数据仓库与数据挖掘技术-试题答案.pdf

?

(1)现实世界的数据是杂乱的，数据多了什么问题会浮现。数据库极易受到噪音数据(包

含错误或者孤立点)、遗漏数据(有些感兴趣的属性缺少属性值或者仅包含会萃数据)和不

一致数据(在编码或者命名上存在差异)的侵扰，因为数据库太大，往往多达几G或者

更多。进行数据预处理，提高数据质量，从而提高挖掘结果质量。

(2)数据预处理主要包括：数据清理：去除数据中的噪音、纠正不一致；数据集成：将

数据由多个源合并成一致的数据存储，如数据仓库或者数据方；数据交换：规范化或者会萃

可以改进涉及距离度量的挖掘算法精度和有效性；数据归约：通过会萃、删除冗余特征或

者聚类等方法来压缩数据。数据离散化：属于数据归约的一部份，通过概念分层和数据的

离散化来规约数据，对数字型数据特殊重要。

监督学习(Supervisedlearning)是通过发现数据属性和类别属性之间的关联模式，并通

过利用这些模式来预测未知数据实例的类别属性。监督学习又称为分类Classification或者归

纳学习InductiveLearning。

无监督学习(Unsupervisedlearning)即聚类技术。在一些应用中，数据的类别属性是缺

失的，用户希翼通过浏览数据来发现其的某些内在结构。聚类就是发现这种内在结构的技术。

雪花模式与星形模式不同在于：雪花模式的维表可能是规范化形式，以便减少冗余。这种

表易于维护，并节省存储空间，因为当维结构作为列包含在内时，大维表可能非常大。然而，

与巨大的事实表相比，这种空间的节省可以忽略。此外，由于执行查询更多的连接操作，雪

花结构可能降低浏览的性能。这样系统的性能可能受影响。因此，在数据仓库设计中，雪花

模式不如星形模式流行。

三

答：(1)所有频繁项集为：[E,K,O][K,M][K,Y]

(2)关联规则:

[O]-[E,K]1.0

[E,O]-[K]1.0

[K,O]-[E]1.0

[M]-[K]1.0

[Y]-[K]1.0

答：

a)决策树表示一种树型结构，它由它的分来对该类型对象依靠属性进行分类。每一个决策

树可以依靠对源数据库的分割进行数据测试。这个过程以递归的方式对树进行修剪。

当不能再分割时，递归完成。因此决策树不会无限循环。

b)0

c)size

d)Children,SIN,class

publicclassBayesClassifier

{

privateTrainingDataManagertdm;//训练集管理器

privateStringtrainnigDataPath;//训练集路径

privatestaticdoublezoomFactor=10.0f;

/**

*默认的构造器，初始化训练集

*/

publicBayesClassifier()

{

tdm=newTrainingDataManager();

}

/**

*计算给定的文本属性向量X在给定的分类Cj中的类条件概率

*codeClassConditionalProbability/code连乘值

*@paramX给定的文本属性向量

*@paramCj给定的类别

*@return分类条件概率连乘值，即br

*/

floatcalcProd(String[]X,StringCj)

{

floatret=1.0F;

//类条件概率连乘

for(inti=0;iX.length;i++)

{

StringXi=X[i];

ret*=ClassConditionalProbability.calculatePxc(Xi,Cj)*zoomFactor;

}

//再乘以先验概率

ret*=PriorProbability.calculatePc(Cj);

returnret;

}

/**

*去掉停用词

*@paramtext给定