2025年数据挖掘工程师必备题库与实战演练集锦.doc

填空題

Ｗeb挖掘可分為、和3大类。

数据仓库需要统一数据源,包括统一、统一、统一和统一数据特性4个方面。

数据分割一般准時间、、、以及组合措施进行。

噪声数据处理的措施重要有、和。

数值归约的常用措施有、、、和对数模型等。

评价关联规则的２个重要指标是和。

多维数据集一般采用或雪花型架构，以表為中心,连接多种表。

决策树是用作為結点，用作為分支的树构造。

关联可分為简朴关联、和。

BP神经网络的作用函数一般為区间的。

数据挖掘的过程重要包括确定业务对象、、、及知识同化等几种环节。

数据挖掘技术重要波及、和3个技术领域。

数据挖掘的重要功能包括、、、、趋势分析、孤立点分析和偏差分析７个方面。

人工神经网络具有和等特点,其构造模型包括、和自组织网络3种。

数据仓库数据的4个基本特性是、、非易失、随時间变化。

数据仓库的数据一般划分為、、和等几种级别。

数据预处理的重要内容(措施）包括、、和数据归约等。

平滑分箱数据的措施重要有、和。

数据挖掘发現知识的类型重要有广义知识、、、和偏差型知识五种。

OLAP的数据组织方式重要有和两种。

常見的OＬAP多维数据分析包括、、和旋转等操作。

老式的决策支持系统是以和驱动,而新决策支持系统则是以、建立在和技术之上。

ＯLAP的数据组织方式重要有和２种。

SQLＳeｒｖｅｒ的OＬAP组件叫,OLAP操作窗口叫。

ＢP神经网络由、以及一或多种結点构成。

遗传算法包括、、3个基本算子。

聚类分析的数据一般可分為区间标度变量、、、、序数型以及混合类型等。

聚类分析中最常用的距离计算公式有、、等。

基于划分的聚类算法有和。

Clemenｔiｎe的工作流一般由、和等节点连接而成。

简朴地說，数据挖掘就是从中挖掘的过程。

数据挖掘有关的名称尚有、、等。

判断題

数据仓库的数据量越大,其应用价值也越大。

啤酒与尿布的故事是聚类分析的经典实例。

等深分箱法使每个箱子的记录个数相似。

数据仓库“粒度”越细,记录数越少。

数据立方体由3维构成，Z轴表达事实数据。

决策树措施一般用于关联规则挖掘。

ID３算法是决策树措施的初期代表。

C4.５是一种经典的关联规则挖掘算法。

回归分析一般用于挖掘关联规则。

人工神经网络尤其适合处理多参数大复杂度问題。

概念关系分析是文本挖掘所独有的。

可信度是对关联规则的精确度的衡量。

孤立点在数据挖掘時总是被视為异常、无用数据而丢弃。

ＳQLSeｒver不提供关联规则挖掘算法。

Clementiｎe是ＩBM企业的专业级数据挖掘软件。

决策树措施尤其适合于处理数值型数据。

数据仓库的数据為历史数据，历来不需要更新。

等宽分箱法使每个箱子的取值区间相似。

数据立方体是广义知识发現的措施和技术之一。

数据立方体的其中一维用于记录事实数据。

决策树一般用于分类与预测。

Apriori算法是一种经典的关联规则挖掘算法。

支持度是衡量关联规则重要性的一种指标。

SQLSerｖer集成了OLAP,但不具有数据挖掘功能。

人工神经网络常用于分类与预测。

名詞解释

数据仓库：是一种新的数据处理体系构造，是面向主題的、集成的、不可更新的(稳定性)、随時间不停变化（不一样步间）的数据集合,為企业决策支持系统提供所需的集成信息。

孤立点：指数据库中包括的某些与数据的一般行為或模型不一致的异常数据。

ＯLＡP:OLAＰ是在OLＴＰ的基础上发展起来的,以数据仓库為基础的数据分析处理,是共享多维信息的迅速分析，是被专门设计用于支持复杂的分析操作，侧重对分析人员和高层管理人员的决策支持。

粒度：指数据仓库的数据单位中保留数据细化或综合程度的级别。粒度影响寄存在数据仓库中的数据量的大小,同步影响数据仓库所能回答查问询題的细节程度。

数据规范化:指将数据按比例缩放(如更换大单位)，使之落入一种特定的区域(如0－1)以提高数据挖掘效率的措施。规范化的常用措施有:最大－最小规范化、零－均值规范化、小数定标规范化。

关联知识:是反应一种事件和其他事件之间依赖或互相关联的知识。假如两项或多项属性之间存在关联，那么其中一项的属性值就可以根据其他属性值进行预测。

数据挖掘：从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人們事先不懂得的、但又是潜在有用的信息和知识的过程。

OLTＰ：OＬTP為联机事务处理的缩写，OLＡP是联机分析