數(shù)據(jù)挖掘試卷一.doc

1、。數(shù)據(jù)挖掘整理（熊熊整理-獻給夢中的天涯）單選題1下面哪種分類方法是屬于神經(jīng)網(wǎng)絡(luò)學習算法？（）A. 判定樹歸納B. 貝葉斯分類C. 后向傳播分類D. 基于案例的推理2置信度 (confidence)是衡量興趣度度量（A）的指標。A、簡潔性B、確定性C.、實用性D、新穎性3用戶有一種感興趣的模式并且希望在數(shù)據(jù)集中找到相似的模式，屬于數(shù)據(jù)挖掘哪一類任務(wù)？ (A)A.根據(jù)內(nèi)容檢索B.建模描述C.預(yù)測建模D.尋找模式和規(guī)則4數(shù)據(jù)歸約的目的是（）A、填補數(shù)據(jù)種的空缺值B、集成多個數(shù)據(jù)源的數(shù)據(jù)C、得到數(shù)據(jù)集的壓縮表示D、規(guī)范化數(shù)據(jù)5下面哪種數(shù)據(jù)預(yù)處理技術(shù)可以用來平滑數(shù)據(jù)，消除數(shù)據(jù)噪聲？A. 數(shù)據(jù)清理B.

2、數(shù)據(jù)集成C.數(shù)據(jù)變換D.數(shù)據(jù)歸約6假設(shè) 12 個銷售價格記錄組已經(jīng)排序如下：5, 10,11, 13, 15, 35, 50, 55, 72, 92, 204,215 使用如下每種方法將它們劃分成四個箱。等頻（等深）劃分時，15 在第幾個箱子內(nèi)？(B)A第一個B第二個 C第三個 D第四個7下面的數(shù)據(jù)操作中， （）操作不是多維數(shù)據(jù)模型上的OLAP操作。A、上卷 (roll-up)B、選擇 (select)C、切片 (slice)D、轉(zhuǎn)軸 (pivot)8關(guān)于 OLAP和 OLTP的區(qū)別描述 , 不正確的是 : (C)A. OLAP 主要是關(guān)于如何理解聚集的大量不同的數(shù)據(jù). 它與 OTAP應(yīng)用程序

3、不同 .B. 與 OLAP應(yīng)用程序不同 ,OLTP 應(yīng)用程序包含大量相對簡單的事務(wù).C. OLAP 的特點在于事務(wù)量大 , 但事務(wù)內(nèi)容比較簡單且重復率高.D. OLAP 是以數(shù)據(jù)倉庫為基礎(chǔ)的, 但其最終數(shù)據(jù)來源與OLTP一樣均來自底層的數(shù)據(jù)庫系統(tǒng),兩者面對的用戶是相同的9下列哪個描述是正確的？（）A、分類和聚類都是有指導的學習B、分類和聚類都是無指導的學習。1。C、分類是有指導的學習，聚類是無指導的學習D、分類是無指導的學習，聚類是有指導的學習10 簡單地將數(shù)據(jù)對象集劃分成不重疊的子集，使得每個數(shù)據(jù)對象恰在一個子集中，這種聚類類型稱作（B）A、層次聚類B、劃分聚類C、非互斥聚類D、模糊聚類11

4、 將原始數(shù)據(jù)進行集成、變換、維度規(guī)約、數(shù)值規(guī)約是在以下哪個步驟的任務(wù)？(C)A.頻繁模式挖掘B.分類和預(yù)測C.數(shù)據(jù)預(yù)處理D.數(shù)據(jù)流挖掘12 什么是 KDD？ (A)A.數(shù)據(jù)挖掘與知識發(fā)現(xiàn)B.領(lǐng)域知識發(fā)現(xiàn)C.文檔知識發(fā)現(xiàn)D.動態(tài)知識發(fā)現(xiàn)為數(shù)據(jù)的總體分布建模；把多維空間劃分成組等問題屬于數(shù)據(jù)挖掘的哪一類任務(wù)？(B)A.探索性數(shù)據(jù)分析B.建模描述C.預(yù)測建模D.尋找模式和規(guī)則判斷題1. 數(shù)據(jù)挖掘的主要任務(wù)是從數(shù)據(jù)中發(fā)現(xiàn)潛在的規(guī)則，從而能更好的完成描述數(shù)據(jù)、預(yù)測數(shù)據(jù)等任務(wù)。 ( 對 )2. 數(shù)據(jù)挖掘的目標不在于數(shù)據(jù)采集策略， 而在于對于已經(jīng)存在的數(shù)據(jù)進行模式的發(fā)掘。 （對）3. 圖挖掘技術(shù)在社會網(wǎng)絡(luò)分

5、析中扮演了重要的角色。（對）4. 模式為對數(shù)據(jù)集的全局性總結(jié)，它對整個測量空間的每一點做出描述；模型則對變量變化空間的一個有限區(qū)域做出描述。 （錯）5.尋找模式和規(guī)則主要是對數(shù)據(jù)進行干擾，使其符合某種規(guī)則以及模式。（錯）6.離群點可以是合法的數(shù)據(jù)對象或者值。（對）7.離散屬性總是具有有限個值。（錯）8.噪聲和偽像是數(shù)據(jù)錯誤這一相同表述的兩種叫法。（錯）9.用于分類的離散化方法之間的根本區(qū)別在于是否使用類信息。（對）10.特征提取技術(shù)并不依賴于特定的領(lǐng)域。（錯）11.序列數(shù)據(jù)沒有時間戳。（對）12.定量屬性可以是整數(shù)值或者是連續(xù)值。（對）13.可視化技術(shù)對于分析的數(shù)據(jù)類型通常不是專用性的。（錯）

6、14. DSS 主要是基于數(shù)據(jù)倉庫 . 聯(lián)機數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的應(yīng)用。 （對）15. OLAP 技術(shù)側(cè)重于把數(shù)據(jù)庫中的數(shù)據(jù)進行分析、轉(zhuǎn)換成輔助決策信息，是繼數(shù)據(jù)庫技術(shù)發(fā)展之后迅猛發(fā)展起來的一種新技術(shù)。（對）16.商業(yè)智能系統(tǒng)與一般交易系統(tǒng)之間在系統(tǒng)設(shè)計上的主要區(qū)別在于：后者把結(jié)構(gòu)強加于商務(wù)之上，一旦系統(tǒng)設(shè)計完畢，其程序和規(guī)則不會輕易改變；而前者則是一個學習型系統(tǒng)，能自動適應(yīng)商務(wù)不斷變化的要求。（對）17.數(shù)據(jù)倉庫中間層OLAP服務(wù)器只能采用關(guān)系型OLAP（錯）18數(shù)據(jù)倉庫系統(tǒng)的組成部分包括數(shù)據(jù)倉庫，倉庫管理，數(shù)據(jù)抽取，分析工具等四個部分.( 錯 )19.Web 數(shù)據(jù)挖掘是通過數(shù)據(jù)庫仲的一些

7、屬性來預(yù)測另一個屬性, 它在驗證用戶提出的假設(shè)過程中提取信息 .（錯）21.關(guān)聯(lián)規(guī)則挖掘過程是發(fā)現(xiàn)滿足最小支持度的所有項集代表的規(guī)則。（錯）22.利用先驗原理可以幫助減少頻繁項集產(chǎn)生時需要探查的候選項個數(shù)（對）。23.先驗原理可以表述為：如果一個項集是頻繁的，那包含它的所有項集也是頻繁的。（錯24.如果規(guī)則 不滿足置信度閾值，則形如的規(guī)則一定也不滿足置信度閾值，其中是 X 的。2。子集。（對）25.具有較高的支持度的項集具有較高的置信度。（錯）26.聚類（ clustering）是這樣的過程：它找出描述并區(qū)分數(shù)據(jù)類或概念的模型( 或函數(shù) ) ，以便能夠使用模型預(yù)測類標記未知的對象類。（錯）27

8、. 分類和回歸都可用于預(yù)測， 分類的輸出是離散的類別值， 而回歸的輸出是連續(xù)數(shù)值。 ( 對 )28.對于 SVM分類算法， 待分樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對分類結(jié)果沒有影響。（對）29. Bayes 法是一種在已知后驗概率與類條件概率的情況下的模式分類方法，待分樣本的分類結(jié)果取決于各類域中樣本的全體。( 錯 )30. 分類模型的誤差大致分為兩種： 訓練誤差（ training error ）和泛化誤差（generalization error ） . ( 對 )31. 在決策樹中， 隨著樹中結(jié)點數(shù)變得太大， 即使模型的訓練誤差還在繼續(xù)減低，但是檢驗誤差開始增大，這是

9、出現(xiàn)了模型擬合不足的問題。（錯）32. SVM是這樣一個分類器，他尋找具有最小邊緣的超平面，因此它也經(jīng)常被稱為最小邊緣分類器（ minimal margin classifier）(錯 )33.在聚類分析當中，簇內(nèi)的相似性越大，簇間的差別越大，聚類的效果就越差。（錯）34.聚類分析可以看作是一種非監(jiān)督的分類。（對）35. K 均值是一種產(chǎn)生劃分聚類的基于密度的聚類算法，簇的個數(shù)由算法自動地確定。（錯36. 給定由兩次運行 K 均值產(chǎn)生的兩個不同的簇集， 誤差的平方和最大的那個應(yīng)該被視為較優(yōu)。（錯）37. 基于鄰近度的離群點檢測方法不能處理具有不同密度區(qū)域的數(shù)據(jù)集。（對）38. 如果一個對象不強

10、屬于任何簇，那么該對象是基于聚類的離群點。（對）39. 從點作為個體簇開始， 每一步合并兩個最接近的簇， 這是一種分裂的層次聚類方法。 （錯）40. DBSCAN是相對抗噪聲的，并且能夠處理任意形狀和大小的簇。（對）。3。簡答題1簡述面向?qū)傩詺w納的基本思想，并說明什么時候使用屬性刪除，什么時候使用屬性概化。（7 分）答：面向?qū)傩詺w納的基本思想是：首先使用關(guān)系數(shù)據(jù)庫查詢收集任務(wù)相關(guān)的數(shù)據(jù)；然后通過考察任務(wù)相關(guān)數(shù)據(jù)中每個屬性的不同值的個數(shù)，進行概化（通過屬性刪除或者屬性概化）。聚集通過合并相等的廣義元組，并累計他們相應(yīng)的計數(shù)值進行。這壓縮了概化后的數(shù)據(jù)集合。結(jié)果廣義關(guān)系可以映射到不同形式，如圖表或

11、規(guī)則，提供用戶。（3 分）使用屬性刪除的情況：如果初始工作關(guān)系的一個屬性上有大量的不同值，但是（1）在此屬性上沒有概化操作符，或（2）它的較高層概念用其他屬性表示；（ 2 分）使用屬性概化的情況：如果初始工作關(guān)系的一個屬性上有大量的不同值，并且該屬性上存在著概化操作符。 （ 2 分）2為什么在進行聯(lián)機分析處理 (OLAP)時，我們需要一個獨立的數(shù)據(jù)倉庫，而不是直接在日常操作的數(shù)據(jù)庫上進行。 （ 6 分）答：使用一個獨立的數(shù)據(jù)倉庫進行OLAP處理是為了以下目的：(1) 提高兩個系統(tǒng)的性能操作數(shù)據(jù)庫是為OLTP而設(shè)計的，沒有為OLAP操作優(yōu)化，同時在操作數(shù)據(jù)庫上處理OLAP查詢，會大大降低操作任務(wù)

12、的性能；而數(shù)據(jù)倉庫是為OLAP而設(shè)計，為復雜的OLAP 查詢 ,多維視圖，匯總等OLAP功能提供了優(yōu)化。(2) 兩者有著不同的功能操作數(shù)據(jù)庫支持多事務(wù)的并行處理，而數(shù)據(jù)倉庫往往只是對數(shù)據(jù)記錄進行只讀訪問；這時如果將事務(wù)處理的并行機制和恢復機制用于這種OLAP操作，就會顯著降低OLAP的性能。(3) 兩者有著不同的數(shù)據(jù)數(shù)據(jù)倉庫中存放歷史數(shù)據(jù)；日常操作數(shù)據(jù)庫中存放的往往只是最新的數(shù)據(jù)。3對于具有遞減支持度的多層關(guān)聯(lián)規(guī)則挖掘，分別都有哪些搜索策略？各有什么特點？（ 6分）答：具有遞減支持度的多層關(guān)聯(lián)規(guī)則挖掘中使用的搜索策略包括：逐層獨立： 完全的寬度搜索，沒有頻繁項集的背景知識用于剪枝。考察每一個節(jié)

13、點，不管其父節(jié)點是否頻繁。特點是條件很松，可能導致在低層考察大量非頻繁的項，找出一些不重要的關(guān)聯(lián)；（2 分）層交叉 k- 項集過濾： 一個第 i 層的 k- 項集被考察， 當且僅當它在第(i-1)層的對應(yīng)父節(jié)點的k- 項集是頻繁的。特點是限制太強，有些有價值的模式可能被該方法過濾掉；（ 2 分）層交叉單項過濾：一個第 i 層的項被考察，當且僅當它在第 (i-1) 層的父節(jié)點是頻繁的。它是上述兩個極端策略的折中。 （2 分）4跟其他應(yīng)用領(lǐng)域相比，在電子商務(wù)中進行數(shù)據(jù)挖掘有哪些優(yōu)勢？（6 分）答：跟其他應(yīng)用領(lǐng)域相比，在電子商務(wù)中進行數(shù)據(jù)挖掘的優(yōu)勢包括：電子商務(wù)提供海量的數(shù)據(jù)：“點擊流”（ Clic

14、kstreams ）將會產(chǎn)生電子商務(wù)挖掘的大量數(shù)據(jù)；豐富的記錄信息：良好的 WEB站點設(shè)計將有助于獲得豐富的關(guān)于商品、分類、訪客等等信息；。4。干凈的數(shù)據(jù)：從電子商務(wù)站點收集的都是電子數(shù)據(jù)，無需人工輸入或者是從歷史系統(tǒng)進行整合；研究成果容易轉(zhuǎn)化：在電子商務(wù)中，很多知識發(fā)現(xiàn)都可以進行直接應(yīng)用；投資收益容易衡量：所有數(shù)據(jù)都是電子化的，可以非常方便的生成各種報表和計算各種收益。5 什么是數(shù)據(jù)倉庫？簡述數(shù)據(jù)倉庫的幾種常用模型。6 數(shù)據(jù)挖掘過程中為什么要進行數(shù)據(jù)預(yù)處理？數(shù)據(jù)預(yù)處理有哪些方面？7 請簡述數(shù)據(jù)挖掘過程 .1 確定挖掘?qū)ο?準備數(shù)據(jù)3建立模型4數(shù)據(jù)挖掘5結(jié)果分析6知識應(yīng)用8 請敘述元數(shù)據(jù)的定義

15、及其在數(shù)據(jù)倉庫中的作用。元數(shù)據(jù)是關(guān)于數(shù)據(jù)的數(shù)據(jù)，從元數(shù)據(jù)的類型與作用來看，元數(shù)據(jù)實際上是解決何人在何時、何地為了什么原因、怎樣使用數(shù)據(jù)倉庫的問題。1、數(shù)據(jù)倉庫元數(shù)據(jù)的重要性（ 1）為數(shù)據(jù)倉庫服務(wù)和DSS分析員及高層決策人員服務(wù)提供便利(2) 解決操作型環(huán)境和數(shù)據(jù)倉庫的復雜關(guān)系（ 3）數(shù)據(jù)倉庫中數(shù)據(jù)的管理2 、元數(shù)據(jù)在數(shù)據(jù)倉庫開發(fā)期間的使用數(shù)據(jù)倉庫的開發(fā)過程是一個構(gòu)造工程的過程，它必須提供清晰的文檔。該過程產(chǎn)生的元數(shù)據(jù)主要用于數(shù)據(jù)倉庫的應(yīng)用管理(1)元數(shù)據(jù)的設(shè)計需要改變傳統(tǒng)數(shù)據(jù)庫設(shè)計的觀念(2)突出操作系統(tǒng)的當前元數(shù)據(jù)(3) 在抽取、求精、和重構(gòu)過程中，時刻保持從資源到數(shù)據(jù)倉庫之間的映射關(guān)系。3

16、 、元數(shù)據(jù)在數(shù)據(jù)源抽取中的作用數(shù)據(jù)源塊的元數(shù)據(jù)用于數(shù)據(jù)庫的定義，以及向數(shù)據(jù)倉庫及其定義提供從辦公系統(tǒng)和外部來源中抽取的數(shù)據(jù)條目。元數(shù)據(jù)對多個來源的數(shù)據(jù)集成發(fā)揮著關(guān)鍵作用。(1)資源領(lǐng)域的確定(2)跟蹤歷史數(shù)據(jù)結(jié)構(gòu)變化的過程(3)屬性到屬性的映射(4) 屬性轉(zhuǎn)換4、元數(shù)據(jù)在數(shù)據(jù)求精與重構(gòu)工程上的作用數(shù)據(jù)求精與重構(gòu)工程負責凈化資源中的數(shù)據(jù)、 增加資源戳和時間戳、 將數(shù)據(jù)轉(zhuǎn)換為符合數(shù)據(jù)倉庫的數(shù)據(jù)格式、預(yù)算概括和衍生數(shù)據(jù)的值。(1)集成與分割(2)概括與聚集(3)預(yù)算與推導(4)轉(zhuǎn)換與再映像四、算法題（共20 分）1 Apriori 算法是從事務(wù)數(shù)據(jù)庫中挖掘單維布爾關(guān)聯(lián)規(guī)則的常用算法，該算法利用頻繁項

17、集性質(zhì)的先驗知識，從候選項集中找到頻繁項集。（1） Aprior 算法包括哪兩個基本步驟（2）對下圖中所示的事務(wù)數(shù)據(jù)記錄D，（ |D| 4），請用圖示與說明解釋如何使用Apriori算法尋找D中的頻繁項集。 （假設(shè)最小事務(wù)支持計數(shù)為2）TID項 ID 的列表T100A,C,D。5。T200B,C,ET300A,B,C,ET400B,E2判定樹歸納算法是一種常用的分類算法（ 1）請簡述判定樹歸納算法的基本策略（ 2）使用判定樹歸納算法，根據(jù)顧客年齡 age（分為 3 個年齡段： 23），收入 income （取值為 high ， medium， low ），是否為 student （取值為 ye

18、s 和 no），信用credit_rating等級（取值為fair和 excellent）來判定用戶是否會購買PC Game，即構(gòu)建判定樹 buys_PCGame，假設(shè)現(xiàn)有的數(shù)據(jù)經(jīng)過第一次劃分之后得到如下圖所示結(jié)果，并根據(jù)該結(jié)果對每一個劃分中的各個屬性計算信息增益對age23的 顧客：Gain(income)=0.042，Gain(student)=0.462，Gain(credit_rating)=0.155請根據(jù)以上結(jié)果繪制出判定樹buys_PCGame。（ 4 分）3訓練數(shù)據(jù)集合age、student 、income 、rating這四個屬性，其類別屬性為buys ，它有兩個不同的取值： yes ， no 。設(shè) C1對應(yīng)類別 buys=yes ， C2 對應(yīng)類別 buys=noAgeIncomeStudentRatingBuys=30HighNoFairNo40MediumNoFairYes40LowYesFairYes40Lo