(完整版)數(shù)據(jù)挖掘概念課后習題答案

1、1.6定義下列數(shù)據(jù)挖掘功能：特征化、區(qū)分、關(guān)聯(lián)和相關(guān)分析、預測聚類和演變分析。使用你熟悉的現(xiàn)實生活的數(shù)據(jù)庫，給出每種數(shù)據(jù)挖掘功能的例子。特征化是一個目標類數(shù)據(jù)的一般特性或特性的匯總。例如，學生的特征可被提出，形成所有大學的計算機科學專業(yè)一年級學生的輪廓，這些特征包括作為一種高的年級平均成績（GPA:Gradepointaversg的信息，還有所修的課程的最大數(shù)量。區(qū)分是將目標類數(shù)據(jù)對象的一般特性與一個或多個對比類對象的一般特性進行比較。例如，具有高GPA的學生的一般特性可被用來與具有低GPA的一般特性比較。最終的描述可能是學生的一個一般可比較的輪廓，就像具有高GPA的學生的75%是四年級計算機

2、科學專業(yè)的學生，而具有低GPA的學生的65%不是。關(guān)聯(lián)是指發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，這些規(guī)則表示一起頻繁發(fā)生在給定數(shù)據(jù)集的特征值的條件。例如，一個數(shù)據(jù)挖掘系統(tǒng)可能發(fā)現(xiàn)的關(guān)聯(lián)規(guī)則為:major（X,“computingscience”）owns（X,“personalcomputer”）support=12%,confidence=98%其中，X是一個表示學生的變量。這個規(guī)則指出正在學習的學生，12%（支持度）主修計算機科學并且擁有一臺個人計算機。這個組一個學生擁有一臺個人電腦的概率是98%（置信度，或確定度。）分類與預測不同，因為前者的作用是構(gòu)造一系列能描述和區(qū)分數(shù)據(jù)類型或概念的模型（或功能），而后者是建

3、立一個模型去預測缺失的或無效的、并且通常是數(shù)字的數(shù)據(jù)值。它們的相似性是他們都是預測的工具:分類被用作預測目標數(shù)據(jù)的類的標簽，而預測典型的應用是預測缺失的數(shù)字型數(shù)據(jù)的值。聚類分析的數(shù)據(jù)對象不考慮已知的類標號。對象根據(jù)最大花蕾內(nèi)部的相似性、最小化類之間的相似性的原則進行聚類或分組。形成的每一簇可以被看作一個對象類。聚類也便于分類法組織形式，將觀測組織成類分層結(jié)構(gòu)，把類似的事件組織在一起。數(shù)據(jù)延邊分析描述和模型化隨時間變化的對象的規(guī)律或趨勢，盡管這可能包括時間相關(guān)數(shù)據(jù)的特征化、區(qū)分、關(guān)聯(lián)和相關(guān)分析、分類、或預測，這種分析的明確特征包括時間序列數(shù)據(jù)分析、序列或周期模式匹配、和基于相似性的數(shù)據(jù)分析1.9

4、列舉并描述說明數(shù)據(jù)挖掘任務的五種原語。五種原語是:任務相關(guān)數(shù)據(jù)：這種原語指明給定挖掘所處理的數(shù)據(jù)。它包括指明數(shù)據(jù)庫、數(shù)據(jù)庫表、或數(shù)據(jù)倉庫，其中包括包含關(guān)系數(shù)據(jù)、選擇關(guān)系數(shù)據(jù)的條件、用于探索的關(guān)系數(shù)據(jù)的屬性或維、關(guān)于修復的數(shù)據(jù)排序和分組。挖掘的數(shù)據(jù)類型：這種原語指明了所要執(zhí)行的特定數(shù)據(jù)挖掘功能，如特征化、區(qū)分、關(guān)聯(lián)、分類、聚類、或演化分析。同樣，用戶的要求可能更特殊，并可能提供所發(fā)現(xiàn)的模式必須匹配的模版。這些模版或超模式（也被稱為超規(guī)則）能被用來指導發(fā)現(xiàn)過程。背景知識：這種原語允許用戶指定已有的關(guān)于挖掘領域的知識。這樣的知識能被用來指導知識發(fā)現(xiàn)過程，并且評估發(fā)現(xiàn)的模式。關(guān)于數(shù)據(jù)中關(guān)系的概念分層和

5、用戶信念是背景知識的形式。模式興趣度度量：這種原語允許用戶指定功能，用于從知識中分割不感興趣的模式，并且被用來指導挖掘過程，也可評估發(fā)現(xiàn)的模式。這樣就允許用戶限制在挖掘過程返回的不感興趣的模式的數(shù)量，因為一種數(shù)據(jù)挖掘系統(tǒng)可能產(chǎn)生大量的模式。興趣度測量能被指定為簡易性、確定性、適用性、和新穎性的特征。發(fā)現(xiàn)模式的可視化：這種原語述及發(fā)現(xiàn)的模式應該被顯示出來。為了使數(shù)據(jù)挖掘能有效地將知識傳給用戶，數(shù)據(jù)挖掘系統(tǒng)應該能將發(fā)現(xiàn)的各種形式的模式展示出來，正如規(guī)則、表格、餅或條形圖、決策樹、立方體或其它視覺的表示。1.41.13描述以下數(shù)據(jù)挖掘系統(tǒng)與數(shù)據(jù)庫或數(shù)據(jù)倉庫集成方法的差別：不耦合、松散耦合、半緊耦合和

6、緊密耦合。你認為哪種方法最流行，為什么？解答：數(shù)據(jù)挖掘系統(tǒng)和數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)的集成的層次的差別如下不耦合：數(shù)據(jù)挖掘系統(tǒng)用像平面文件這樣的原始資料獲得被挖掘的原始數(shù)據(jù)集，因為沒有數(shù)據(jù)庫系統(tǒng)或數(shù)據(jù)倉庫系統(tǒng)的任何功能被作為處理過程的一部分執(zhí)行。因此，這種構(gòu)架是一種糟糕的設計。松散耦合：數(shù)據(jù)挖掘系統(tǒng)不與數(shù)據(jù)庫或數(shù)據(jù)倉庫集成，除了使用被挖掘的初始數(shù)據(jù)集的源數(shù)據(jù)和存儲挖掘結(jié)果。這樣，這種構(gòu)架能得到數(shù)據(jù)庫和數(shù)據(jù)倉庫提供的靈活、高效、和特征的優(yōu)點。但是，在大量的數(shù)據(jù)集中，由松散耦合得到高可測性和良好的性能是非常困難的，因為許多這種系統(tǒng)是基于內(nèi)存的。半緊密耦合：一些數(shù)據(jù)挖掘原語,如聚合、分類、或統(tǒng)計功能的預

7、計算，可在數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)有效的執(zhí)行，以便數(shù)據(jù)挖掘系統(tǒng)在挖掘-查詢過程的應用。另外，一些經(jīng)常用到的中間挖掘結(jié)果能被預計算并存儲到數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)中，從而增強了數(shù)據(jù)挖掘系統(tǒng)的性能。緊密耦合：數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)被完全整合成數(shù)據(jù)挖掘系統(tǒng)的一部份，并且因此提供了優(yōu)化的數(shù)據(jù)查詢處理。這樣的話，數(shù)據(jù)挖掘子系統(tǒng)被視為一個信息系統(tǒng)的功能組件。這是一中高度期望的結(jié)構(gòu)，因為它有利于數(shù)據(jù)挖掘功能、高系統(tǒng)性能和集成信息處理環(huán)境的有效實現(xiàn)。從以上提供的體系結(jié)構(gòu)的描述看，緊密耦合是最優(yōu)的，沒有值得顧慮的技術(shù)和執(zhí)行問題。但緊密耦合系統(tǒng)所需的大量技術(shù)基礎結(jié)構(gòu)仍然在發(fā)展變化，其實現(xiàn)并非易事。因此，目前最流行的體系結(jié)構(gòu)

8、仍是半緊密耦合，因為它是松散耦合和緊密耦合的折中。第2章數(shù)據(jù)預處理2.2假設給定的數(shù)據(jù)集的值已經(jīng)分組為區(qū)間。區(qū)間和對應的頻率如下年齡頻率1520051545015203002050150050807008011044計算數(shù)據(jù)的近似中位數(shù)值。先判定屮位數(shù)區(qū)間：N=20(H450+300+15004-700+443194；N/2=1597V2Q0十450十300950V1597+46+52+.-0(C)使用小毅址標規(guī)范化變換零笳由于最夫的鉅對值沁所丘=吊552.14假設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其劃

9、分成三個箱。(a)等頻(等深)劃分。(b)等寬劃分。(c)聚類。答：佃)等頻:等深劃分円(b)等寬劃分.，使用習題2.4給出的age數(shù)據(jù),每個區(qū)間的寬度是：(215-5)/3=70binl5.10J1,13,15,3550,55,72binI91binI204,2152.15畫出一個等寬為10的等寬直方;-.2l/./：./.；:青年”RSWORSRSWR,中年”（和“老年”1勺產(chǎn)八廣嚴rrrib1聚類抽樣，分層抽層本和樣。為如大每種抽樣樣術(shù)勾解答：(a)冋出-個等寬為10的等寬門方圖；SRSWOR和SRSWR；不是同次的隨機抽樣結(jié)果吋以不但前者因無放岡SampledSampledSamplt

10、：2SanipkSmiddleageyoungmiddleageTzyoungTnyoungyoungt416youngTi,325youngTi.733middleaget2546middleaget概述70Senior3.4假定BigUniversity的數(shù)據(jù)倉庫包含如下4個維student(student_name,area_id,major,status,university),course(course_namdepartment),semester(semesterar)和instructor(dept,rank)；2個度量：Count和；avg_gade。在最低概念層,度量avg

11、_grade存放學生的實際課程成績。在較高概念層,avg_grade存放給定組合的平均成績。(a) 為該數(shù)據(jù)倉庫畫出雪花形模式圖。(b) (b)由基本方體student,course,semester,instructor開始，為列出BigUniversity每個學生的CS課程的平均成績，應當使用哪些特殊的OLAP操作。(c) 如果每維有5層(包括all)女口“studentmajorstatusuniversityall，該立方體包含多少方體？解答：a) 為該數(shù)據(jù)倉庫畫出雪花形模式圖。雪花模式如圖所示。b) 由基本方體student,course,semesterinstructor開始，為

12、歹U出BigUniversity每個學生的CS課程的平均成績,應當使用哪些特殊的OLAP操作。這些特殊的聯(lián)機分析處理(OLAP)操作有：i.沿課程(course)維從coirse_id上卷”到department。ii.沿學生(student)維從student_id上卷”到university。iii.取depatment=“CS”和university-“BigUniversity”沿課程(course)維和學生(student)維切片。JC)如果每維有5層(包括all,“studentmajorstatusuniversity1.25*min(shelf)and1.5*min(shelf

13、)(b)用擴充的SQL表示該查詢。4.3題4.12考慮下面的多特an;aidmajorshitusuniversitymonh的所有子100美元、貨架student維表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) 這是一個分布式多特征立方體嗎？為什么？這不是一個分布多特征立方體，因為在“suchthat”語句中

14、采用了乜”條件。第五章5.3數(shù)據(jù)庫有5個事物。設min_sup=60%，min_conf=80。TID購買的商品T100M,O,N,K,E,YT200D,O,N,K,E,YT300M,A,K,ET400M,U,C,K,YT500C,O,O,K,I,Ea)分別使用Apriori和FP增長算法找出所有的頻繁項集。比較兩種挖掘過程的效率。b)列舉所有與下面的的元規(guī)則匹配的強關(guān)聯(lián)規(guī)則(給出支持度s和置信度c)其中,X是代表顧客的變量,em是表示項的變量(如“A”“B”等)：Vxetransaction,buys(X,iteml)Abuys(X,item2)buys(X,item3)s,c解答：(a)分

15、別使用Apriori和FP增長算法找出所有的頻繁項集。比較兩種挖掘過程的效率。Apriori算法：由于只有5次購買事件,所以絕對支持度是5xminsup=3。00=P(X|senior)P(senior);所以：樸素貝葉斯分類器將X分到junior類。解二：設元組的各屬性之間不獨立，其聯(lián)合概率不能寫成份量相乘的形式。所以已知：X=(department=system,age=2630,salary=46K50K)，元組總數(shù)為：30+40+40+20+5+3+3+10+4+4+6=165。先驗概率：當status=senior時，元組總數(shù)為：30+5+3+10+4=52,P(senior)=52/165=0.32;當status=junior時,元組總數(shù)為：40+40+20+3+4+6=113P,(junior)=113/165=0.68；因為status=senio狀態(tài)沒有對應的age=2530區(qū)間，所以：P(X|senior)=0;因為status=jun