数据挖掘_概念与技术(第三版)部分习题答案.docxVIP

1.4 数据仓库和数据库有何不同？有哪些相似之处？ 答：区别：数据仓库是面向主题的，集成的，不易更改且随时间变化的数据集合，用来支持管理人员的决策， 数据库由一组内部相关的数据和一组管理和存取数据的软件程序组成，是面向操作型的数据库，是组成数据仓库 的源数据。它用表组织数据，采用ER 数据模型。 相似：它们都为数据挖掘提供了源数据，都是数据的组合。 1.3定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。 答：特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所有大学的计算机科 学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA：Gradepointaversge)的信息， 还有所修的课程的最大数量。 ??区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如，具有高GPA的学生 的一般特性可被用来与具有低GPA的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有 高GPA的学生的75%是四年级计算机科学专业的学生，而具有低GPA的学生的65%不是。 ??关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统 可能发现的关联规则为：major(X,“computingscience”)?owns(X,“personalcomputer”) [support=12%,confidence=98%]其中，X是一个表示学生的变量。这个规则指出正在学习的学生，12% （支持度）主修计算机科学并且拥有一台个人计算机。这个组一个学生拥有一台个人电脑的概率是98%（置信度， 或确定度）。 ??分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或功能），而后者是建 立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的相似性是他们都是预测的工具： 分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。 ??聚类分析的数据对象不考虑已知的类标号。对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进 行聚类或分组。形成的每一簇可以被看作一个对象类。聚类也便于分类法组织形式，将观测组织成类分 层结构，把类似的事件组织在一起。 ??数据演变分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数据的特征化、区分、 关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分析、序列或周期模式匹配、和基于相 似性的数据分析 2.3假设给定的数据集的值已经分组为区间。区间和对应的频率如下。 ――――――――――――――――――――――――――――――――――――― 年龄频率 ――――――――――――――――――――――――――――――――――――― 1~5200 5~15450 15~20300 20~501500 50~80700 80~11044 ――――――――――――――――――――――――――――――――――――― 计算数据的近似中位数值。 解答：先判定中位数区间：N=200+450+300+1500+700+44=3194；N/2=1597 ∵200+450+300=95015972450=950+1500； ∴20~50 对应中位数区间。 ∴median=32.97 岁。 2.2假定用于分析的数据包含属性age。数据元组的age值（以递增序）是：13，15，16，16，19，20，20，21， 22，22，25，25，25，25，30，33，33，35，35，35，35，36，40，45，46，52，70。答：(a)该数据的均值是什么？中位数是什么？ 均值=(13+15+16+16+19+20+20+21+22+22+25+25+25+25+30+33+33+35+35+35+35+36+40+45+46+52+70)/27 =29.96 中位数应是第14个,即x14=25=Q2。 该数据的众数是什么？讨论数据的峰（即双峰、三峰等）。 这个数集的众数有两个：25和35,发生在同样最高的频率处,因此是双峰众数。 数据的中列数是什么？ 数据的中列数是最大数和最小数的均值。即：midrange=(70+13)/2=41.5。 你能（粗略地）找出数据的第一个四分位数（Q1）和第三个四分位数（Q3）吗？ 数据集的第一个四分位数应发生在25%处，即在(N+1)/4=（27+1）/4=7处。所以：Q1=20。而第三个四分位数应发生在75%处,即在3×(N+1)/4=21处。所以：Q3=35 给出数据的五数概括。 一个数据集的分布的5数概括由最小值、第一个四分位数、中位