数据挖掘概念与技术习题答案第3章.docx

数据挖掘概念与技术（原书第 3 版） 第三章课后习题及解答 习题 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于数据的应用目的，给出例子。提出数据质量的两个其他尺度。 答： 数据的质量依赖于数据的应用。 准确性和完整性：如对于顾客的地址信息数据，有部分缺失或错误，对于市场分析部门，这部分数据有 80%是可以用的，就是质量比较好的数据，而对于需要一家家拜访的销售而言，有错误地址的数据，质量就很差了。 一致性：在不涉及多个数据库的数据时，商品的编码是否一致并不影响数据的质量，但涉及多个数据库时，就会影响。 数据质量的另外三个尺度是时效性，可解释性，可信性。 在现实世界的数据中，某些属性上缺失值得到元组是比较常见的。讨论处理这一问题的方法。 答：对于有缺失值的元组，当前有 6 种处理的方法： 忽略元组：当缺少类标号时通常这么做（假定挖掘任务涉及分类）。除非元组有多个属性缺少值，否则该方法不是很有效。当每个属性缺失值的百分比变化很大时，它的性能特别差。采用忽略元组，你不能使用该元组的剩余属性值。这些数据可能对手头的任务是有利的。 人工填写缺失值：一般来说，该方法很费时，并且当数据集很大、缺失值很多时， 该方法可能行不通。 使用一个全局常量填充缺失值：将缺失的属性值用同一个常量（如“unknown”或 ） 替换。如果缺失值都用“unknown”替换，则挖掘程序可能误以为它们形成了一个有 趣的概念，因为它们都具有相同的值——“unknown”。因此，尽管该方法简单，但 是并不十分可靠。 使用属性的中心度量（如均值或中位数）填充缺失值：第 2 章讨论了中心趋势度量， 它们指示数据分布的“中间”值。对于正常的（对称的）数据分布，可以使用均值， 而倾斜分布的数据则应使用中位数。。 使用与给定元组属同一类的所有样本的属性均值或中位数 使用最可能的值填充缺水值：可以用回归、使用贝叶斯形式化方法的基于推理的工具或决策树归纳确定。 在习题中，属性 age 包括如下值（以递增序）：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. 使用深度为 3 的箱，用箱均值光滑以上的数据。说明你的步骤，讨论这种技术对给定数据的效果。 答：首先将排好序的 age 数据划分到大小为 3 的等频的箱中，如下： 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. 其次用箱均值光滑数据： 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. ，，；，，；21，21，21；24，24，24；，，；，，；35，35，35；，，；56， 56，56 箱均值光滑技术确实使给定的数据光滑了。 如何确定该数据中的离群点 答：可以用聚类来检测离群点。聚类将类似的值组织成群或“簇”，直观的，落在簇之外的值被视为离群点。 还有什么其他方法来光滑数据答：还可以用回归来光滑数据。 讨论数据集成需要考虑的问题。 答：1.实体识别问题；2.冗余和相关分析；3.元组重复；4.数据值冲突的检测与处理。 如下规范化方法的值域是什么 （a）最小 最大规范化 （b）z 分数规范化 （c）z 分数规范化，使用均值绝对偏差而不是标准差 （d）小数定标规范化答： 最小 最大规范化：[指定的最小,最大值] z 分数规范化：( ∞，+∞) z 分数规范化，使用均值绝对偏差而不是标准差：( ∞，+∞) 小数定标规范化：（1 ，1） 使用如下方法规范化如下数据组： 200，300，400，600，1000 （a）另 min=0，max=1，最小 最大规范化 （b）z 分数规范化 （c）z 分数规范化，使用均值绝对偏差而不是标准差 （d）小数定标规范化答： （a）另 min=0，max=1，最小 最大规范化 200 变为 0 300 变为（300200 ）/（1000200 ）*（10 ）+0= 400 变为（400200 ）/（1000200 ）*（10 ）+0= 600 变为（600200 ）/（1000200 ）*（10 ）+0= 1000 变为（1000200 ）/（1000200 ）*（10 ）+0=1 规范化后的数据组为：0，，，，1 （b）z 分数规范化 求得数据组均值为 500，标准差为200 变为 300 变为 400 变为 600 变为 1000 变为 规范化后的数据组为：，，，， （c）z 分数规范化，使用均值绝