数据挖掘习题及解答完美版.docVIP

Data Mining Take Home Exam 学号: xxxx 姓名: xxx 1. （20分）考虑下表的数据集。 顾客ID 性别 车型 衬衣尺码 类 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 男 男 男 男 男 男 女 女 女 女 男 男 男 男 女 女 女 女 女 女 家用 运动 运动 运动 运动 运动 运动 运动 运动 豪华 家用 家用 家用 豪华 豪华 豪华 豪华 豪华 豪华 豪华 小 中 中 大 加大 加大 小 小 中 大 大 加大 中 加大 小 小 中 中 中 大 C0 C0 C0 C0 C0 C0 C0 C0 C0 C0 C1 C1 C1 C1 C1 C1 C1 C1 C1 C1 （1）计算整个数据集的Gini指标值。 （2）计算属性性别的Gini指标值 （3）计算使用多路划分属性车型的Gini指标值 （4）计算使用多路划分属性衬衣尺码的Gini指标值 （5）下面哪个属性更好，性别、车型还是衬衣尺码？为什么？ 解：（1） 类 顾客 c0 10 c1 10 Gini=1-(10/20)^2-(10/20)^2=0.5 (2) 性别 男 女 c0 6 4 c1 4 6 Gini=[{1-(6/10)^2-(4/10)^2}*1/2]*2=0.48 (3) 车型 家用 运动 豪华 c0 1 8 1 c1 3 0 7 Gini={1-(1/4)^2-(3/4)^2}*4/20+{1-(8/8)^2-(0/8)^2}*8/20+{1-(1/8)^2-(7/8)^2}*8/20=26/160=0.1625 (4) 尺码 小 中 大 加大 c0 3 3 2 2 c1 2 4 2 2 Gini={1-(3/5)^2-(2/5)^2}*5/20+{1-(3/7)^2-(4/7)^2}*7/20+[{1-(2/4)^2-(2/4)^2}*4/20]*2=8/25+6/35=0.4914 (5) 比较上面各属性的Gini值大小可知，车型划分Gini值0.1625最小，即使用车型属性更好。 2. （20分）考虑下表中的购物篮事务数据集。 顾客ID 事务ID 购买项 1 1 2 2 3 3 4 4 5 5 001 0024 0012 0031 0015 0022 0029 0040 0033 0038 {a,d,e} {a,b,c,e} {a,b,d,e} {a,c,d,e} {b,c,e} {b,d,e} {c,d} {a,b,c} {a,d,e} {a,b,e} (1) 将每个事务ID视为一个购物篮，计算项集{e}，{b,d} 和{b,d,e}的支持度。 （2）使用（1）的计算结果，计算关联规则 {b,d}→{e}和{e}→{b,d} 的置信度。 （3）将每个顾客ID作为一个购物篮，重复（1）。应当将每个项看作一个二元变量（如果一个项在顾客的购买事务中至少出现一次，则为1，否则，为0）。 （4）使用（3）的计算结果，计算关联规则{b,d}→{e}和{e}→{b,d} 的置信度。 答：（1）由上表计数可得{ｅ}的支持度为8/10=0.8；{ｂ，ｄ}的支持度为2/10=0.2；｛b,d,e｝的支持度为2/10=0.2。 （2）c[{b,d}→{e}]=2/8=0.25; c[{e}→{b,d}]=8/2=4。 （3）同理可得：{e}的支持度为4/5=0.8，{b,d}的支持度为5/5=1， {b,d,e}的支持度为4/5=0.8。 （4）c[{b,d}→{e}]=5/4=1.25，c[{e}→{b,d}]=4/5=0.8。 3. （20分）以下是多元回归分析的部分R输出结果。 ls1=lm(y~x1+x2) anova(ls1) Df Sum Sq Mean Sq F value Pr(F) x1 1 10021.2 10021.2 62.038 0.0001007 *** x2 1 4030.9 4030.9 24.954 0.0015735 ** Residuals 7 1130.7 161.5 ls2-lm(y~x2+x1) anova(ls2) Df Sum Sq Mean Sq F value Pr(F) x2 1 3363.4 3363.4 20.822 0.002595 ** x1 1 10688.7