韩家炜-数据挖掘：概念与技术-第2章ppt教学提纲.pptxVIP

第二章 了解你的数据2014.10目录2.1 数据对象和属性类型2.2 数据的基本统计描述2.3 数据可视化2.4 衡量数据相似性和相异性2.5 总结2.1 Data Objects and Attribute Types2.1.1 What is an Attribute?2.1.2 Nominal Attributes2.1.3 Binary Attributes2.1.4 Ordinal Attributes2.1.5 Numeric Attributes2.1.6 Discrete versus Continuous Attributes2.2 Basic Statistical Desciptions of Data2.3 Data Visualization2.4 Measuring Data Similarity and Dissimilarity2.5 Summary2.1 数据对象和属性类型 数据集是由数据对象构成的。一个数据对象表示一个实体——在销售数据库中，对象可以是顾客、商品或者销售记录。在医学数据库中，数据对象可以是病人。在大学数据库中，数据对象可以是学生、教授和课程。 数据对象用属性来描述。 数据对象可以是一个抽样、举例、实例、数据点或者对象。如果数据对象存放在数据库中，它们是数据元组。即数据库中行对应数据对象，列对应于属性。2.1.1 什么是属性？ 一个属性是一个域，表示一个数据对象的一个特征。 “属性”、“维度”、“特征”和“变量”这些词在语义上是可交换的。“维度”通常被用在数据仓库中，机器学习中倾向于使用“特征”；统计学倾向使用“变量”，数据挖掘和数据库经常使用“属性”。 属性描述一个顾客对象，如：顾客ID,姓名，地址。 对给定的属性的可观察值被称为观察。刻画一个给定对象的属性集合被称为属性向量（或特征向量）。 包含单个属性的数据分布被称为单变量的分布；包含2个属性的被称为二变量的分布。 属性的类型是有属性可取的值决定的，有名词、二进制型、顺序值或者数值类型。2.1.2 名词属性 名词属性的值是事物的标号或者名称。每一个值表示类别、编码或者状态。因此名词属性被称为是分类。值没有次序信息。在计算机领域，也可以称为枚举型。 举例如：发色和婚姻状态。发色可以是黑色，棕色，红色，灰色，白色。婚姻状态可以是单身、已婚、离异或者丧偶。这些都是名词属性。 尽管名词属性是标号或者名称，但也可以是数值的表示形式。比如，发色，可以用0表示黑色，1表示棕色等。顾客ID可以是数字。但是，在这种情况，数字并不被当成数值来使用。 因为名词属性不包含任何顺序信息也非数值型，所以不用终止或者平均数去衡量这类属性。可以使用属性最多出现的值，“众数”来做中心性测量。2.1.2 二进制属性 二进制属性是只有两个类别或状态：0和1.0一般表示属性缺失，1表示存在。二进制属性也即bool型，两个状态表示真和假。 举例。如，病人对象的吸烟属性，1表示吸烟，0表示不吸烟。再比如，病人的某个医学检查结果有两种情况。1表示结果为阳性，0表示为阴性。 如果二进制属性的两个状态是同等有价值的具有相同的权重，则为对称的。2个属性被标为1或者0都可以，比如性别属性的两个值男和女。 如果两个状态不是同等重要的，则为非对称的。比如HIV检查的结果呈阴性和阳性。通常，用1表示更重要的通常是更稀少的结果，其他的用0表示。2.1.4 次序属性 次序属性具有次序或者级别的意义。但是相邻值的级别未知。举例：例如饮料尺寸，可以是“小杯”，“中杯”，“大杯”。值有顺序的意义，但是不能分辨中杯比大杯大多少。再比如，成绩等级A+, A,A-,B+职称：助理，副教授，教授 次序属性被用来衡量无法客观衡量的属性，用主观的评估定质量。在调查中常用来排序。比如，参与者作为顾客，他们的满意度可以是：0：非常不满意，1 有点不满意，2 中立 3 满意 4 很满意 把数值数据离散化，把它们按照值的范围分类，也可以得到次序属性的数据。 次序属性的中心性可以用众数和中值来衡量，但是不能计算平均数。 名词属性、二进制属性和次序属性都是定性的。它们在描述一个对象的特征时不给出具体的尺寸和数量。值通常是一个词表示类别，即使以整数的方式表现，也不是表示数量。2.1.5 数值型属性数值型属性是定量的，是可测量的数值，为整数或实数。分为间隔尺度和比例尺度。间隔尺度属性 间隔尺度使用同等大小的单元来衡量。间隔尺度属性有大小，可以是正，0或者负值。除了能对属性值排序，还可以比较和衡量不同值的差值大小。 举例：温度属性是间隔尺度。20摄氏度高于15摄氏度。日历也是间隔尺度，以及年份。 Celsius和Fahrenhet是两个温度，没有绝对0点，并且我们能计算温度的差值，但是不能说一个值是另一个值的多少倍，