数据挖掘概念与技术第二章.pptVIP

总体方差(population variance) : 样本方差（sample variance): 本文档共52页；当前第29页；编辑于星期三\8点17分 两个均值一样，但右边的要“胖”些，方差为左边的一倍 本文档共52页；当前第30页；编辑于星期三\8点17分 标准差（Standard deviation) 本文档共52页；当前第31页；编辑于星期三\8点17分 如何用图来表示数据？ 本文档共52页；当前第32页；编辑于星期三\8点17分 本文档共52页；当前第33页；编辑于星期三\8点17分 直方图 本文档共52页；当前第34页；编辑于星期三\8点17分 本文档共52页；当前第35页；编辑于星期三\8点17分 盒型图 本文档共52页；当前第36页；编辑于星期三\8点17分 茎叶图 其中茎叶图中茎的单位为10cm，而叶子单位为1cm。比如，由于第一行茎为150cm，因此叶子中的九个数字001223344代表九个数目150、150、151、152、152、153、153、154、154cm等。每行左边有一个频数（比如第一行有9个数目，第二行有17个等等）；可以看出最长的一行为从165cm到169cm的一段（有35个数）。 本文档共52页；当前第37页；编辑于星期三\8点17分 数据挖掘-数据的统计分析基础 张洪祥 本文档共52页；当前第1页；编辑于星期三\8点17分 在统计学中,数据按变量值是否连续可分为连续数据与离散数据两种. 连续数据又称连续变量：在一定区间内可以任意取值的数据叫连续数据，其数值是连续不断的，相邻两个数值可作无限分割,即可取无限个数值。 所谓离散型数据，又称计数型：就是数据可以经过观测而知的，间断性的、可一个一个计算的 本文档共52页；当前第2页；编辑于星期三\8点17分 统计学的分类 1、描述性统计学（descriptive statistics): 用局部数据或者不完整数据中指标性数字来表示所有数据。 2、推论统计学（inferential statistics):用（样本）数据来对（总体）事物做结论。 本文档共52页；当前第3页；编辑于星期三\8点17分 数据的中心（集中）趋势度量： 数据的度量散布： 数据的基本统计描述 本文档共52页；当前第4页；编辑于星期三\8点17分 中心趋势度量：均值（mean) 本文档共52页；当前第5页；编辑于星期三\8点17分 本文档共52页；当前第6页；编辑于星期三\8点17分 中心趋势度量：中位数（median) 本文档共52页；当前第7页；编辑于星期三\8点17分 中心趋势度量：众数（mode)、中列数（midrange) 本文档共52页；当前第8页；编辑于星期三\8点17分 本文档共52页；当前第9页；编辑于星期三\8点17分 数据的度量散布-极差、分位数 设X1,X2,…,X是某数值属性X上的观测的集合 。 极差：是该集合中最大值Max()与最小值Min()之差。 分位数：把数据划分成基本上大小相等连贯集合的每一间隔上的点。 本文档共52页；当前第10页；编辑于星期三\8点17分 本文档共52页；当前第11页；编辑于星期三\8点17分 离群点：挑选落在第3个四分位数之上或第1个四分位之下到少1.5*IQR处的值。 五数概括（fiver-number summary)： Minimum、Q1、Median、Q3、Maximum. 数据的度量散布-离群点、五数概括 本文档共52页；当前第12页；编辑于星期三\8点17分 本文档共52页；当前第13页；编辑于星期三\8点17分 数据的标准得分 某观测值xi的标准得分定义为 本文档共52页；当前第14页；编辑于星期三\8点17分 数据的标准得分 在我们的例子中，张颖的标准得分为(90-78.53)/9.43＝1.22，而刘疏的标准得分为(82-70.19)/7＝1.69。 显然如果两个班级平均水平差不多，刘疏的成绩应该优于张颖的成绩；这是在标准化之前的数据中不易看到的。 本文档共52页；当前第15页；编辑于星期三\8点17分 总体(population)是根据研究目的确定的具有相同性质的个体所构成的全体。 样本（sample）是从总体中随机抽取的部分观察单位 抽样(sampling) 指从总体抽取部分个体的过程 样本含量(sample size): 样本所包含观察单位的数目 样本与总体 本文档共52页；当前第16页；编辑于星期三\8点17分 样本的选取应注意什么问题？ 一是要留意样本在总体中是否具有代表性， 二是样本容量必须足够大， 三是注意样本避免遗漏某一群体 一般地，如果从总体中按一定规则抽取n个个体进行观察（或试验