數(shù)據(jù)挖掘考試提綱

1、第一章1、數(shù)據(jù)挖掘的概念。 P3數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取或“挖掘知識。數(shù)據(jù)挖掘是個過程，目的是知識發(fā)現(xiàn)。數(shù)據(jù)挖掘的過程：1數(shù)據(jù)預(yù)處理：®數(shù)據(jù)清理消除重復(fù)的、不完全的、違反語義約束的數(shù)據(jù)，數(shù)據(jù)集成多種數(shù)據(jù)源可以組合在一起，數(shù)據(jù)選擇從數(shù)據(jù)庫中檢索與分析任務(wù)相關(guān)的數(shù)據(jù)，數(shù)據(jù)變換數(shù)據(jù)變換或統(tǒng)一成適合挖掘的形式，如通過匯總或聚集操作 。2數(shù)據(jù)挖掘使用智能方法提取數(shù)據(jù)模式3 模式評估根據(jù)某種興趣度度量，識別表示知識的真正有趣的模式4知識表示使用可視化和知識表示技術(shù)，向用戶提供挖掘的知識2、數(shù)據(jù)挖掘有哪些模式。 P3數(shù)據(jù)挖掘的模式： 1 分類模式， 2回歸模式， 3時間序列模式， 4聚類模式，

2、5關(guān) 聯(lián)規(guī)那么模式， 6 序列模式。3、什么是有意義的模式。1它易于理解。 2在某種必然程度上，對于新的或檢驗數(shù)據(jù)是有效的。 3 是潛在有用的。 4是新穎的。如果一個模式符合用戶確信的某種假設(shè)，它也是 有趣的。有趣的模式就是知識。4、數(shù)據(jù)挖掘中能否挖掘出所有模式。數(shù)據(jù)挖掘可能產(chǎn)生數(shù)以千計的模式或規(guī)那么，但并不是所有的模式或規(guī)那么都是 令人感興趣的。第二個問題 “數(shù)據(jù)挖掘系統(tǒng)能夠產(chǎn)生所有有趣的模式嗎 ?涉及數(shù)據(jù)挖掘 算法的完全性。 第三個問題 “數(shù)據(jù)挖掘系統(tǒng)能夠僅產(chǎn)生有趣的模式嗎 ?是 數(shù)據(jù)挖掘的優(yōu)化問題。5、數(shù)據(jù)挖掘的步驟4,以及每一步驟的作用。P4圖1* 數(shù)撼挖掘視為知識發(fā)現(xiàn)過稈的一個步驟6

3、數(shù)據(jù)挖掘與知識發(fā)現(xiàn)有什么關(guān)系。有趣的數(shù)據(jù)挖掘模式代表知識。如果一個模式符合用戶確信的某種假設(shè), 它也是有趣的。有趣的模式就是知識。7、數(shù)據(jù)挖掘的對象11。P6-131數(shù)據(jù)存儲庫包括：關(guān)系數(shù)據(jù)庫、數(shù)據(jù)倉庫、事務(wù)數(shù)據(jù)庫、高級數(shù)據(jù)庫系統(tǒng)、 一般文件、數(shù)據(jù)流和萬維網(wǎng)。2高級數(shù)據(jù)庫系統(tǒng)包括對象一關(guān)系數(shù)據(jù)庫和面向特殊應(yīng)用的數(shù)據(jù)庫，如空間 數(shù)據(jù)庫、時間序列數(shù)據(jù)庫、文本數(shù)據(jù)庫和多媒體數(shù)據(jù)庫。8、數(shù)據(jù)挖掘的功能6。P14-18功能：1概念/類描述：特征化和區(qū)分；2挖掘頻繁模式，關(guān)聯(lián)和相關(guān)；3分類和預(yù)測；4聚類分析；9、數(shù)據(jù)挖掘5個相關(guān)學(xué)科、技術(shù)。P19圖數(shù)據(jù)挖掘是交叉學(xué)科，受多個學(xué)科影響。包括數(shù)據(jù)庫系統(tǒng)，統(tǒng)計學(xué)

4、，機器學(xué)習(xí), 可視化和信息科學(xué)還有其他科學(xué)。1、數(shù)據(jù)挖掘的第一階段是數(shù)據(jù)預(yù)處理。數(shù)據(jù)清理是用于去掉數(shù)據(jù)中的噪聲數(shù)據(jù)，糾正不一致2、數(shù)據(jù)預(yù)處理的分類、每個分類的作用、有什么技術(shù)。 P311數(shù)據(jù)清理可以去掉數(shù)據(jù)中的噪聲，糾正不一致：試圖填充缺失的值，光 滑噪聲并識別離群點，并糾正數(shù)據(jù)的不一致。主要技術(shù)：1缺失值；1忽略元 組2人工填寫缺失值3使用全局常量填充缺失值4使用屬性的均值填充缺失 值5使用與給定元組屬同一類的所有樣本的屬性均值 6使用最可能得值填充 缺失值使用推理進行預(yù)測；2光滑技術(shù)：1分箱，2回歸，3聚類2數(shù)據(jù)集成將多個數(shù)據(jù)源合并成一致的數(shù)據(jù)存儲，構(gòu)成一個完整的數(shù)據(jù)集， 如數(shù)據(jù)倉庫或數(shù)據(jù)

5、立方體；3數(shù)據(jù)變換將一種格式的數(shù)據(jù)轉(zhuǎn)換為另一格式的數(shù)據(jù) 如標(biāo)準(zhǔn)化或統(tǒng)一成 適宜于挖掘的形式。；主要技術(shù)：®光滑去掉數(shù)據(jù)中的噪聲，如分箱技術(shù)，回歸，聚類； 聚集對數(shù)據(jù)進行匯總或聚集；數(shù)據(jù)泛化分層，用高層概念代替低層； 標(biāo)準(zhǔn)化1最大最小標(biāo)準(zhǔn)化v v min A (new_maxA new_min A) new_minA ； maxA min An ew_mi n A,n ew_maxA是映射后的區(qū)域,min a, max a是變換前 數(shù)據(jù)的最大最小值。v'是轉(zhuǎn)換后的數(shù)據(jù)。2 z-score標(biāo)準(zhǔn)化v'-Aa , a分別是原始A數(shù)據(jù)的平均值，和標(biāo)準(zhǔn)差；3小數(shù)定標(biāo)標(biāo)準(zhǔn)化、v&#

6、39;二10屬性構(gòu)造；4數(shù)據(jù)歸約可以通過聚集、刪除冗余特性或聚類等方法來壓縮數(shù)據(jù)：數(shù)據(jù)歸約是保持原來數(shù)據(jù)的完整性，將數(shù)據(jù)集變小，并不影響對結(jié)果的分析。 歸約的策略：1數(shù)據(jù)立方體聚集2屬性子集的選擇3維度歸約4數(shù)值歸約5 離散化和概念分層產(chǎn)生。3、數(shù)據(jù)清理所需要的方法6。P39數(shù)據(jù)清理可以分為有監(jiān)督和無監(jiān)督兩類。主要技術(shù)：1缺失值；1忽略元組2人工填寫缺失值3使用全局常量填充缺失 值4使用屬性的均值填充缺失值5使用與給定元組屬同一類的所有樣本的屬 性均值6使用最可能得值填充缺失值使用推理進行預(yù)測；2光滑技術(shù)：1 分箱，2回歸，3聚類4、什么是噪聲數(shù)據(jù)。如何處理3。P40噪聲是被測量的變量的隨機誤

7、差或方差。處理：1分箱。2聚類。3計算機和人工檢查結(jié)合.4回歸5、數(shù)據(jù)集成的概念。用來干什么。方法有哪些。P43數(shù)據(jù)集成是將多個數(shù)據(jù)源合并成一致的數(shù)據(jù)存儲，構(gòu)成一個完整的數(shù)據(jù)集如數(shù)據(jù)倉庫或數(shù)據(jù)立方體它需要統(tǒng)一原始數(shù)據(jù)中的所有矛盾之處，如字段的 ：同名異義、異名同義、單位不統(tǒng)一字長不一致，從而把原始數(shù)據(jù)在最低層上加以轉(zhuǎn)換，提煉和集成。1模式集成，2冗余問題，3數(shù)據(jù)值沖突的檢測與處理6有哪些冗余2,解決方法。P43-44屬性冗余：常用的解決方法是 相關(guān)分析檢測；卡方檢驗分類或離散數(shù)據(jù)； 元組冗余7、數(shù)據(jù)變換內(nèi)容和含義5。P45數(shù)據(jù)變換將數(shù)據(jù)轉(zhuǎn)換成適合于挖掘的形式。主要是找到數(shù)據(jù)的特征表示， 對數(shù)據(jù)

8、進行規(guī)格化處理。用維變換或轉(zhuǎn)換方式減少有效變量的數(shù)目或找到數(shù) 據(jù)的不變式8、標(biāo)準(zhǔn)化有哪些方法。至少掌握 2種計算方法。P45-46®最大最小標(biāo)準(zhǔn)化' v min a v n ew_ max A n ew_mi n A n ew_mi nA ；maxA min A _n ew_ min a , n ew_max a 是映射后的區(qū)域,min a, max a是變換前 數(shù)據(jù)的最大 最小值。v是轉(zhuǎn)換后的數(shù)據(jù)。z-score標(biāo)準(zhǔn)化v -Aa , a分別是原始數(shù)據(jù)的平均值，和標(biāo)準(zhǔn)差；A小數(shù)定標(biāo)標(biāo)準(zhǔn)化、v10j9、數(shù)據(jù)規(guī)約策略47。P47歸約的策略：1數(shù)據(jù)立方體聚集2屬性子集的選擇3維度歸

9、約4數(shù)值歸約5離散化和概念分層產(chǎn)生10、屬性子集選擇的根本啟發(fā)式方法包括什么技術(shù)4。P48-491 逐步向前選擇 2 逐步向后刪除 3 向前選擇和向后刪除的結(jié)合 4 決策樹歸納 第三章1、數(shù)據(jù)倉庫的概念、目的、特點。 P67 數(shù)據(jù)倉庫是一個面向主題的圍繞主題組織數(shù)據(jù) ，集成的由多個異構(gòu)數(shù)據(jù)源 集成，時變的和非易失的數(shù)據(jù)集合，支持管理部門的決策過程。2、數(shù)據(jù)倉庫的邏輯模式。 P72 星形，雪花和事實星座模式3、星型模式的事實表包括2。P73 事實表：包含度量值和關(guān)聯(lián)維度表的碼。星形事實模型： 包括維表和事實表。 維表記錄的是根本信息， 事實表記錄業(yè)務(wù)過 程。所以星形事實模型中， 一般在維表上建立

10、主鍵， 在事實表上建立外鍵。 事實表包 括了外鍵和業(yè)務(wù)過程的數(shù)據(jù)。事實表包含聯(lián)系事實與維度表的數(shù)字度量值和鍵。 事實數(shù)據(jù)表包含描述業(yè)務(wù) 內(nèi)特定事件的數(shù)據(jù) 。4、數(shù)據(jù)倉庫的物理結(jié)構(gòu) 3：MRH-SQL Server 是 H*。 P865、OLAP 操作 5。 P791上卷：就是將高維的數(shù)據(jù)壓縮到低維，是個數(shù)據(jù)的累加過程。 Eg：從街道 上卷到城市。 就是把同一城市的所有街道的數(shù)據(jù)累加起來。 維度上下是屬性 的個數(shù)，維度高屬性個數(shù)多 。通過一個維德概念分層向上攀升， 或者通過維 歸納，對數(shù)據(jù)立方體進行聚集。2下鉆：是把數(shù)據(jù)的維度進一步分解，跟上卷相反。Eg：從城市分解到街道。上卷操作的逆操作。從高

11、層概括到底層概括，從不詳細(xì)到更加詳細(xì)。3切片和切塊：就是固定某一維數(shù)據(jù)，再觀察其它維度的數(shù)據(jù)。Eg：固定時間維，觀察不同地點的銷售數(shù)量。4投影和選擇。 轉(zhuǎn)軸：可視化操作，從不同角度觀察數(shù)據(jù)。6數(shù)據(jù)倉庫的實現(xiàn)3。P88高效的立方體計算技術(shù)，存取方法和查詢處理技術(shù)；7、數(shù)據(jù)立方體的有效計算 2。 P88CD compute cube操作與維災(zāi)難Compute cube操作對操作指定維的所有子集計算聚集。立方體計算的方體或 分組總數(shù)為2的N次方。如3維3個屬性數(shù)據(jù)的立方體，分組總數(shù)：2A3=8C2 局部物化：方體的選擇計算。 數(shù)據(jù)立方體的物化：不物化、完全物化、部分物化。8、維災(zāi)難概念。 P89 完

12、全物化指定義數(shù)據(jù)立方體的格中所有的方體的計算。通常需要過多的存儲 空間，特別是當(dāng)維數(shù)和相關(guān)聯(lián)的概念分層增長時，該問題稱為維災(zāi)難。9、N 維有多少個頂點。2的N次方。2n10、數(shù)據(jù)倉庫的查詢?nèi)》椒?3。 P901 位圖索引 2 連接索引 3 位圖連接索引。11、OLAP 查詢的有效處理步驟 2。 P921 確定哪些操作應(yīng)當(dāng)在可利用的方體上執(zhí)行2 確定相關(guān)操作應(yīng)當(dāng)使用哪些物化的方法。第四章1、冰山立方體的概念。 多路數(shù)據(jù)聚集不能計算冰山立方體 。 冰山立方體：不能滿足閾值的單元，這種局部物化的單元稱作冰山立方體。2、BUC 計算冰山立方體。 P1091 從頂點方體向下計算冰山立方體。 2Aprio

13、ri 剪枝。 3 無共享聚集計算 優(yōu)點：分治策略，減少不必要計算開銷。計算流程：1 掃描整個輸入，計算整個度量。 2 針對方體的每一維進行劃分。 3 針對每一個 劃分，對它進行聚集， 為該劃分創(chuàng)立一個元組并得到該元組的計算。 判斷其分組 計算是否滿足最小支持度。 4 如果滿足，輸出該劃分的聚集元組，并在該劃分上 對下一維進行遞歸調(diào)用，否那么進行剪枝操作。3、OLAP 預(yù)計算殼片段，缺點、計算。 P116-1184、點查詢、子立方體查詢概念、計算。 P119-1205、面向?qū)傩缘臍w納是用來干什么。過程有哪些。 P128 面向?qū)傩缘臍w納用于復(fù)雜的數(shù)據(jù)類型并依賴數(shù)據(jù)驅(qū)動的泛化過程。1 使用數(shù)據(jù)庫查詢

14、收集任務(wù)相關(guān)的數(shù)據(jù)； 2 收集工作關(guān)系的統(tǒng)計量。 3 導(dǎo)出主關(guān) 系P6、類比擬的過程。 P1361數(shù)據(jù)收集。 2維相關(guān)分析。 3同步泛化。 4導(dǎo)出比擬的表示。7、類描述：特征化和比擬的表示？(這里不知道考什么)第五章1、支持度、置信度、提升度概念？ P147定義N為總事務(wù)數(shù)，N(A)、N(B)分別為項集A、項集B出現(xiàn)的次數(shù)，N(AB)為 項集A、項集B同時出現(xiàn)的次數(shù)，A、B為不相交項集AH B=?，規(guī)那么A-B表 示由A推到B: 支持度：對整體小一、N(AB)Support(A B)置信度：對條件提升度：聯(lián)合概率NxN(AB)S) xB)A (4)x N(B)2、頻繁項集概念。P147項的集合

15、稱為項集。 Eg： computer， antivirus_software是 2 項集。支持度計數(shù)：項集出現(xiàn)的頻率。滿足最小支持度的閥值的項集就是頻繁項集。3、 Apriori算法、如何實現(xiàn)、缺點、改良方法。P151。P156, P157-159Apriori算法：是為布爾關(guān)聯(lián)規(guī)那么挖掘頻繁項集的原創(chuàng)性算法。性質(zhì)：頻繁項集的所有非空子集也必須是頻繁的。缺陷：1、它可能需要產(chǎn)生大量候選項集。2、它可能需要重復(fù)地掃描數(shù)據(jù)庫，通過模式匹配檢查一個很大的候選集合改良：1、不候選產(chǎn)生挖掘頻繁項集。2、使用垂直數(shù)據(jù)格式挖掘頻繁項集。3、挖掘閉頻繁項集。第六章1、分類、預(yù)測的區(qū)別、關(guān)系。P186預(yù)測分為：

16、分類和數(shù)值預(yù)測。分類是的目標(biāo)值離散數(shù)據(jù)。數(shù)值預(yù)測是的目標(biāo)值是連續(xù)值或者有序值。 但是為了方便，把數(shù)值預(yù)測簡稱為預(yù) 測。分類：*預(yù)測分類標(biāo)號或離散值*根據(jù)訓(xùn)練數(shù)據(jù)集和類標(biāo)號屬性，構(gòu)建模型來分類現(xiàn)有數(shù)據(jù)，并用來分類 新數(shù)據(jù)預(yù)測：是構(gòu)造和使用模型評估無樣本類，或評估給定樣本可能具有的屬性或值空 間。預(yù)測和分類的異同相同點：*兩者都需要構(gòu)建模型都用模型來估計未知值不同點：*分類法主要是用來預(yù)測類標(biāo)號分類屬性值預(yù)測法主要是用來估計連續(xù)值(量化屬性值)2、決策樹算法過程，計算。P1981計算信息量。2計算信息熵。3計算信息增益。4選擇根節(jié)點，遞歸操作3、信息增益公式、概念、如何計算。 P192選擇信息爛最

17、大的作為分類屬性設(shè)口是D中任一元組冨于類Q的概率廠用Q；dI/|D|估計 D中元組分類所需的期望信息(entropy):m力血(Q)二-工j-i Information按屬性A對D中元組進行劃分所需的信息力呃(D)=工守?zé)?2)戶DI信息增益：原來的信息需求(近基于類的)與新的需求(即對A劃分之后得到的)之間的差Gam(A) Info(D)- Info/D)4、神經(jīng)網(wǎng)絡(luò)輸入層、輸出層如何計算。P215-216向前傳播輸入：1 jnWij O iji 1輸出的計算：o j11 e Ij神經(jīng)網(wǎng)絡(luò)的上一層輸出構(gòu)成下一層的輸入5、例題 6-9。P2616線性回歸、最小二乘法計算。P231W1(Xi x

18、)( y ii 1y)(Xii 1x)2W0yWlXy是y的平均值，X是X的平均值最終回歸方程為：yi w0 w1wi第七章1、聚類分析的數(shù)據(jù)類型。不同數(shù)據(jù)類型如何計算。P253-254數(shù)據(jù)結(jié)構(gòu)：數(shù)據(jù)矩陣原數(shù)據(jù)，相異度矩陣?yán)鐢?shù)據(jù)間的距離，反映對象之間的相異度，測量差；數(shù)據(jù)類型：區(qū)間標(biāo)度變量，二元變量，分類、序數(shù)和比例標(biāo)度變量，混合類型的 變量X區(qū)間標(biāo)度變量：O1標(biāo)準(zhǔn)化：z - z是標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣。X原始數(shù)據(jù)，是x平均值,是x的方差。C2計算距離dq J Xik yjk 2 歐氏距離。把距V k 1離小的規(guī)劃為一類。二元變量：dijr srmq")迪1)t(1,0)；分類變量：d

19、jPP是全部變量總是，m是匹配數(shù)目P2、分類、序數(shù)和比例標(biāo)度變量，計算例題7-3，7-5，7-6。P256-260對象標(biāo)識符Test1分類的Test2序數(shù)的Test3比例標(biāo)度1Code-A優(yōu)秀4452Code-B一般223Code-C好1644Code-A優(yōu)秀12107-3:計算分類變量的相異度數(shù)據(jù)是Testi 分類的行是對象記錄，列是屬性只有一列【維】, p mdj令 P=1；得：7-5計算比例標(biāo)度量間的相異度。數(shù)據(jù)是Test3比例標(biāo)度先比照例標(biāo)度變量進行對數(shù)變換。再計算距離。Test3數(shù)據(jù)取對數(shù)得：2.65,1.34, 2.21, 3.08。求歐氏距離:01,3059Q.43350,434

20、4l_ 305900.8F241-7404工 43350.972400.86790_43441. 74040-857907-6計算混合類型變量間的相異度temp =log10(Tes t3)得到：2. 64841. 3434)2.21483- 0S2STemp2=temp/(max(temp)-min(temp)得至U1. 52170. 77131. 2726L7713在對Temp2求距離。00. 75040.24910. 24960. 75C400.50131. 00000. 24910.501300. 49370. 2496L 00000.4SS703、主要聚類方法的分類P261。劃分法，層次法，基于網(wǎng)格的方法，基于模型的方法。4、K均