数据挖掘习题及解答-完美版.docVIP

DataMiningTakeHomeExam

学号:xxxx姓名:xxx

1.（20分）考虑下表的数据集。

顾客ID

性别

车型

衬衣尺码

类

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

男

男

男

男

男

男

女

女

女

女

男

男

男

男

女

女

女

女

女

女

家用

运动

运动

运动

运动

运动

运动

运动

运动

豪华

家用

家用

家用

豪华

豪华

豪华

豪华

豪华

豪华

豪华

小

中

中

大

加大

加大

小

小

中

大

大

加大

中

加大

小

小

中

中

中

大

C0

C0

C0

C0

C0

C0

C0

C0

C0

C0

C1

C1

C1

C1

C1

C1

C1

C1

C1

C1

（1）计算整个数据集的Gini指标值。

（2）计算属性性别的Gini指标值

（3）计算使用多路划分属性车型的Gini指标值

（4）计算使用多路划分属性衬衣尺码的Gini指标值

（5）下面哪个属性更好，性别、车型还是衬衣尺码？为什么？

解：（1）

类

顾客

c0

10

c1

10

Gini=1-(10/20)^2-(10/20)^2=0.5

(2)

性别

男

女

c0

6

4

c1

4

6

Gini=[{1-(6/10)^2-(4/10)^2}*1/2]*2=0.48

(3)

车型

家用

运动

豪华

c0

1

8

1

c1

3

0

7

Gini={1-(1/4)^2-(3/4)^2}*4/20+{1-(8/8)^2-(0/8)^2}*8/20+{1-(1/8)^2-(7/8)^2}*8/20=26/160=0.1625

(4)

尺码

小

中

大

加大

c0

3

3

2

2

c1

2

4

2

2

Gini={1-(3/5)^2-(2/5)^2}*5/20+{1-(3/7)^2-(4/7)^2}*7/20+[{1-(2/4)^2-(2/4)^2}*4/20]*2=8/25+6/35=0.4914

(5)

比较上面各属性的Gini值大小可知，车型划分Gini值0.1625最小，即使用车型属性更好。

2.（20分）考虑下表中的购物篮事务数据集。

顾客ID

事务ID

购买项

1

1

2

2

3

3

4

4

5

5

001

0024

0012

0031

0015

0022

0029

0040

0033

0038

{a,d,e}

{a,b,c,e}

{a,b,d,e}

{a,c,d,e}

{b,c,e}

{b,d,e}

{c,d}

{a,b,c}

{a,d,e}

{a,b,e}

(1)将每个事务ID视为一个购物篮，计算项集{e}，{b,d}和{b,d,e}的支持度。

（2）使用（1）的计算结果，计算关联规则{b,d}→{e}和{e}→{b,d}的置信度。

（3）将每个顾客ID作为一个购物篮，重复（1）。应当将每个项看作一个二元变量（如果一个项在顾客的购买事务中至少出现一次，则为1，否则，为0）。

（4）使用（3）的计算结果，计算关联规则{b,d}→{e}和{e}→{b,d}的置信度。

答：（1）由上表计数可得{ｅ}的支持度为8/10=0.8；{ｂ，ｄ}的支持度为2/10=0.2；｛b,d,e｝的支持度为2/10=0.2。

（2）c[{b,d}→{e}]=2/8=0.25;c[{e}→{b,d}]=8/2=4。

（3）同理可得：{e}的支持度为4/5=0.8，{b,d}的支持度为5/5=1，{b,d,e}的支持度为4/5=0.8。

（4）c[{b,d}→{e}]=5/4=1.25，c[{e}→{b,d}]=4/5=0.8。

3.（20分）以下是多元回归分析的部分R输出结果。

ls1=lm(y~x1+x2)

anova(ls1)

DfSumSqMeanSqFvaluePr(F)

x1110021.210021.262.0380.0001007***

x214030.94030.924.9540.0015735**

Residuals71130.7161.5

ls2-lm(y~x2+x1)

anova(ls2)

DfSumSqMeanSqFvaluePr(F)

x213363.43363.420.8220.002595**

x1110688.7