(完整版)数据挖掘概念课后习题答案

1、1.6定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩（GPA:Gradepointaversg的信息，还有所修的课程的最大数量。区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如，具有高GPA的学生的一般特性可被用来与具有低GPA的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA的学生的75%是四年级计算机

2、科学专业的学生，而具有低GPA的学生的65%不是。关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统可能发现的关联规则为:major（X,“computingscience”）owns（X,“personalcomputer”）support=12%,confidence=98%其中，X是一个表示学生的变量。这个规则指出正在学习的学生，12%（支持度）主修计算机科学并且拥有一台个人计算机。这个组一个学生拥有一台个人电脑的概率是98%（置信度，或确定度。）分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或功能），而后者是建

3、立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的相似性是他们都是预测的工具:分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。聚类分析的数据对象不考虑已知的类标号。对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。形成的每一簇可以被看作一个对象类。聚类也便于分类法组织形式，将观测组织成类分层结构，把类似的事件组织在一起。数据延边分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数据的特征化、区分、关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分析、序列或周期模式匹配、和基于相似性的数据分析1.9

4、列举并描述说明数据挖掘任务的五种原语。五种原语是:任务相关数据：这种原语指明给定挖掘所处理的数据。它包括指明数据库、数据库表、或数据仓库，其中包括包含关系数据、选择关系数据的条件、用于探索的关系数据的属性或维、关于修复的数据排序和分组。挖掘的数据类型：这种原语指明了所要执行的特定数据挖掘功能，如特征化、区分、关联、分类、聚类、或演化分析。同样，用户的要求可能更特殊，并可能提供所发现的模式必须匹配的模版。这些模版或超模式（也被称为超规则）能被用来指导发现过程。背景知识：这种原语允许用户指定已有的关于挖掘领域的知识。这样的知识能被用来指导知识发现过程，并且评估发现的模式。关于数据中关系的概念分层和

5、用户信念是背景知识的形式。模式兴趣度度量：这种原语允许用户指定功能，用于从知识中分割不感兴趣的模式，并且被用来指导挖掘过程，也可评估发现的模式。这样就允许用户限制在挖掘过程返回的不感兴趣的模式的数量，因为一种数据挖掘系统可能产生大量的模式。兴趣度测量能被指定为简易性、确定性、适用性、和新颖性的特征。发现模式的可视化：这种原语述及发现的模式应该被显示出来。为了使数据挖掘能有效地将知识传给用户，数据挖掘系统应该能将发现的各种形式的模式展示出来，正如规则、表格、饼或条形图、决策树、立方体或其它视觉的表示。1.41.13描述以下数据挖掘系统与数据库或数据仓库集成方法的差别：不耦合、松散耦合、半紧耦合和

6、紧密耦合。你认为哪种方法最流行，为什么？解答：数据挖掘系统和数据库或数据仓库系统的集成的层次的差别如下不耦合：数据挖掘系统用像平面文件这样的原始资料获得被挖掘的原始数据集，因为没有数据库系统或数据仓库系统的任何功能被作为处理过程的一部分执行。因此，这种构架是一种糟糕的设计。松散耦合：数据挖掘系统不与数据库或数据仓库集成，除了使用被挖掘的初始数据集的源数据和存储挖掘结果。这样，这种构架能得到数据库和数据仓库提供的灵活、高效、和特征的优点。但是，在大量的数据集中，由松散耦合得到高可测性和良好的性能是非常困难的，因为许多这种系统是基于内存的。半紧密耦合：一些数据挖掘原语,如聚合、分类、或统计功能的预

7、计算，可在数据库或数据仓库系统有效的执行，以便数据挖掘系统在挖掘-查询过程的应用。另外，一些经常用到的中间挖掘结果能被预计算并存储到数据库或数据仓库系统中，从而增强了数据挖掘系统的性能。紧密耦合：数据库或数据仓库系统被完全整合成数据挖掘系统的一部份，并且因此提供了优化的数据查询处理。这样的话，数据挖掘子系统被视为一个信息系统的功能组件。这是一中高度期望的结构，因为它有利于数据挖掘功能、高系统性能和集成信息处理环境的有效实现。从以上提供的体系结构的描述看，紧密耦合是最优的，没有值得顾虑的技术和执行问题。但紧密耦合系统所需的大量技术基础结构仍然在发展变化，其实现并非易事。因此，目前最流行的体系结构

8、仍是半紧密耦合，因为它是松散耦合和紧密耦合的折中。第2章数据预处理2.2假设给定的数据集的值已经分组为区间。区间和对应的频率如下年龄频率1520051545015203002050150050807008011044计算数据的近似中位数值。先判定屮位数区间：N=20(H450+300+15004-700+443194；N/2=1597V2Q0十450十300950V1597+46+52+.-0(C)使用小毅址标规范化变换零笳由于最夫的鉅对值沁所丘=吊552.14假设12个销售价格记录组已经排序如下：5，10，11，13，15，35，50，55，72，92，204,215。使用如下每种方法将其划

9、分成三个箱。(a)等频(等深)划分。(b)等宽划分。(c)聚类。答：佃)等频:等深划分円(b)等宽划分.，使用习题2.4给出的age数据,每个区间的宽度是：(215-5)/3=70binl5.10J1,13,15,3550,55,72binI91binI204,2152.15画出一个等宽为10的等宽直方;-.2l/./：./.；:青年”RSWORSRSWR,中年”（和“老年”1勺产八广严rrrib1聚类抽样，分层抽层本和样。为如大每种抽样样术勾解答：(a)冋出-个等宽为10的等宽门方图；SRSWOR和SRSWR；不是同次的随机抽样结果吋以不但前者因无放岡SampledSampledSamplt

10、：2SanipkSmiddleageyoungmiddleageTzyoungTnyoungyoungt416youngTi,325youngTi.733middleaget2546middleaget概述70Senior3.4假定BigUniversity的数据仓库包含如下4个维student(student_name,area_id,major,status,university),course(course_namdepartment),semester(semesterar)和instructor(dept,rank)；2个度量：Count和；avg_gade。在最低概念层,度量avg

11、_grade存放学生的实际课程成绩。在较高概念层,avg_grade存放给定组合的平均成绩。(a) 为该数据仓库画出雪花形模式图。(b) (b)由基本方体student,course,semester,instructor开始，为列出BigUniversity每个学生的CS课程的平均成绩，应当使用哪些特殊的OLAP操作。(c) 如果每维有5层(包括all)女口“studentmajorstatusuniversityall，该立方体包含多少方体？解答：a) 为该数据仓库画出雪花形模式图。雪花模式如图所示。b) 由基本方体student,course,semesterinstructor开始，为

12、歹U出BigUniversity每个学生的CS课程的平均成绩,应当使用哪些特殊的OLAP操作。这些特殊的联机分析处理(OLAP)操作有：i.沿课程(course)维从coirse_id上卷”到department。ii.沿学生(student)维从student_id上卷”到university。iii.取depatment=“CS”和university-“BigUniversity”沿课程(course)维和学生(student)维切片。JC)如果每维有5层(包括all,“studentmajorstatusuniversity1.25*min(shelf)and1.5*min(shelf

13、)(b)用扩充的SQL表示该查询。4.3题4.12考虑下面的多特an;aidmajorshitusuniversitymonh的所有子100美元、货架student维表Selectitem,region,month,Min(shelf),SUM(R1)FromWherecubebyPurchaseyear=2004item,region,month:R1suchthatR1.shefm.25*MIN(Shef)and(R1.ShelfS1.5*MIN(Shdf)andR1.Price100(c) 这是一个分布式多特征立方体吗？为什么？这不是一个分布多特征立方体，因为在“suchthat”语句中

14、采用了乜”条件。第五章5.3数据库有5个事物。设min_sup=60%，min_conf=80。TID购买的商品T100M,O,N,K,E,YT200D,O,N,K,E,YT300M,A,K,ET400M,U,C,K,YT500C,O,O,K,I,Ea)分别使用Apriori和FP增长算法找出所有的频繁项集。比较两种挖掘过程的效率。b)列举所有与下面的的元规则匹配的强关联规则(给出支持度s和置信度c)其中,X是代表顾客的变量,em是表示项的变量(如“A”“B”等)：Vxetransaction,buys(X,iteml)Abuys(X,item2)buys(X,item3)s,c解答：(a)分

15、别使用Apriori和FP增长算法找出所有的频繁项集。比较两种挖掘过程的效率。Apriori算法：由于只有5次购买事件,所以绝对支持度是5xminsup=3。00=P(X|senior)P(senior);所以：朴素贝叶斯分类器将X分到junior类。解二：设元组的各属性之间不独立，其联合概率不能写成份量相乘的形式。所以已知：X=(department=system,age=2630,salary=46K50K)，元组总数为：30+40+40+20+5+3+3+10+4+4+6=165。先验概率：当status=senior时，元组总数为：30+5+3+10+4=52,P(senior)=52/165=0.32;当status=junior时,元组总数为：40+40+20+3+4+6=113P,(junior)=113/165=0.68；因为status=senio状态没有对应的age=2530区间，所以：P(X|senior)=0;因为status=jun