浙江大学远程教育学院
《数据挖掘》课程作业
姓名：学号：
年级：学习中心：—————————————————————————————
第一章引言
一、填空题
（1）数据库中的知识挖掘(KDD)包括以下七个步骤：数据清理、数据集成、数据选择、数据交换、数据挖掘、模式评估和知识表示
（2）数据挖掘的性能问题主要包括：算法的效率、可扩展性和并行处理
（3）当前的数据挖掘研究中，最主要的三个研究方向是：统计学、数据库技术和机器学习
（4）孤立点是指：一些与数据的一般行为或模型不一致的孤立数据
二、简答题
（1）什么是数据挖掘？
答：数据挖掘指的是从大量的数据中挖掘出那些令人感兴趣的、有用的、隐含的、先前未知的和可能有用的模式或知识。
（2）一个典型的数据挖掘系统应该包括哪些组成部分？
答：一个典型的数据挖掘系统应该包括以下部分：1、数据库、数据仓库或其他信息库，2、数据库或数据仓库服务器，3、知识库，4、数据挖掘引擎，5、模式评估魔磕，6图形用户界面。
（3）Web挖掘包括哪些步骤？
答：数据清理：（这个可能要占用过程60%的工作量）、数据集成、将数据存入数据仓库、建立数据立方体、选择用来进行数据挖掘的数据、数据挖掘（选择适当的算法来找到感兴趣的模式）、展现挖掘结果、将模式或者知识应用或者存入知识库。
（4）请列举数据挖掘应用常见的数据源。
（或者说，我们都在什么样的数据上进行数据挖掘）
答：常见的数据源包括关系数据库、数据仓库、事务数据库和高级数据库系统和信息库。其中高级数据库系统和信息库包括：空间数据库、时间数据库和时间序列数据库、流数据、多媒体数据库、面向对象数据库和对象——关系数据库、异种数据库和遗产数据库、文本数据库和万维网等。
一、填空题
（1）两个文档向量d1和d2的值为：d1= (1, 0, 3, 0, 2)，d2 = (3, 2, 0, 0, 1)，则它们的余弦相似度为：5/13
（2）数据离散度的常用度量包括极差、分位、百分位数、四分位数极差和标准差
（3）一种常用的确定离群点的简单方法是：出落在至少高于第三个四份位数或低于第一个四分位数1.5xIQR处的值。
二、单选题
（1）对于下图所示的正倾斜数据，中位数、平均值、众数三者之间的关系是：
(C)
A、中位数=平均值=众数； B中位数>平均值>众数；
C、平均值>中位数>众数； D；众数>中位数>平均值
（2）下面的散点图显示哪种属性相关性？(C)
A不相关；B正相关；C负相关；D先正相关然后负相关；
三、简答题
（1）什么是基于像素的可视化技术？它有什么缺点？
答：对于一个m维数据集，基于像素的可视化技术在屏幕上创建m个窗口，每维一个。记录的m个维值映射到这些窗口对应位置上的m个像素。像素的颜色反映对应的值。基于像素的可视化技术的缺点：难以呈现多维空间的数据分布，不显示数据子空间中是否存在稠密区域。
（2）对称的和不对称的二元属性有什么区别？
答：对称的二元属性指变量的两个状态具有同等价值或相同权重；而不对称的二元属性中，变量的两个状态的重要性是不同的。对称的二元属性可以使用简单匹配系数评估它们的相异度；不对称的二元属性使用Jaccard系数评估它们的相异度。
一、填空题
（1）进行数据预处理时所使用的主要方法包括：数据清理、数据变换、数据集成和数据规约
（2）数据概化是指：沿概念分层向上概化
（3）数据压缩可分为：有损压缩和无损压缩两种类型。
（4）进行数值归约时，三种常用的有参方法是：线性回归方法、多元回归
和对数线性模型
二、简答题
（1）常用的数值属性概念分层的方法有哪些？
答：常用的数值属性概念分层的方法有分箱、直方图分析、聚类分析、基于熵的离散化和通过自然划分分段。
（2）请描述主成份分析（PCA）算法步骤
答：主成份分析步骤为：
a、规范化输入的数据：所有属性落在相同的区间内；
b、计算k个标准正交向量，即主成分；
c、每个输入数据的向量都是这k个主成分向量的线性组合；
d、主成分按照重要程度降序排序。
（3）在现实世界的数据中，元组在某些属性上缺少值是常有的。描述处理该问题的各种方法。
答：处理空缺值的方法有：1) 忽略元组。当类标号缺少时通常这么做（假定挖掘任务设计分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差。2) 人工填写空缺值。这种方法工作量大，可行性低3) 使用一个全局变量填充空缺值：比如使用unknown或-∞4) 使用属性的平均值填充空缺值5) 使用与给定元组属同一类的所有样本的平均值6) 使用最可能的值填充空缺值。如使用像Bayesian公式或判定树这样的基于推断的方法。
（4）常见的数据归约策略包括哪些？
答：数据归约策略包括：1)数据立方体聚集2维归约3数据压缩4数值归约5离散化和概念分层产生。
第六—七章挖掘频繁模式、关联和相关
一、填空题
（1）关联规则挖掘中，两个主要的兴趣度度量是：支持度和置信度
（2）Aprior算法包括连接和剪枝两个基本步骤
（3）项集的频率是指包含项集的事务数
（4）大型数据库中的关联规则挖掘包含两个过程：找出所有频繁项集和由频繁项集产生强关联规则
（5）根据规则中所处理的值类型，关联规则可分为：布尔关联规则和量化关联规则（6）Apriori性质是指：频繁项集的所有非空子集也必须是频繁的
（7）在多维关联规则挖掘中，我们搜索的不是频繁项集，而是频繁谓词集
二、简答题
（1）简述在多层关联规则挖掘中，在不同的层使用一致的支持度的优缺点。
答：优点：搜索时容易采用优化策略，即一个项如果不满足最小支持度，它的所有子项都可以不用搜索。缺点：最小支持度值设置困难：太高则将丢掉出现在较低抽象层中有意义的关联规则；太低则会在较高层产生太多的无兴趣的规则。
（2）如何提高Apriori算法的有效性？有哪些常见方法？
答：可以使用以下几个思路提升Apriori算法有效性：减少对数据的扫描次数；缩小产生的候选项集；改进对候选项集的支持度计算方法。常见方法包括：a、基于hash表的项集计数；
b、事务压缩（压缩进一步迭代的事务数）
c、划分；
d、选样（在给定数据的一个子集挖掘）；
e、动态项集计数。
