合肥学院数据仓库与数据挖掘试卷及答案.docxVIP

合肥学院数据仓库与数据挖掘试卷及答案

考试时间：______分钟总分：______分姓名：______

一、简答题（每题5分，共25分）

1.请简述数据仓库（DataWarehouse）与操作型数据库（OperationalDatabase）在目的、数据结构、数据操作等方面的主要区别。

2.在数据仓库的星型模型（StarSchema）中，中心是gì？它有什么特点？与普通维度表相比，事实表（FactTable）通常包含哪些类型的属性？

3.什么是数据挖掘（DataMining）？它通常被描述为一个包含哪些主要步骤的过程？

4.决策树（DecisionTree）是一种常用的分类算法。请简述其基本构建过程（如ID3或C4.5算法所使用的方法）。

5.在进行数据挖掘之前，为什么数据预处理（DataPreprocessing）步骤通常至关重要？请列举至少三种常见的数据预处理任务及其目的。

二、分析题（每题10分，共30分）

6.某电商公司希望分析其用户的购买行为，以进行精准营销。请设计一个简单的星型模型，用于支持这项分析。你需要明确：

*选择一个合适的中心事实表，并说明包含哪些事实属性（例如，产品ID、购买数量、购买金额、购买时间等）。

*设计至少两个维度表（例如，用户维度表、产品维度表），并为每个维度表标识关键维度属性（包括主键属性）。

*简要说明事实表与维度表之间的联系。

7.假设你正在分析一组顾客数据，目标是识别不同的顾客群体（例如，高消费群体、潜力群体、低消费群体）。请说明：

*你会倾向于使用哪种数据挖掘技术来完成这项任务？为什么？

*在应用该技术之前，需要对数据进行哪些主要的预处理步骤？（至少列举两项）

*如何评估你得到的顾客分群结果是否具有实际意义？

8.比较并说明关联规则挖掘（如Apriori算法）与分类算法（如决策树）在解决的问题类型、输出结果、以及通常应用场景方面的主要区别。

三、设计题（共15分）

9.某银行希望利用数据挖掘技术预测现有信用卡客户的流失风险（即客户停止使用该银行信用卡服务）。请设计一个数据挖掘项目的基本流程，包括：

*明确业务目标和要预测的流失状态。

*确定所需的数据源，并列举可能包含的关键数据字段（例如，客户基本信息、账户信息、交易历史、投诉记录等）。

*描述数据准备阶段的主要任务（如数据收集、清洗、集成、变换、规约等）。

*选择合适的数据挖掘技术（分类算法）来构建流失预测模型。

*简述如何评估所构建模型的性能，并说明模型结果如何能被银行用于实际业务决策。

试卷答案

一、简答题

1.答案：数据仓库主要用于支持管理和决策分析（OLAP），数据结构通常为维度模型（如星型、雪花型），数据量大、更新频率低、非易失性。操作型数据库主要用于支持日常交易处理（OLTP），数据结构通常为关系模型，数据量相对较小、更新频率高、数据需实时或准实时可用且易失性。两者在目的、数据结构设计、数据操作模式（分析型vs.事务型）、数据语义一致性要求等方面存在显著差异。

解析思路：考察对数据仓库和操作型数据库核心概念及区别的掌握。需要从用途（分析vs.事务）、数据模型（维度vs.关系）、数据量与频率（大量vs.小量，低频vs.高频）、数据生命周期（非易失vs.易失）等关键维度进行对比。

2.答案：中心是事实表（FactTable）。它通常位于星型模型的外围，包含描述业务流程事实的信息，如度量值（定量数据）和外部键（指向维度表的主键）。其特点是通常包含较多的列（事实属性），但行数较少；度量值是主要的数据，可以进行聚合运算；事实属性多为数值型或日期型。

解析思路：考察对星型模型结构的理解。需要明确中心是事实表，并解释其位置、包含内容（度量值、外部键），以及其结构特点（列多行少、包含度量值、属性类型等）。

3.答案：数据挖掘是从大量数据中发现隐藏的、有意义的信息或模式的过程。通常包含以下主要步骤：数据准备（DataPreparation，包括数据收集、清洗、集成、变换、规约）、数据挖掘（应用算法进行模式发现，如分类、聚类、关联规则、异常检测等）、模式评估（评估发现的模式的有趣性、有用性、可理解性）和知识应用（将评估后的知识集成到业务流程中）。

解析思路：考察对数据挖掘完整生命周期及其主要环节的理解。需要准确列出标准的数据挖掘流程步骤，并简要说明每个步骤的核心任务。

4.答案：决策树的基本构建过程通常采用自顶向下的递归划分方法。从包含所有样