數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘習(xí)題

1、數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘習(xí)題什么是數(shù)據(jù)挖掘？在你的回答中，強(qiáng)調(diào)以下問(wèn)題：（a）它是又一個(gè)騙局嗎？（b）它是一種從數(shù)據(jù)庫(kù)，統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)發(fā)展的技術(shù)的簡(jiǎn)單轉(zhuǎn)換嗎？（c）解釋數(shù)據(jù)庫(kù)技術(shù)發(fā)展如何導(dǎo)致數(shù)據(jù)挖掘（d）當(dāng)把數(shù)據(jù)挖掘看作知識(shí)發(fā)現(xiàn)過(guò)程時(shí)，描述數(shù)據(jù)挖掘所涉及的步驟。給出一個(gè)例子，其中數(shù)據(jù)挖掘?qū)τ谝环N商務(wù)的成功至關(guān)重要的。這種商務(wù)需要什么數(shù)據(jù)挖掘功能？他們能夠由數(shù)據(jù)查詢(xún)處理或簡(jiǎn)單的統(tǒng)計(jì)分析來(lái)實(shí)現(xiàn)嗎？假定你是Big-University的軟件工程師，任務(wù)是設(shè)計(jì)一個(gè)數(shù)據(jù)挖掘系統(tǒng)，分析學(xué)校課程數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)包括如下信息：每個(gè)學(xué)生的姓名，地址和狀態(tài)（例如，本科生或研究生），所修課程，以及他們累積的GPA（學(xué)分

2、平均）。描述你要選取的結(jié)構(gòu)。該結(jié)構(gòu)的每個(gè)成分的作用是什么？數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)庫(kù)有何不同？它們有那些相似之處？15簡(jiǎn)述以下高級(jí)數(shù)據(jù)庫(kù)系統(tǒng)和應(yīng)用：面向?qū)ο髷?shù)據(jù)庫(kù)，空間數(shù)據(jù)庫(kù)，文本數(shù)據(jù)庫(kù)，多媒體數(shù)據(jù)庫(kù)和WWW。16定義以下數(shù)據(jù)挖掘功能：特征化，區(qū)分，關(guān)聯(lián)，分類(lèi)，預(yù)測(cè)，聚類(lèi)和演變分析。使用你熟悉的現(xiàn)實(shí)生活中的數(shù)據(jù)庫(kù)，給出每種數(shù)據(jù)挖掘的例子。17區(qū)分和分類(lèi)的差別是什么？特征化和聚類(lèi)的差別是什么？分類(lèi)和預(yù)測(cè)呢？對(duì)于每一對(duì)任務(wù)，它們有何相似之處？18根據(jù)你的觀察，描述一種可能的知識(shí)類(lèi)型，它需要由數(shù)據(jù)挖掘方法發(fā)現(xiàn)，但未在本章中列出。它需要一種不同于本章列舉的數(shù)據(jù)挖掘技術(shù)嗎？1.9描述關(guān)于數(shù)據(jù)挖掘方法和用戶(hù)交互問(wèn)題

3、的三個(gè)數(shù)據(jù)挖掘的挑戰(zhàn)。1.10描述關(guān)于性能問(wèn)題的兩個(gè)數(shù)據(jù)挖掘的挑戰(zhàn)。試述對(duì)于多個(gè)異種信息源的集成，為什么許多公司寧愿使用更新驅(qū)動(dòng)的方法（構(gòu)造使用數(shù)據(jù)倉(cāng)庫(kù)），而不愿使用查詢(xún)驅(qū)動(dòng)的方法（使用包裝程序和集成程序）。描述一些情況，其中查詢(xún)驅(qū)動(dòng)方法比更新驅(qū)動(dòng)方法更受歡迎。簡(jiǎn)略比較以下概念，可以用例子解釋你的觀點(diǎn)（a）雪花模式、事實(shí)星座、星型網(wǎng)查詢(xún)模型（b）數(shù)據(jù)清理、數(shù)據(jù)變換、刷新（c）發(fā)現(xiàn)驅(qū)動(dòng)數(shù)據(jù)立方體、多特征方、虛擬倉(cāng)庫(kù)2.3假定數(shù)據(jù)倉(cāng)庫(kù)包含三個(gè)維time，doctor和patient，兩個(gè)度量count和charge，其中charge是醫(yī)生對(duì)一位病人的一次診治的收費(fèi)。（a）列舉三種流行的數(shù)據(jù)倉(cāng)庫(kù)建模

4、模式。（b）使用（a）列舉的模式之一，畫(huà)出上面數(shù)據(jù)倉(cāng)庫(kù)的模式圖。（c）由基本方體day,doctor，patient開(kāi)始，為列出2000年每位醫(yī)生的收費(fèi)總數(shù)，應(yīng)當(dāng)執(zhí)行哪些OLAP操作？（d）為得到同樣的結(jié)果，寫(xiě)一個(gè)SQL查詢(xún)。假定數(shù)據(jù)存放在關(guān)系數(shù)據(jù)庫(kù)中，其模式如下：fee（day，month，year，doctor，hospital，patient，count，charge）假定Big_University的數(shù)據(jù)倉(cāng)庫(kù)包含如下4個(gè)維student,course,semester和instructor，2個(gè)度量count和avg_grade。在最低的概念層（例如對(duì)于給定的學(xué)生、課程、學(xué)期和教師的組

5、合），度量avg_grade存放學(xué)生的實(shí)際成績(jī)。在較高的概念層，avg_grade存放給定組合的平均成績(jī)。為數(shù)據(jù)倉(cāng)庫(kù)畫(huà)出雪花模式圖；由基本方體student,course,semester,instructor開(kāi)始，為列出Big_University每個(gè)學(xué)生的CS課程的平均成績(jī)，應(yīng)當(dāng)使用哪些OLAP操作(如由semester上卷到y(tǒng)ear)；如果每維有5層(包括all)，如studentMAJORSTATUSUNIVERSITY2.5假定數(shù)據(jù)倉(cāng)庫(kù)包含4個(gè)維date，spectator,location和game，2個(gè)度量count和charge。其中charge是觀眾在給定的日期觀看節(jié)目的付費(fèi)

6、。觀眾可以是學(xué)生、成年人或老人，每類(lèi)觀眾有不同的收費(fèi)標(biāo)準(zhǔn)。(a)畫(huà)出該數(shù)據(jù)倉(cāng)庫(kù)的星型模式圖；由基本方體date,spectator,location，game開(kāi)始，為列出2000年學(xué)生觀眾在GM-Place的總付費(fèi)，應(yīng)當(dāng)執(zhí)行哪些OLAP操作？對(duì)于數(shù)據(jù)倉(cāng)庫(kù)，位圖索引是有用的。以該數(shù)據(jù)立方體為例，簡(jiǎn)略討論使用位圖索引結(jié)構(gòu)的優(yōu)點(diǎn)和問(wèn)題。為地區(qū)氣象局設(shè)計(jì)一個(gè)數(shù)據(jù)倉(cāng)庫(kù)。氣象局大約有1000觀察點(diǎn)，散步在該地區(qū)的陸地、海洋，收集基本氣象數(shù)據(jù)，包括每小時(shí)的氣壓、溫度、降雨量。所有的數(shù)據(jù)都送到中心站，那里已收集了這種數(shù)據(jù)長(zhǎng)達(dá)十年。你的設(shè)計(jì)應(yīng)當(dāng)有利于有效的查詢(xún)和聯(lián)機(jī)分析處理，有利于有效地導(dǎo)出多維空間的一般天氣模

7、式。關(guān)于數(shù)據(jù)立方體中的度量計(jì)算：根據(jù)計(jì)算數(shù)據(jù)立方體所用的聚集函數(shù)，列出度量的三種分類(lèi)；對(duì)于具有三個(gè)維time,location和product的數(shù)據(jù)立方體，函數(shù)variance屬于哪一類(lèi)？如果立方體被分割成一些塊，描述如何計(jì)算它；假定函數(shù)是最高的10個(gè)銷(xiāo)售額。討論如何在數(shù)據(jù)立方體里有效的計(jì)算該度量。2.8假定需要在數(shù)據(jù)立方體中記錄三種度量：min，average和median。給定的數(shù)據(jù)立方體允許遞增的刪除(即每次一小部分)，為每種度量設(shè)計(jì)有效的計(jì)算和存儲(chǔ)方法。數(shù)據(jù)倉(cāng)庫(kù)實(shí)現(xiàn)的流行方法是構(gòu)造一個(gè)稱(chēng)為數(shù)據(jù)立方體的多維數(shù)據(jù)庫(kù)。不幸的是，這常常產(chǎn)生大的、稀疏的多維矩陣。給出一個(gè)例子，解釋這種大的、稀疏

8、的數(shù)據(jù)立方體；設(shè)計(jì)一種實(shí)現(xiàn)方法，可以很好的克服這種稀疏矩陣問(wèn)題。注意，需要詳細(xì)解釋你的數(shù)據(jù)結(jié)構(gòu)，討論空間需求量，以及如何由你的結(jié)構(gòu)中檢索數(shù)據(jù)；修改你在(b)的設(shè)計(jì)，處理遞增的數(shù)據(jù)更新。給出你的新設(shè)計(jì)的理由。假定數(shù)據(jù)倉(cāng)庫(kù)包含20個(gè)維，每個(gè)維有5級(jí)粒度。用戶(hù)感興趣的主要是4個(gè)特定的維，每維有3個(gè)上卷、下鉆頻繁訪(fǎng)問(wèn)的級(jí)。你如何設(shè)計(jì)數(shù)據(jù)立方結(jié)構(gòu)，有效地對(duì)此予以支持？用戶(hù)時(shí)常想由一兩個(gè)特定的維鉆透數(shù)據(jù)立方體，到原始數(shù)據(jù)。你如何支持這一特征？2.11假定基本立方體有三個(gè)維A，B，C，其單元數(shù)如下：|A|=1000000，|B|=100,|C|=1000。假定分塊將每維分成10部分。假定每維只有一層，畫(huà)出完

9、整的立方體的格。如果每個(gè)立方單元存放一個(gè)4字節(jié)的度量，若方是稠密的，所計(jì)算的立方體有多大？指出立方體中空間需求量最小的塊計(jì)算次序，并對(duì)計(jì)算2維平面所需要的內(nèi)存空間計(jì)算空間量。31數(shù)據(jù)的質(zhì)量可以用精確性，完整性和一致性來(lái)評(píng)估。提出兩種數(shù)據(jù)質(zhì)量的其他尺度。32在現(xiàn)實(shí)世界的數(shù)據(jù)中，元組在某些屬性上缺少值是常有的。描述處理該問(wèn)題的各種方法。3.3假定用于分析的數(shù)據(jù)包含屬性age。數(shù)據(jù)元組中age的值如下(按遞增序)：13,15,16，16，19，20，20，21，22，22，25，25，25，25，30，33，33，35，35，35，35，36，40，45，46，52，70使用按箱平均值平滑對(duì)以上數(shù)據(jù)

10、進(jìn)行平滑，箱的深度是3。解釋你的步驟。評(píng)論對(duì)于給定的數(shù)據(jù)，該技術(shù)的效果你怎樣確定數(shù)據(jù)中的孤立點(diǎn)？對(duì)于數(shù)據(jù)平滑，還有那些其他方法？34討論數(shù)據(jù)集成需要考慮的問(wèn)題。模式識(shí)別：這主要是實(shí)體識(shí)別問(wèn)題冗余：一個(gè)屬性是冗余的，即它能由另一個(gè)表導(dǎo)出，如果屬性或唯的命名不一致，也可能導(dǎo)致冗余，可以用相關(guān)分析來(lái)檢測(cè)數(shù)據(jù)值沖突的檢測(cè)與處理：有些屬性因表示比例或編碼不同，會(huì)導(dǎo)致屬性不同3.5使用習(xí)題3。3給出的age數(shù)據(jù)，回答以下問(wèn)題：使用最小-最大規(guī)范化，將age值35轉(zhuǎn)換到0。0,1。0區(qū)間使用z-score規(guī)范化轉(zhuǎn)換age值35,其中age的標(biāo)準(zhǔn)差為12。94年使用小數(shù)定標(biāo)規(guī)范化轉(zhuǎn)換age值35。指出對(duì)于給定

11、的數(shù)據(jù)，你愿意使用哪種方法。陳述你的理由。3.6使用流程圖概述如下屬性子集選擇過(guò)程逐步向前選擇逐步向后刪除逐步向前選擇和逐步向后刪除的結(jié)合3.7使用習(xí)題3.3給出的age數(shù)據(jù)畫(huà)一個(gè)寬度為10的等寬直方圖。為如下每種選樣技術(shù)勾畫(huà)例子:SRSWOR,SRSWR,聚類(lèi)選擇，分層選擇。使用長(zhǎng)度為5的樣本和層young,middle_aged和senior。對(duì)如下問(wèn)題，使用偽代碼或你喜歡用的程序設(shè)計(jì)語(yǔ)言，給出算法：對(duì)于分類(lèi)數(shù)據(jù)，基于給定模式中屬性的不同值得個(gè)數(shù)，自動(dòng)產(chǎn)生概念分層。對(duì)于數(shù)值數(shù)據(jù)，基于等寬劃分規(guī)則，自動(dòng)產(chǎn)生概念分層。對(duì)于數(shù)值數(shù)據(jù)，基于等深劃分規(guī)則，自動(dòng)產(chǎn)生概念分層。列出和描述說(shuō)明數(shù)據(jù)挖掘任務(wù)

12、的五種原語(yǔ)。說(shuō)明為什么概念分層在數(shù)據(jù)挖掘中是有用的。概念分層的四種主要類(lèi)型是：模式分層，集合分組分層，操作導(dǎo)出的分層和基于規(guī)則的分層。簡(jiǎn)略定義每種類(lèi)型的分層。對(duì)于每種類(lèi)型的分層，給出一個(gè)不在本章中出現(xiàn)的例子?？紤]下面的由Big-University的學(xué)生數(shù)據(jù)庫(kù)挖掘的關(guān)聯(lián)規(guī)則major(X,science)=status(X,undergrad)(4.8)假定學(xué)校的學(xué)生人數(shù)(即任務(wù)相關(guān)的元組數(shù))為5000，其中56%的在校本科生的專(zhuān)業(yè)是科學(xué)，64%的學(xué)生注冊(cè)本科學(xué)位課程，70%的學(xué)生主修科學(xué)。計(jì)算規(guī)則(4.8)的支持度和置信度。考慮下面的規(guī)則(4.9)：major(X,biology)=stat

13、us(X,undergrad)17%,80%(4.9)假定主攻科學(xué)的學(xué)生30%專(zhuān)業(yè)為biology。與規(guī)則(4.8)對(duì)比，你認(rèn)為規(guī)則(4.9)新穎嗎？解釋你的結(jié)論。語(yǔ)句可以用于挖掘特征化，區(qū)分，關(guān)聯(lián)和分類(lèi)規(guī)則。為聚類(lèi)的挖掘提出一個(gè)語(yǔ)法定義。論建立標(biāo)準(zhǔn)化的數(shù)據(jù)挖掘查詢(xún)語(yǔ)言的重要性。涉及這一任務(wù)的一些潛在好處和挑戰(zhàn)是什么？列舉一些該領(lǐng)域的最近提議。4.7下面的練習(xí)涉及定義概念分層的DMQL語(yǔ)法。典型情況，對(duì)于模式date(day,month,quarter,year)數(shù)據(jù)挖掘系統(tǒng)有一個(gè)預(yù)定義的概念分層。使用DMQL提供該概念分層的定義。概念分層定義可能涉及多個(gè)關(guān)系。例如，iterm_hierach

14、y可以涉及兩個(gè)關(guān)系item和supplier，由如下模式定義：item(item_ID,brand,type,place_made,supplier)supplier(name,type,headquarter_location,owner,size,assets,revenue)5.1對(duì)于類(lèi)特征化，基于數(shù)據(jù)立方體的實(shí)現(xiàn)與諸如面向?qū)傩詺w納的關(guān)系實(shí)現(xiàn)之間的主要不同是什么？討論哪種方法最有效，在什么條件下最有效。假定下面的表從面向?qū)傩缘臍w納導(dǎo)出classprogrammerbirth-placeCannadaothersCannadaDbaotherscount18012020;80將該表轉(zhuǎn)換成現(xiàn)

15、實(shí)相關(guān)t-權(quán)和d-權(quán)的交叉表(b)將類(lèi)Programmer轉(zhuǎn)換成(雙向的)量化描述規(guī)則。例如(birth_place(X)=CanadaA.)t:x%,d:y%.V(.)(t:w%,d:z%。？X,Programmer(X)5.3討論為什么需要解析特征化和如何進(jìn)行。比較兩種歸納方法的結(jié)果：(I)包含相關(guān)分析和(ii)不包含相關(guān)分析。對(duì)于數(shù)據(jù)離散的特征化，另外給出三個(gè)常用統(tǒng)計(jì)度量(未在本章說(shuō)明)，并討論如何在大型數(shù)據(jù)庫(kù)中有效地計(jì)算它們。5.5假定分析數(shù)據(jù)包含屬性age.數(shù)據(jù)元組的age值(以遞增次序)是：13,15,16,16,19，20，20，21，22，22，25，25，25，25，30，3

16、3，33，35，35，35，35，36，40，45，46，52，70A該數(shù)據(jù)的平均值是多少？中位數(shù)是多少？B該數(shù)據(jù)的模是多少？評(píng)論數(shù)據(jù)的模態(tài)性(即雙模態(tài),三模態(tài)等).C數(shù)據(jù)的中列數(shù)是什么D你能找出(粗略地)數(shù)據(jù)的第一個(gè)四分位數(shù)(q1)和第三個(gè)四分位數(shù)(Q3)嗎？E給出數(shù)據(jù)的五數(shù)概括F畫(huà)出數(shù)據(jù)的盒圖G分位數(shù)-分位數(shù)圖與分位數(shù)圖的不同之處是什么？給定由數(shù)據(jù)庫(kù)DB導(dǎo)出的概化關(guān)系R,假定元組的集合厶DB需要從DB中刪除，簡(jiǎn)要給出用于R的必要?jiǎng)h除的增量更新過(guò)程。簡(jiǎn)要給出挖掘解析類(lèi)比較的基于數(shù)據(jù)立方體的增量算法。5.8簡(jiǎn)要給出數(shù)據(jù)立方體環(huán)境下數(shù)據(jù)離散統(tǒng)計(jì)度量的(i)并行和(ii)分布式挖掘方法。61Apr

17、iori算法使用子集支持度性質(zhì)的先驗(yàn)知識(shí)證明頻繁項(xiàng)集的所有非空子集必須也是頻繁的。證明項(xiàng)集s的任意非空子集s的支持度至少和s的支持度一樣大。給定頻繁項(xiàng)集丨和丨的子集s,證明規(guī)則,s=(l-s)啲置信度不可能大于s=(l-s)的置信度。其中，s是s的子集。d)Apriori的一種變形將事務(wù)數(shù)據(jù)庫(kù)D中的事務(wù)劃分成n個(gè)不重疊的部分。證明在D中是頻繁的任何項(xiàng)集至少在D的一個(gè)部分中是頻繁的。62數(shù)據(jù)庫(kù)有4個(gè)事務(wù)。設(shè)min_sup=60%，min_conf=80%。TIDDATEITEMS_BOUGHTT10010/15/99K,A,D,BT20010/15/99D,A,C,E,BT30010/19/99

18、C,A,B,ET40010/22/99B,A,DA)分別使用Apriori和FP-增長(zhǎng)算法找出頻繁項(xiàng)集。比較兩種挖掘過(guò)程的有效性。B)列出所有強(qiáng)關(guān)聯(lián)規(guī)則，他們與下面的元規(guī)則匹配，其中，X是代表顧客的變量，item時(shí)表示項(xiàng)的變量：xWtransaction,buys(X,item1)Abuys(X,item2)=buys(X,item3)s,c6.3在挖掘?qū)咏徊骊P(guān)聯(lián)規(guī)則時(shí)，假定發(fā)現(xiàn)項(xiàng)集IBMdesktopcomputer,printer不滿(mǎn)足最小支持度。這一信息可以用來(lái)剪去諸如IBMdesktopcomputer,b/wprinter1的后代項(xiàng)集的挖掘嗎？給出一個(gè)一般規(guī)則，解釋這一信息如何用于對(duì)

19、搜索空間剪枝。6.4給出一個(gè)短例子，表明強(qiáng)關(guān)聯(lián)規(guī)則中的項(xiàng)可能實(shí)際上是負(fù)相關(guān)的。6.5下面的相依表匯總了超級(jí)市場(chǎng)的事務(wù)數(shù)據(jù)，其中，hotdogs表示包含熱狗的事務(wù)，hotdogs表示不包含熱狗的事務(wù)，hamburgers表示包含漢堡包的事務(wù)，hamburgers表示不包含漢堡包的事務(wù)。HotdogshotdogsHamburgers20005002500hamburgers100015002500工col300020005000假定發(fā)現(xiàn)關(guān)聯(lián)規(guī)則hotdogs=hamburgers。給定最小支持度閾值25%，最小置信度閾值50%，該關(guān)聯(lián)規(guī)則是強(qiáng)的嗎？根據(jù)給定的數(shù)據(jù)，買(mǎi)hotdog獨(dú)立于買(mǎi)hambu

20、rgers嗎？如果不是，二者之間存在何種相關(guān)聯(lián)系？6.6數(shù)據(jù)庫(kù)有4個(gè)事務(wù)，設(shè)min_sup=60%，min_conf=80%。Cust_IDTIDItems_bought(以brand-item_category形式)01T100Kings-Carb,Sunset-Milk,Dairyland-Cheese,best-Bread02T200Best-Cheese,Dairyland-Milk,Goldenfarm-Apple,Tasty-Pie,Wonder-Bread01T300Westcoast-Apple,Dairyland-Milk,Wonder-Bread,Tasty-Pie03T4

21、00Wonder-Bread,Sunset-Milk,Dairyland-Cheese在item_category粒度(例如，itemi可以是milk),對(duì)于下面規(guī)則模板xWtransaction,buys(X,item1)Abuys(X,item2)=buys(X,item3)s,c對(duì)于最大的k,列出頻繁k-項(xiàng)集和包含最大的k的頻繁k-項(xiàng)集的所有強(qiáng)關(guān)聯(lián)規(guī)則。在brand-item_category粒度(例如：item可以是sunset-milk)，對(duì)于下面的規(guī)則模板：xWcustomer,buys(X,item1)Abuys(X,item2)=buys(X,item3)對(duì)最大的k,列出頻繁k

22、-項(xiàng)集。注意：不打印任何規(guī)則。假定一個(gè)大型存儲(chǔ)具有分布在4個(gè)站點(diǎn)的事務(wù)數(shù)據(jù)庫(kù)。每個(gè)成員數(shù)據(jù)庫(kù)中的事務(wù)具有相同的格式Tj:i1,.,im；其中，Tj是事務(wù)標(biāo)示符，而ik(1=k=m)是事務(wù)中購(gòu)買(mǎi)的商品標(biāo)識(shí)符。提出一個(gè)有效的算法，挖掘全局關(guān)聯(lián)規(guī)則(不考慮多層關(guān)聯(lián)規(guī)則)?？梢越o出你的算法的要點(diǎn)。你的算法不必將所有的數(shù)據(jù)移到一個(gè)站點(diǎn)，并且不造成過(guò)度的網(wǎng)絡(luò)通信開(kāi)銷(xiāo)。6.8假定大型事務(wù)數(shù)據(jù)庫(kù)DB的頻繁項(xiàng)集已經(jīng)存儲(chǔ)。討論：如果新的事務(wù)集ADB(增量地)加進(jìn)，在相同的最小支持度閾值下，如何有效地挖掘(全局)關(guān)聯(lián)規(guī)則？提出并給出挖掘多層關(guān)聯(lián)規(guī)則的層共享挖掘方法的要點(diǎn)。其中，每個(gè)項(xiàng)用它的層位置編碼，一次初始數(shù)據(jù)庫(kù)

23、掃描收集每個(gè)概念層的每個(gè)項(xiàng)的計(jì)數(shù)，識(shí)別頻繁和子頻繁項(xiàng)集。將用該方法挖掘多層關(guān)聯(lián)規(guī)則與挖掘單層關(guān)聯(lián)規(guī)則的花費(fèi)進(jìn)行比較。6.10證明：包含項(xiàng)h和其祖先h的項(xiàng)集H的支持度與項(xiàng)集H-h的支持度相同。解釋如何將它用于層交叉關(guān)聯(lián)規(guī)則挖掘。提出一種挖掘混合維關(guān)聯(lián)規(guī)則(多維關(guān)聯(lián)規(guī)則帶有重復(fù)謂詞)的方法。序列模式可以用類(lèi)似于關(guān)聯(lián)規(guī)則挖掘的方法挖掘。設(shè)計(jì)一個(gè)有效的算法，由事務(wù)數(shù)據(jù)庫(kù)挖掘多層序列模式。這種模式的一個(gè)例子如下：買(mǎi)PC的顧客在三個(gè)月內(nèi)將買(mǎi)Microsoft軟件，在其上，可以下鉆，發(fā)現(xiàn)該模式的更詳細(xì)的版本，如買(mǎi)PentiumPC的顧客在三個(gè)月內(nèi)將買(mǎi)MicrosoftOffice。商店里每種商品的價(jià)格是非負(fù)

24、的。商店經(jīng)理只關(guān)心如下形式的規(guī)則：一件免費(fèi)商品可能觸發(fā)在同一事務(wù)中$200的總購(gòu)物。陳述如何有效地挖掘這種規(guī)則。商店里每種商品的價(jià)格是非負(fù)的。對(duì)于以下每種情況，識(shí)別它們提供的約束類(lèi)型，并簡(jiǎn)略討論如何有效地挖掘這種關(guān)聯(lián)規(guī)則。至少包含一件Nintendo游戲。包含一些商品，它們的單價(jià)和小于$150。包含一件免費(fèi)商品，并且其它商品的單價(jià)和至少是$200。所有商品的平均價(jià)格在$100和$500之間。簡(jiǎn)述判定樹(shù)分類(lèi)的主要步驟。在判定樹(shù)歸納中，為什么樹(shù)剪枝是有用的？用一個(gè)單獨(dú)的樣本集計(jì)值剪枝的缺點(diǎn)是什么？為什么樸素貝葉斯分類(lèi)稱(chēng)為樸素的？簡(jiǎn)述樸素貝葉斯分類(lèi)的主要思想。7.4比較急切分類(lèi)(如判定樹(shù)、貝葉斯、神

25、經(jīng)網(wǎng)絡(luò))相對(duì)于懶散分類(lèi)(如，k-最臨近、基于案例的推理)的優(yōu)缺點(diǎn)。通過(guò)對(duì)預(yù)測(cè)變量的變換，有些非線(xiàn)性回歸模型可以轉(zhuǎn)換成線(xiàn)性的。指出如何將非線(xiàn)性回歸方程Y=aXb轉(zhuǎn)換成可以用最小平方法求解的線(xiàn)性回歸方程。什么是推進(jìn)？陳述它為何能提高判定樹(shù)歸納的準(zhǔn)確性。的表決，這里每個(gè)分類(lèi)法的表決是其準(zhǔn)確率的函數(shù)。推進(jìn)算法也可以擴(kuò)充到連續(xù)值預(yù)測(cè)。證明準(zhǔn)確率是靈敏性和特效性度量的函數(shù)，即證明(7.31)式。當(dāng)一個(gè)數(shù)據(jù)對(duì)象可以同時(shí)屬于多個(gè)類(lèi)時(shí)，很難評(píng)估分類(lèi)的準(zhǔn)確率。陳述在這種情況下，你將使用何種標(biāo)準(zhǔn)比較在相同數(shù)據(jù)上的建模的不同分類(lèi)方法。7.9給定判定樹(shù)，你有選擇：(a)將判定樹(shù)轉(zhuǎn)換成規(guī)則，然后對(duì)結(jié)果規(guī)則剪枝，或(b)對(duì)

26、判定樹(shù)剪枝，然后將剪枝后的樹(shù)轉(zhuǎn)換成規(guī)則。相對(duì)于(b),(a)的優(yōu)點(diǎn)是什么？7.10給定k和描述每個(gè)樣本的屬性數(shù)n,寫(xiě)一個(gè)k-最臨近分類(lèi)算法。7.11下表給出課程數(shù)據(jù)庫(kù)中學(xué)生的期中和期末考試成績(jī)。X其中考試Y期末考試728450638177747894908675594983796577335288748190繪數(shù)據(jù)圖。X和Y看上去具有線(xiàn)性聯(lián)系嗎？使用最小二乘法，求由學(xué)生的期中成績(jī)預(yù)測(cè)學(xué)生的期末成績(jī)的方程式。預(yù)測(cè)期中成績(jī)?yōu)?6分的學(xué)生的期末成績(jī)。7.12下表有雇員數(shù)據(jù)庫(kù)的訓(xùn)練數(shù)據(jù)組成。數(shù)據(jù)已概化。對(duì)于給定的行，count表示department,status,age和salary在該行上具有給定

27、值的元組數(shù)。departmentStatusAgeSalarycountsalessenior31.3546K.50K30salesjunior26.3026K.30K40salesjunior31.3531K.35K40systemsjunior21.2546K.50K20systemssenior31.3566K.70K5systemsjunior26.3046K.50K3systemssenior41.4566K.70K3marketingsenior36.4046K.50K10marketingjunior31.3541K.45K4secretarysenior46.5036K.40K

28、4secretaryjunior26.3026K.30K6設(shè)salary是類(lèi)標(biāo)號(hào)屬性。你將如何修改ID3算法，以便考慮每個(gè)概化數(shù)據(jù)元組(即每一行)的count？使用你修改過(guò)的ID3算法，構(gòu)造給定數(shù)據(jù)的判定樹(shù)。給定一個(gè)數(shù)據(jù)樣本，它在屬性department,status和age上的值分別為systemsTjunior和20.24。該樣本的salary的樸素貝葉斯分類(lèi)是什么？為給定的數(shù)據(jù)設(shè)計(jì)一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò)。標(biāo)記輸入和輸出層節(jié)點(diǎn)。使用上面得到的多層前饋神經(jīng)網(wǎng)絡(luò)，給定訓(xùn)練實(shí)例(sales,senior,31.35,46K.50K)給出后向傳播算法一次迭代后的權(quán)值。指出你使用的初始權(quán)值和偏置以及學(xué)

29、習(xí)率。給定年齡age的變量的如下度量值：18，22，25，42，28，43，33，35，56，28通過(guò)如下的方法進(jìn)行變量標(biāo)準(zhǔn)化：計(jì)算age的平均絕對(duì)誤差。計(jì)算頭四個(gè)值的zscore。給定兩個(gè)對(duì)象，分別用元組(22，1，42，10)和(20，0，36，8)表示計(jì)算兩個(gè)對(duì)象之間的歐幾里的距離計(jì)算兩個(gè)對(duì)象之間的曼哈坦距離計(jì)算兩個(gè)對(duì)象間的明考斯基距離，q=3。什么是聚類(lèi)？簡(jiǎn)單描述下列聚類(lèi)方法：劃分方法，層次方法，基于密度的方法，基于網(wǎng)格的方法，以及基于模型的方法。為每種方法給出例子。假設(shè)數(shù)據(jù)挖掘的任務(wù)是將如下8個(gè)點(diǎn)（用（x,y）代表位置）聚類(lèi)為3個(gè)簇：A1（2，10），A2（2，5），A3（8，4），

30、B1（5,8）,B2（7,5）,B3（6,4）,C1（1,2）,C2（4,9）距離函數(shù)是歐幾里的距離。假設(shè)初始選擇A1，B1，C1分別為每個(gè)聚類(lèi)的中心。請(qǐng)用K平均算法給出a）第一次循環(huán)執(zhí)行后的三個(gè)聚類(lèi)中心；b）最后的三個(gè)簇。人眼在判斷聚類(lèi)方法對(duì)二位數(shù)據(jù)的聚類(lèi)質(zhì)量上是快速而有效的。你能否設(shè)計(jì)出一個(gè)數(shù)據(jù)可視的方法類(lèi)似數(shù)據(jù)聚類(lèi)可視化和幫助人們判斷三維數(shù)據(jù)的聚類(lèi)質(zhì)量。對(duì)更高維的數(shù)據(jù)如何？給出如何集成特定聚類(lèi)算法的例子,例如,什么情況下一個(gè)聚類(lèi)算法被用作另一個(gè)算法的預(yù)處理。異構(gòu)數(shù)據(jù)庫(kù)系統(tǒng)由多個(gè)數(shù)據(jù)庫(kù)系統(tǒng)組成,這些數(shù)據(jù)庫(kù)的定義是相互獨(dú)立的,但彼此間需要一定的信息交換,能夠處理局部和全局查詢(xún)。試述在這種系統(tǒng)

31、中如何使用基于概化的方法處理描述性挖掘查詢(xún)。對(duì)象立方體的建立,可以在執(zhí)行多維概化之前通過(guò)把面向?qū)ο蟮臄?shù)據(jù)庫(kù)概化為結(jié)構(gòu)化數(shù)據(jù)來(lái)完成。試述如何在對(duì)象立方體中處理集合值數(shù)據(jù)。9.3空間關(guān)聯(lián)挖掘可以至少按如下兩種方式加以實(shí)現(xiàn)：（i）基于挖掘查詢(xún)的要求，可以動(dòng)態(tài)計(jì)算不同空間對(duì)象之間的空間關(guān)聯(lián)關(guān)系；（ii）預(yù)先計(jì)算出空間對(duì)象間的空間距離，使得關(guān)聯(lián)挖掘可以基于這些預(yù)計(jì)算結(jié)果求得。試述（i）如何高效實(shí)現(xiàn)上述方法；（ii）各方法的適用條件。9.4假設(shè)某城市的交通部門(mén)需要規(guī)劃高速公路的建設(shè)，為此希望根據(jù)每天不同時(shí)刻收集到的交通數(shù)據(jù)進(jìn)行有關(guān)高速公路大通方面的數(shù)據(jù)分析。（a）設(shè)計(jì)一存儲(chǔ)高速公路交通信息的空間數(shù)據(jù)倉(cāng)庫(kù)，

32、可以方便地支持人們按高速公路、按一天的時(shí)間和按工作日查看平均的和高峰時(shí)間的交通流量，以及在發(fā)生重大交通事故時(shí)的交通狀況。（b）可以從該空間數(shù)據(jù)倉(cāng)庫(kù)中挖掘什么樣的信息用于支持城市規(guī)劃人員？（c）該數(shù)據(jù)倉(cāng)庫(kù)既包含了空間數(shù)據(jù)，也包含了時(shí)態(tài)數(shù)據(jù)。設(shè)計(jì)一種挖掘技術(shù)，可以高效地從該空間時(shí)態(tài)數(shù)據(jù)倉(cāng)庫(kù)挖掘有意義的模式。多媒體中的相似檢索已經(jīng)成為多媒體數(shù)據(jù)檢索系統(tǒng)開(kāi)發(fā)中的主要內(nèi)容。然而，許多多媒體數(shù)據(jù)挖掘方法只是基于孤立的簡(jiǎn)單多媒體特征分析，如顏色、形狀、描述、關(guān)鍵字，等等。（a）請(qǐng)指出將數(shù)據(jù)挖掘與基于相似性的檢索結(jié)合,可以給多媒體數(shù)據(jù)挖掘帶來(lái)重要的進(jìn)步?？梢杂萌我粩?shù)據(jù)挖掘技術(shù)為例，如多維分析、分類(lèi)、關(guān)聯(lián)或聚類(lèi)等。（b）請(qǐng)概述應(yīng)用基于相似性的搜索方法增強(qiáng)多媒體數(shù)據(jù)中聚類(lèi)質(zhì)量的實(shí)現(xiàn)技術(shù)。假設(shè)一供電站保存了按時(shí)間和按地區(qū)的能源消耗量，和每一地區(qū)每一用戶(hù)的能源使用信息。討論在這一時(shí)序數(shù)據(jù)庫(kù)中，如何解決如下問(wèn)題：（a）找出星期五某一給定地區(qū)的相似的能源消耗曲線(xiàn)；（b）當(dāng)能源消耗曲線(xiàn)急劇上升時(shí)，20分鐘內(nèi)會(huì)發(fā)生什么情況？（c）如何找出可以區(qū)分穩(wěn)定能源消耗地區(qū)與不穩(wěn)定能源消耗地區(qū)的最突出特征？9.7假設(shè)某連鎖餐廳想挖掘出與主要體育事件相關(guān)的顧客行為，如每當(dāng)電視播出法裔加拿大人的曲棍球比賽時(shí)，肯德雞的銷(xiāo)量會(huì)在比賽前一小時(shí)上升20。(a)給出一種找出這種模式的有效方法。(b)大部分與時(shí)間相關(guān)的關(guān)聯(lián)挖