数据挖掘习题及解答-完美版

数据挖掘习题及解答■完美版

Data Mi ning Take Home Exam

学号： xxxx ____________ 姓名:XXX

1. (20分)考虑下表的数据集。

顾客ID 性别车型衬衣尺码类

1 家用小C0 d

2 运动中C0

3 运动中C0

4 运动大C0

5 运动加大C0

6 运动加大C0

7 运动小C0

8 运动小C0

9 运动中C0

10 豪华大C0

11 家用大C1

12 家用加大C1

13 家用中C1

14 豪华加大C1

15 豪华小C1

16 豪华小C1

17 豪华中C1

18 豪华中C1

19 豪华中C1

20 豪华大C1

(1)计算整个数据集的Gini指标值。

(2)计算属性性别的Gini指标值

(3)计算使用多路划分属性车型的Gini指标值

(4)计算使用多路划分属性衬衣尺码的Gini 指标值

(5)下面哪个属性更好，性别、车型还是衬衣尺码？为什么? 解：(1)

Gini=1-(10/20)八2-(10/20)八2=0.5

Gi ni=[{1-(6/10)八2-(4/10)八2}*1/2]*2=0.48

Gi ni={1-(1/4)2-(3/4)2}*4/20+{1-(8/8)2-(0/8)八2}*8/20+{1-(1/8)八2-(7/8)八2}*8/20 =26/160=0.1625

Gini={1-(3/5)2-(2/5)2}*5/20+{1-(3/7)2-(4/7)2}*7/20+[{1-(2/4)八2-(2/4)八2}*4/2

0]*2=8/25+6/35=0.4914

⑸

比较上面各属性的Gini值大小可知，车型划分Gini值0.1625最小，即使用车型属性更好。

2. (20分)考虑下表中的购物篮事务数据集

(1)将每个事务ID视为一个购物篮，计算项集{e} ,{b,d}和{b,d,e}的支持度。

(2)使用(1)的计算结果，计算关联规则{b,d} -{e和{e} -{b,d}的置信度。

(3)将每个顾客ID作为一个购物篮，重复(1)。应当将每个项看作一个二元变量(如果一个项在顾客的购买事务中至少出现一次，则为1,否则，为0)

(4)使用(3)的计算结果，计算关联规则{b,d} -{e和{e} -{b,d}的置信度。答：(1)由上表计数可得{ e }的支持度为8/10=0.8; { b, d }的支持度为2/10=0.2; {b,d,e}的支持度为2/10=0.2。

(2)c[{b,d} —{e}]=2/8=0.25;c[{e} —{b,d}]=8/2=4。

(3)同理可得：{e}的支持度为4/5=0.8, {b,d}的支持度为5/5=1，{b,d,e}的支持度为4/5=0.8。

(4) c[{b,d} — {e}]=5/4=1.25, c[{e} — {b,d}]=4/5=0.8。

3. （20分）以下是多元回归分析的部分 R 输出结果。 > Is 仁 Im （y~x1+x2） > ano va （ls1）

> Is2<-lm(y~x2+x1) > ano va(ls2)

H o ：劭=0

计算检验统计量；是否拒绝零假设，为什么?

H 0：伦=0

计算检验统计量；是否拒绝零假设，为什么?

x1 x2 Residuals

Df 1 1 7

Sum Sq 10021.2 4030.9

1130.7 Mean Sq 10021.2 4030.9 161.5

F value Pr(>F) 62.038 0.0001007 *** 24.954 0.0015735 **

Df Sum Sq Mea n Sq F value Pr(>F) x2

1 3363.4

3363.4 20.822 0.002595 x1 1 10688.7 10688.7 66.170 8.193e-05

Residuals 7 1130.7

161.5

(1)

用F 检验来检验以下假设（a

0.05)

(2) 用F 检验来检验以下假设（a= 0.05） (3) 用F 检验来检验以下假设（a= 0.05）

H0: p1 = 3 = 0

H a： 3和3并不都等于零

计算检验统计量；是否拒绝零假设，为什么？解：(1)根据第一个输出结果F=62.083>F ( 2, 7) =4.74, p<0.05，所以可以拒

绝原假设，即得到I；不等于0。

(2)同理，在0=0.05 的条件下，F=20.822>F(2,7)=4.74, p<0.05,即拒绝原假

设，得到旳不等于0。

(3)F={ (10021.2+4030.9 /2}/ (1130.7/7) =43.4973>F=(2,7)=4.74,即拒绝原假

设，得到灼和悅并不都等于0。

4. (20 分) 考虑下面20个观测值：

[1] -20.00 -0.516 -1.249 -0.510 25.000

⑹-0.561 -0.928 -0.023 0.714 0.374

[11] -0.377 0.830 0.838 0.874 -1.306

[16] 1.138 1.087 -1.489 2.524 0.713

(1)用3*S标准来检测该数据中是否存在异常值。

(2)用1.5*IQR标准来检测该数据中是否存在异常值。

要求提供均值、标准差、IQR值和所用的区间，以及你判断的依据解：数据放入R运行得

>hhh=c(-20.00,-0.516,-1.249,-0.510,25.000,

+ + -0.561,-0.928,-0.023,0.714,0.374,

+ + -0.377,0.830,0.838,0.874,-1.306,

+ + 1.138,1.087,-1.489,2.524,0.713)

>mean( hhh)

[1] 0.35665

>sqrt(var(hhh))

[1] 7.405346

>jjjv-(hhh-mea n( hhh))/sqrt(var(hhh))

>which(abs(jjj)>=3)

[1] 5

>Q1= qua ntile(hhh,0.25)

>Q3=qua ntile(hhh,0.75)

>IQR=Q3-Q1

>Q1

25%

-0.65275