《数据挖掘》试题与答案.docxVIP

一、解答题（满分30分，每题5分） 怎样理解数据挖掘和知识发现的关系？请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽略的流程，其最 终目标是掌握数据的模式。流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预办理，剔除错误或不一致的数据；然后进行数据简化与变换工作；再经过数据挖掘的技术程序成为模式、做回归解析或找出分类模型；最后经过解释和评论成为有用的信息。 时间序列数据挖掘的方法有哪些，请详细阐述之时间序列数据挖掘的方法有： 1）、确定性时间序列预测方法:关于平稳变化特点的时间序列来说，假设未来行为与现在的行为相关，利用属性现在的值预测将来的值是可行的。比方，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 2）、随机时间序列预测方法:经过建立随机模型，对随机时间序列进行解析， 可以预测未来值。若时间序列是平稳的，可以用自回归(AutoRegressive，简称 AR)模型、移动回归模型(MovingAverage，简称MA)或自回归移动平均(AutoRegressiveMovingAverage，简称ARMA)模型进行解析预测。 3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网 络。由于大量的时间序列是非平稳的，因此特点参数和数据散布随着时间的推移 而变化。假如经过对某段历史数据的训练，经过数学统计模型估计神经网络的各 层权重参数初值，便可能建立神经网络预测模型，用于时间序列的预测。 数据挖掘的分类方法有哪些，请详细阐述之分类方法归结为四各种类： 1）、基于距离的分类方法:距离的计算方法有多种，最常用的是经过计算每个类的中心来完成，在实际的计算中往往用距离来表征，距离越近，相似性越大，距离越远，相似性越小。 。 2）、决策树分类方法:决策树（DecisionTree）的每个内部结点表示在一 个属性上的测试，每个分枝代表一个测试输出，而每个树叶结点代表类或类散布。树的最顶层结点是根结点。 3）、贝叶斯分类方法:设X是类标号未知的数据样本。设H为某种假设，如数据样本X属于某特定的类C。关于分类问题，我们希望确定P(H|X)，即给定察看数据样本X，假设H建立的概率。 4）、规则归纳方法:规则归纳有四种策略：减法、加法，先加后减、先减后加策略。 减法策略：以详细例子为出发点，对例子进行推广或泛化，推广即减除条件（属性值）或减除合取项（为了方便，我们不考虑增加析取项的推广），使推广后的例子或规则不覆盖任何反例。 加法策略：初步假设规则的条件部分为空（永真规则），如果该规则覆盖了反例，则不停地向规则增加条件或合取项，直到该规则不再覆盖反例。 先加后减策略：由于属性间存在相关性，因此可能某个条件的加入会致使前面加入的条件没什么作用，因此需要减除前面的条件。 先减后加策略：道理同先加后减，也是为了办理属性间的相关性。 典型的规则归纳算法有AQ、CN2和FOIL等。 数据挖掘的聚类方法有哪些，请详细阐述之 数据挖掘的聚类方法  : 1）、划分方法（  PartitioningMethods  ）:给定一个有  n个对象的数据集，划分 聚类技术将构造数据k个划分，每一个划分就代表一个簇，kn。也就是说，它 将数据划分为k个簇，而且这k个划分知足下列条件： 每一个簇最少包含一个对象。 每一个对象属于且仅属于一个簇。 关于给定的k，算法首先给出一个初始的划分方法，今后经过屡次迭代的方法改变划分，使得每一次改进之后的划分方案都较前一次更好。 1）、层次聚类:层次聚类方法对给定的数据集进行层次的分解，直到某种条件知足为止。详细又可分为： 凝聚的层次聚类：一种自底向上的策略，首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到某个终结条件被知足。 分裂的层次聚类：采用自顶向下的策略，它首先将所有对象置于一个簇中，然后渐渐细分为越来越小的簇，直到达到了某个终结条件。 层次凝聚的代表是AGNES算法。层次分裂的代表是DIANA算法。 2）密度聚类方法:密度聚类方法的指导思想是，只要一个地域中的点的密 度大于某个域值，就把它加到与之周边的聚类中去。代表算法有：DBSCAN、OPTICS、DENCLUE算法等。 3）其余聚类方法:STING(StatistaicalInformationGrid_basedmethod) 是一种基于网格的多分辨率聚类技术，它将空间地域划分为矩形单元。 STING算法采用了一种多分辨率的方法来进行聚类解析，该聚类