数据分析算法与模型模拟题三附答案

1、、计算题（共4题，100分）1、通过分析关于二手车的相关变量，研究这些变量怎么影响二手车的交易价格。回二手车抽样-预处理.csv收集的数据包含:变量名代表含义数据类型备注yuanjia原价连续变量汽车原价baojia报价连续变汽车报价licheng里程连续变量累计里程数（单位:pailiang排量.L.连续变量发动机单位时间内本量mali最大马力.Ps.连续变量最大动力输出changshang厂商离散变十一分类一一排名®商分别用1-10表示1以外的其他水平cheshen_type车身结构-车类型离散变量四分类一一“SUV”、“三厢”、“MPV”pengzhuang排除重大碰撞离散变排

2、除重大碰撞（0）大碰撞（1）waiguan_xiufu外观修复检查离散变排除外观修复（0）观修复（Dwaiguan_quexian外观缺陷检查离散变排除外观缺陷（0）观缺陷（1）neishi_quexian内饰缺陷检查离散变量排除内饰缺陷（0）饰缺陷（1）shangpaishijian上牌时间连续变量与2017年2月之间（单位：月）对数据进行预处理，分析应采用的模型，写出详细的思路和数据分析过程，用多种方法检验和解释模型，说明模型的实际意义。答案解析：因变量采用车辆报价数据，自变量选择除车辆报价数据之外的其他变量，进行线性回归分析可以看到册I除了三个变量，R方和调整R方都接近1,模型拟合度很好

3、。由于自变量中真皮座椅、外观缺陷、车身类型未通过t检验，因此需要将这三个变量删除后再做线性回归分析，可得：Y=l.1036-0.0646shangpaishijian-0.10641icheng-0.4235biansu+0.8482zhouju-1.0036pailiang+0.0154mali-0.1729tianchuangl+0.7581tianchuan2+0.3974daocheyingxiang-0.5061GPS-0.2864waiguan_xiufu+0.5156yuanjia+0.1665paifang_0.0199changshang模型拟合效果很好，且通过了F检验和t检

4、验，（常数项的t检验可以不通过）可以根据此模型对二手车进行价格评估2、利用Apriori算法，写出下列购物篮数据的频繁项集和强关联规则（设定支持度为2,置信度为0.7）若此购物篮数据为某超市随机选取的7位顾客的交易数据，请结合之前得到的结果为该超市提一些建议。先将给定的数据整理成datahoop关联分析可识别的格式，导入datahoop平台，对变策牛肉、鸡肉、牛奶、奶酪、靴子、衣服进行关联分析。设置最小支持度为2/7=0.286,最小置信度为0,可以得到频繁项集（删除垂旦）.设置最小支持数为2/7=0.286、最小置信度=0.7,可以得到提升度X的有效强关联规则（删除单项）解答：首先对原数据进

5、行预处理至ABcDEFG顾客ID购买项abcde品&eTFFTT|1相,bjeTTTFT!2同百TTFTT；|2相jGUHTFTTT|3foc；eFTTFT!3hd同FTFTT!4fcd)FFTTF!4同b©TTTFF|5d间TFFTT|5ab同TTFFT然后再处理至支持度排名项目1102030丽项目2支持度置信度提升度U”aedeb(ftftrl568910>>&gt；&gt；&gt；>&gt；&gt；&gt；05050810.710.61一项的频繁集0610.510.85710.75

6、0.83330.6251.07141.07141.04171.0417二项频繁集删除重复项支持度排名1-23080.81070.71060.61一项的频繁集060.61050.510.85711.0714支持度置信度提升度70a)d)(ri5810b)050.83331.0417二项频繁集0.83331.0417一项频繁项集：(e)、(a)、(d)、(b)、(c)二项频繁项集：(a,e)、(d,e)、(b,e)再将支持度和置信度的值分别设置成0.286和0支持度排寺项目310oamb相d也2356789项目2支持度置信度->eJ0.80.8-&gt；aD.70.7-&am

7、p;gt;(e)D.60.8571-&gt；eD.50.8333-&gt；eD.50.8333d)-&gt,闷0.4e)-&gt；a)0.4b-&gt.同0.3.7,导入datahoop平台提升度TZ1.07141.04171.041711.250.81.14290.750.9375二项的有效强关联规则:aea三项的强关联规则:(a,d)(d,e)-(a,b)-从上面数据可以看出牛肉和鸡肉等肉食产品可以放在一起,和奶酪则要放在附近的走道旁，让需要的顾客更方便拿取方便客户选择，牛奶3、以下数据是31个省市各行业的工资情况，各行业工资难免相关，因此，请先进行

8、降维处理再进行聚类分析。降维、聚类.xls答案解析：分析数据发现无缺失值，且不露要进行其他处理。本案例采用k-means算法进行聚类，因此还霍考虑异常值和共线性.由于量太少，单独一个数据也可能是一个特殊的类，因此这里不做异常值处理。由相关系数定阵分析发现变量之间存在共线性，所以不能直接进行聚类，接下来用主成分分析对变量进行降维处理。设置主成分个数为2时发现累计贡献率为0.9557,效果很好，可以用PC1和PC2进行聚类分析.（这里PC1和PC2是由标准化后的安量求得的，很小，且没有量纲差距，所以聚类分析时不再进行标准化）。接下来用k-means算法对PC1和PC2进行聚类分析，分别选3,4,5

9、个类别迸行聚类，发现聚成三类时效果最好。解答：先将数据导入datahoop平台，进行降维处理贡献率累计贡献率F0.49220.4922F_20.33610.8283得出的贡献率和累计贡献率值均在0至1之间将数据进行聚类分析WflB©伯初口即的忌m尿隹化足目执行2Ss闻战创匕TrueFa«eTrue4Means*夫个敢>03逅属相MUWSW2公S*（疔HfSttW何氐K-Means>010电1.K-Means>0300因为之前已进行降维处理所以不再进行标准化，设置聚类个数为3,初始中心点选择次数为10,最大迭代次数为3004则奖中心峰本个03母4547244

10、W3W3W47283»XW67424b7"，-g303817123W417W212673"4为30503M42均25bM*&T5213WS1的W9J7T531将3350961437S3<fl71646233444S»»7X8543123827163971638617924由37X32637297639KO05020125的0323唧W35102&盼口659n3558296249：$11755跖7%5我1妁17KM5799W5480305»9«>5752333MWb样本个数依次为再将聚类个数设置成4

11、,其他数值不变不均先/软。“孙213325b4830】OS339102752$,36蓼通心4241239如85JCC5591165921355M2g膛4/5?2513917420066734743647416722148934741714640740叫49023862（54316164BDb&U35911W75569c66S740D42W32K”B575UQ476移53814617JJ535295i25832691S算3：674B77225290970C630910WXWS3用3325T0090*273W7913烟8辨心溺5庠*M5K的25际3055578?»87463545

12、ITO833Z25383646793332SQ1173850355243783S<如671203793426691d484B6862WM702406H92样本个数为可以看出样本存在不均衡因此聚类分为3类时分类效果最好4、为了研究影响泰坦尼克号生还与否的影响因素有哪些，收集如下数据:5train.csv巴Itrain-原始.csv收集变量包括：Passengerld*Survived,Pclass>Sex,Age,SibSp,Parch,Ticket,Fare»CabinyEmbarkedPassengerld=>乘客IDSurvived=>是否生还Pclass

13、=>乘客等级（1/2/3等舱位）Name=乘客姓名Sex=>性别Age=>年龄-SibSp=堂兄弟/妹个数Parch=父母与小孩个数Ticket=船票信息Fare=>票价Cabin=>客舱Embarked=>登船港口对收集进行预处理，选择适当的算法进行分析，并评价和解释模型，要求写出具体的思路过程。答案解析：本次分析选取变量包括：Survived=是否生还、Pclass=乘客等级（1/2/3等舱位）、Sex=性别、Age=年龄、SibSp=堂兄弟/妹个数、Parch=父母与小孩个数、Fare=票价截图可以看到，性别属于定性本案例研究以上选取的变量对于乘客是否获救的影响.通过原始的变星，因此对此进行研完需要对这些变是进行前期数值转换.本次处理把性别进行0和1处理，female（女）转换成0,male（55）转换成1.本案例选取的变量中，年龄Age存在缺失值,因此对于年龄的缺失值霜要进行处理，本次对年龄的缺失值用所有年龄