的挖掘算法精度和有效性；数据归约：通过聚集、删除冗余特征或聚类等 方法來压缩数据。数据离散化：属于数据归约的一部分，通过概念分层和数据的离散化來规 约数据，对数字型数据特别重要。 什么叫有监督学习？什么叫无监督学习？ 监督学习（Supervised learning）是通过发现数据属性和类别属性Z间的关联模式，并通 过利用这些模式来预测未知数据实例的类别属性。监督学习又称为分类Classification或归纳 学习 Inductive Learning。 无监督学习（Unsupervisedleaming）即聚类技术。在一些应用中，数据的类别属性是缺 失的,用户希望通过浏览数据来发现其的某些内在结构。聚类就是发现这种内在结构的技术。 3?什么是数据仓库的星形模式？它与雪花模式有何不同？ 雪花模式与星形模式不同在于：雪花模式的维表可能是规范化形式，以便减少冗余。这种 表易于维护，并节省存储空间，因为当维结构作为列包含在内时，大维表可能非常大。然而, 与巨大的事实表相比，这种空间的节省可以忽略。此外，由于执行查询更多的连接操作，雪 花结构可能降低浏览的性能。这样系统的性能可能受影响。因此，在数据仓库设计中，雪花 模式不如星形模式流行。 二、写出伪代码 Inputs: I — {ii,ik} (Instances to be clustered) 7i (Number of clusters) Outputs: C = {c1?…，q} (cluster centroids) m : [ t C (cluster membership) procedure KMeans Set C to initia.1 value (e.g. random selection of I) For eaxzh. ij E I = argmiii distance(ijy c^) End While 7?i has changed For each j G {l. n} Recompute ij as the centroid of = j) End For each ij E P m(ij) = argmin distance^ j^c^) fcc{l .n} End End return C End （15分）一个数据库由下列5个事务（transaction）组成，假设用户指定的 最小支持度为60%,最小置信度为80%o Tir itetris-bon^h t T1OO T2OO T3OO T4OO T5OO {M, O, N? K? E, Y} {D, O? N, K、E, Y } {M, A, K,E} {M. U. C, K, Y} {G O, O, K? I ,E} （1） 基于Apriori算法产生所有的频繁项集； （2） 构造所有的强关联规则。 答:（1）所有频繁项集为:[E, K, 0] [K, M] [K, Y] ⑵关联规则: [0]-[E,K] 1.0 TOC \o 1-5 \h \z [Ez0] - [K] 1.0 [K,0] - [E] 1.0 [M] - [K] 1.0 [Y] - [K] 1.0 (15 分) Why is the Decision Tree Induction algorithm guaranteed to terimnate9 consider the following data table, describnig people, where class* (0 or I) k the class of the examples for training a classifier. 1) Which attribute will be selected by decision tree induction as the root oi tbe tree? d which attribute/attnbutes can be removed, and why? hair location c