【试题】数据挖掘考试题库.docx

|精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. 何谓数据挖掘？它有哪些方面的功能？ 从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和学问的过程称为数据挖掘；相关的名称有学问发觉、数据分析、数据融合、决策支持等； 数据挖掘的功能包括：概念描述、关联分析、分类与猜测、聚类分析、趋势分析、孤立点分析以及偏差分析等； 何谓粒度？它对数据仓库有什么影响？按粒度组织数据的方式有哪些？ 粒度是指数据仓库的数据单位中储存数据细化或综合程度的级别； 粒度影响存放在数据仓库中的数据量的大小， 同时影响数据仓库所能回答查询问题的细节程度；按粒度组织数据的方式主要有： ① 简洁积累结构 ② 轮转综合结构 ③ 简洁直接结构 ④ 连续结构 简述数据仓库设计的三级模型及其基本内容； 概念模型设计是在较高的抽象层次上的设计，其主要内容包括：界定系统边界和确定主要的主题域； 规律模型设计的主要内容包括：分析主题域、确定粒度层次划分、确定数据分割策略、定义关系模式、定义记录系统； 物理数据模型设计的主要内容包括：确定数据储备结构、确定数据存放位置、确定储备安排以及确定索引策略等；在物理 数据模型设计时主要考虑的因素有 : I/O 存取时间、空间利用率和保护代价等； 提高性能的主要措施有划分粒度、数据分割、合并表、建立数据序列、引入冗余、生成导出数据、建立广义索引等； 在数据挖掘之前为什么要对原始数据进行预处理？ 原始业务数据来自多个数据库或数据仓库，它们的结构和规章可能是不同的，这将导致原始数据特别的杂乱、不行用，即使在同一个数据库中，也可能存在重复的和不完整的数据信息，为了使这些数据能够符合数据挖掘的要求，提高效率和得到清 晰的结果，必需进行数据的预处理； 为数据挖掘算法供应完整、洁净、精确、有针对性的数据，削减算法的运算量，提高挖掘效率和精确程度； 简述数据预处理方法和内容； ① 数据清洗：包括填充空缺值，识别孤立点，去掉噪声和无关数据； ② 数据集成：将多个数据源中的数据结合起来存放在一个一样的数据储备中；需要留意不同数据源的数据匹配问题、数值冲突问题和冗余问题等； ③ 数据变换：将原始数据转换成为适合数据挖掘的形式；包括对数据的汇总、集合、概化、规范化，仍可能需要进行属性的重构； ④ 数据归约：缩小数据的取值范畴，使其更适合于数据挖掘算法的需要，并且能够得到和原始数据相同的分析结果； 简述数据清理的基本内容； ① 尽可能给予属性名和属性值明确的含义； ② 统一多数据源的属性值编码； ③ 去除无用的惟一属性或键值 ( 如自动增长的 id) ； ④ 去除重复属性 ( 在某些分析中，年龄和诞生日期可能就是重复的属性，但在某些时候它们可能又是同时需要的 ) ⑤ 去除可忽视字段 ( 大部分为空值的属性一般是没有什么价值的，假如不去除可能造成错误的数据挖掘结果 ) ⑥ 合理挑选关联字段 ( 对于多个关联性较强的属性， 重复无益， 只需挑选其中的部分用于数据挖掘即可， 如价格、数据、 金额) ⑦ 去掉数据中的噪音、填充空值、丢失值和处理不一样数据； 简述处理空缺值的方法； ① 忽视该记录； ② 去掉属性； ③ 手工填写空缺值； ④ 使用默认值； ⑤ 使用属性平均值； ⑥ 使用同类样本平均值； ⑦ 猜测最可能的值； 常见的分箱方法有哪些？数据平滑处理的方法有哪些？ 分箱的方法主要有： ① 统一权重法 ( 又称等深分箱法 ) ② 统一区间法 ( 又称等宽分箱法 ) ③ 最小熵法 ④ 自定义区间法 数据平滑的方法主要有：平均值法、边界值法和中值法； 何谓数据规范化？规范化的方法有哪些？写出对应的变换公式； 将数据按比例缩放 ( 如更换大单位 ) ，使之落入一个特定的区域（如 0.0 ～1.0 ），称为规范化；规范化的常用方法有： 最大－最小规范化： x 零－均值规范化： x 0小数定标规范化： x＝x /10 α 0 max min ( ( max 0 min 0 ) x0 X  ( x0  min 0 )  min |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. 数据归约的方法有哪些？为什么要进行维归约？ ① 数据立方体集合 ② 维归约 ③ 数据压缩 ④ 数值压缩 ⑤ 离散化和概念分层 维归约可以去掉不重要的属性，削减数据立方体的维数，从而削减数据挖掘处理的数据量，提高挖掘效率； 何谓聚类？它与分类有什么异同？ 聚类是将物理或抽象对象的集合分组成为多个类或簇 (cluster) 的过程，使得在同一个簇中的对象之间具有较高的