(最新完整版)数据挖掘第三版第六章课后习题答案.docVIP

3.1 数据质量可以从多方面评估，包括准确性、完整性和一致性问题。对于以上每个问题，讨论数据质量的评估如何依赖数据的应用目的，给出例子。提出数据质量的其他两个尺度。答：精确性：描述数据是否与其对应的客观实体的特征相一致。 完整性：描述数据是否存在缺失记录或缺失字段。 一致性：描述同一实体的同一属性的值在不同的系统或数据集中是否一致。 数据质量依赖于数据的应用。 对于给定的数据库， 两个不同的用户可能有完全不同的评 估。例如， 市场分析人员可能访问公司的销售事务数据库 （该数据库里面并非是所有的顾客 信息都是可以得到的。 其他数据没有包含在内， 可能只是因为输入时认为是不重要的， 相关 的数据没有记录可能是由于理解错误，或者因为设备故障）， 得到顾客地址的列表。有些地 址已经过时或不正确，但毕竟还有 80%的地址是正确的。市场分析人员考虑到对于目标市 场营销而言， 这是一个大型顾客数据库， 因此对该数据库的准确性还算满意， 尽管作为销售 的经理，你发现数据是不正确的。 另外两种度量尺度： 有效性：描述数据是否满足用户定义的条件或在一定的域值范围内。唯一性：描述数据是否存在重复记录。 3.3 在习题 2.2 中，属性 age 包括如下值（以递增序）： 13、 15、 16、 16、 19、20、 20、21、 22、 22、 22、 25、 25、 25、 25、30、 33、33、 35、 35、 35、 35、 36、 40、 45、 46、 52、 70 (a)使用深度为 3 的箱，用箱均值光滑以上数据。说明你的步骤，讨论这种技术对给定数据 的效果。 答：划分为（等频的）箱： 箱 1： 13、15、 16、16、 19、20、 20、21、 22箱 2： 22、25、 25、25、 25、30、 33、33、 35箱 3： 35、35、 35、36、 40、45、 46、52、 70用箱均值光滑： 箱 1： 18、18、 18、18、 18、18、 18、18、 18 箱 2： 28.1、 28.1、 28.1、 28.1、 28.1、28.1、 28.1、 28.1、28.1 箱 3： 43.78、 43.78、 43.78 、43.78、 43.78、 43.78、 43.7843.78、 43.78、 43.78 分箱方法通过考察数据的“ 近邻” 来光滑有序数据值，进而去掉“ 噪声” ，即去掉被测量的变量的随机误差或方差。 (b) 如何确定该数据的离群点？ 答：可以通过聚类来检测离群点。即将类似的值组织成群或“ 簇” ，直观地，落在簇集合之外的值被视为离群点。 (c) 还有什么方法来光滑数据？ 答：另外的方法是回归： 用函数拟合数据来光滑数据。这种技术被称为回归。线性回归涉及 找出拟合两个属性（或变量）的“ 最佳” 直线，使得一个属性可以用来预测另一个。 3.5 如下规范化方法的值域是什么？ (a)最小 -最大规范化 答： [new_min, new_max] (b)Z 分数规范化 答： [(old_min － mean)/σ ， (old_max － mean)/σ ] (c)Z 分数规范化，使用均值绝对偏差而不是标准差、答： (－∞， +∞) (d) 小数定标规范化答： (－ 1.0,1.0) 3.7 使用习题 3.3 给出的 age 数据，回答以下问题： (a)使用最小 -最大规范化将 age 值 35 变换到 [0.0,1.0] 区间。 答： 35-13/70-13=0.3860 (b) 使用 z 分数规范化变换 age 值 35，其中 age 的标准差为 12.94 岁。 答：均值为 29.67857 计算得 0.4112 (c) 使用小数定标规范化变换 age 值 35 答： 0.35 (d) 指出对于给定的数据，你愿意使用哪种方法。陈述你的理由。 答：我更喜欢用 z 分数规范化，因为 z 分数不受离群点影响 3.9 假设 12 个销售价格记录已经排序，如下所示： 5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215使用如下个方法将它们划分成三个箱。 (a)等频（等深）划分箱 1:5， 10， 11,， 13 箱 2： 15，35， 50，55 箱 3： 72，92， 204， 215 (b) 等宽划分 箱 1： 5,10,11,13,15,35,50 箱 2:55,72,92箱 3:204,215