数据挖掘课程复习提纲(40)解析.pdf

数据挖掘课程复习提纲（ 4+0 ） 有关考试题型： 一、选择题（每题 2 分，共 16 分） 二、判断题（每题 1 分，共 10 分) 三、填空题（每空 1 分，共 19 分） 四、简答题（每题 5 分，共 15 分） 五、计算题（每题 10 分，共 40 分） 基本要求：掌握数据预处理、分类、聚类、关联分析、离群点检测的基本方法，及 每类方法的应用场景（每类方法理解、熟悉一个例子）。算法重点掌握 k-means 、 一趟聚类、Appriori 及基于密度的离群点检测方法； 掌握决策树分类 (C4.5 、CART) 、 KNN 分类的基本思想，基于聚类的离群点检测方法的思想。 第一章 绪论 1 数据挖掘的定义 技术层面：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据 中，提取隐含在其中、人们事先不知道的、但又潜在有用的信息和知识的过程。 商业层面：数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量 业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。 2 数据挖掘的任务 预测任务：根据其它属性的值预测特定（目标）属性的值，如回归、分类、异常检测。 描述任务：寻找概括数据中潜在联系的模式，如关联分析、聚类分析、序列模式挖掘。 聚类 (Clustering) 分析 “物以类聚，人以群分”。聚类分析技术试图找出数据集中数据的共性和差异，并将具有 共性的对象聚合在相应的簇中。聚类分析可以帮助判断哪些组合更有意义，聚类分析已广泛应 用于客户细分、定向营销、信息检索等领域。 分类 (Classification) 分析 分类分析就是通过分析示例数据库中的数据，为每个类别做出准确的描述，或建立分析模 型，或挖掘出分类规则，然后用这个分类模型或规则对数据库中的其它记录进行分类。分类分 析已广泛应用于用户行为分析 ( 受众分析 )、风险分析、生物科学等领域。 聚类与分类的区别 聚类问题是无指导的：没有预先定义的类。 分类问题是有指导的：预先定义有类。 关联 (Association) 分析 关联分析是发现特征之间的相互依赖关系，通常是在给定的数据集中发现频繁出现的模式 知识 (又称为关联规则 )。关联分析广泛用于市场营销、事务分析等领域。 离群点 (Outlier) 检测 离群点检测就是发现与众不同的数据。离群点检测已广泛应用于 (商业、金融、保险等领域 ) 欺诈行为的检测，网络入侵检测，反洗钱，犯罪嫌疑人调查，海关、税务稽查等领域。 回归 (Regression)分析 回归分析是确定一个变量与一个或多个变量间相互依赖的定量关系的分析方法，常应用于 风险分析、销售预测、作文自动评分等领域。 序列模式 (Sequential Pattern)挖掘 序列模式挖掘是指分析数据间的前后序列关系，包括相似模式发现、周期模式发现等，应 用于客户购买行为模式预测、 Web 访问模式预测、疾病诊断、网络入侵检测等领域。 6 数据挖掘使用的软件 SPSS Clementine 、SAS Enterprise Miner 、IBM Intelligent Miner 、 SQL Server 2005 ，Oracle DM 等商用软件能够提供常规的挖掘过程和挖掘模式。 Matlab ， Excel(Data mining in Excel: XLMiner) 等提供了数据挖掘模块。 Weka ，RapidMiner(YALE) ，ARMiner 等为开源数据挖掘工具。 7 数据挖掘在商业领域中的应用 (1) 市场营销； (2) 交叉销售与交叉营销； (3) 客户关系管理； (4) 个性化推荐与个性化服务； (5) 风险分析与控制； (6