數(shù)據(jù)挖掘-課后習(xí)題

1、習(xí)題-2：數(shù)據(jù)（或?qū)傩裕┑念愋陀心膸追N？怎樣區(qū)分這些類型？每種類型舉一個例子。標(biāo)稱屬性的值只提供足夠的信息以_區(qū)分_對象. 序數(shù)屬性的值提供足夠的信息確定對象的_序_. 對于比率屬性的值，進(jìn)行_差_和_比率_操作都是有意義的. 攝氏溫度、年齡、質(zhì)量、長度、基因表達(dá)量、一號染色體的基因起始位置，它們分別屬于什么數(shù)據(jù)類型。數(shù)據(jù)集的類型主要有幾類？每種類型又包含哪些具體的數(shù)據(jù)集子類型。數(shù)據(jù)矩陣是一種特殊的記錄數(shù)據(jù)類型。與記錄數(shù)據(jù)類型相比，特殊在哪里？目前有100多個代謝通路，如葡萄糖代謝、嘌呤代謝等，那么葡萄糖代謝屬于帶有對象之間聯(lián)系的數(shù)據(jù)還是具有圖形對象的數(shù)據(jù)？如下是酵母細(xì)胞在多個時間點(diǎn)上的全基因

2、組表達(dá)情況。該數(shù)據(jù)集屬于哪種具體的數(shù)據(jù)集類型？這種數(shù)據(jù)有什么特點(diǎn)。噪聲和離群點(diǎn)的區(qū)別？產(chǎn)生遺漏值的原因有哪些?怎樣處理遺漏值？數(shù)據(jù)預(yù)處理主要有什么方法？聚集的主要目的有:數(shù)據(jù)歸約、使數(shù)據(jù)性質(zhì)更加穩(wěn)定、_。（判斷對錯?。㎡MIM數(shù)據(jù)庫中每個疾病已知的疾病基因很少，因此難以利用他們來識別相應(yīng)的通路。為此我們可以利用特征選擇的方法把疾病亞類匯集起來，如肝移植、腎移植、等疾病，稱為器官移植疾病。然后得到較多的基因，再進(jìn)行識別通路。(錯，聚集的方法)統(tǒng)計學(xué)使用抽樣是因為_獲得_（獲得、處理）感興趣的整個數(shù)據(jù)集的費(fèi)用太高、太費(fèi)時間。數(shù)據(jù)挖掘使用抽樣是因為_處理_（獲得、處理）所有的數(shù)據(jù)的費(fèi)用太高、太費(fèi)時間

3、。已知人類基因有2萬個，我們檢測了所有1000疾病基因?qū)υ谕分械木嚯x，結(jié)果發(fā)現(xiàn)它們的平均距離（d）很小。但我們不確定這種現(xiàn)象是否是疾病基因特有的。試?yán)贸闃臃椒▉眚炞C這種現(xiàn)象。連續(xù)屬性離散化方法主要有_、_和_。敘述等寬和等頻離散化方法的原理。當(dāng)數(shù)據(jù)有一些離群點(diǎn)時，采用均值和標(biāo)準(zhǔn)差進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化受離群點(diǎn)影響大。這時可用_中位點(diǎn) 和_絕對標(biāo)準(zhǔn)差 代替。對象之間相似度和相異度測量方法主要有哪些?明可夫斯基距離 ，當(dāng)r=1時，該距離稱為_城市塊距離_。當(dāng)r=2時，該距離稱為_。有兩個數(shù)據(jù)對象，他們都是一維的數(shù)據(jù)（即簡單屬性），那么當(dāng)他們是標(biāo)稱、序數(shù)、或連續(xù)屬性時，他們之間的相似度和相異度怎樣計算。

4、如果利用基因表達(dá)譜來構(gòu)建基因相關(guān)網(wǎng)絡(luò)，可以把每個基因當(dāng)作數(shù)據(jù)對象，然后計算對象間的表達(dá)相關(guān)度。那么計算這種相關(guān)度可以使用_皮爾森相關(guān)系數(shù)_測度。闡述你選擇這種測度的理由？并敘述怎樣利用這種測度來構(gòu)建網(wǎng)絡(luò)。（因為是連續(xù)的）疾病的發(fā)生、發(fā)展與通路密切相關(guān)。目前已知的通路有100個。研究人員發(fā)現(xiàn)皮膚癌與其中的30個通路相關(guān)，中風(fēng)與其中的20個通路相關(guān)。而且這兩個疾病共享的通路有10個。選擇一種方法計算這兩個疾病的相似性值？SMC = (f11 + f00)/(f01 + f10 + f11 + f00) = (10+60) / (10+20+10+60) = 0.7 J = (f11) / (f01

5、 + f10 + f11) = 10 / (10 + 20 + 10) = 0.25 習(xí)題-6隨機(jī)森林方法原理怎樣利用多棵決策樹來尋找疾病風(fēng)險基因隨機(jī)森林與組合決策方法的異同點(diǎn)詳細(xì)閱讀組合決策方法論文組合決策還適用于解決哪些生物學(xué)（醫(yī)學(xué)）問題習(xí)題-9稀疏化的好處OPOSSUM聚類算法中重要一個步驟是稀疏化，敘述該稀疏化方法Chameleon算法使用接近性和互連性概念以及簇的局部建模。關(guān)鍵思想是：使用_和_概念，僅當(dāng)合并后的結(jié)果簇_原來的兩個簇時，這兩個簇才合并。Jarvis-Patrick（JP）聚類算法首先計算_圖，然后使用相似度閾值，稀疏化該圖找出稀疏化圖的連通分支?；赟NN密度的聚類不

6、象JP聚類簡單地使用域值，然后取_作為簇，基于SNN密度的聚類使用基于SNN密度和_方法。SNN密度的優(yōu)勢。習(xí)題-6考慮下表中的數(shù)據(jù)(a)計算項集e,b,d和b,d,e的支持度.(b)利用(a)計算的結(jié)果，計算關(guān)聯(lián)規(guī)則b,d=e和e=b,d的置信度。置信度是對稱的度量嗎？習(xí)題考慮如圖所示的候選3-項集的Hash樹(a)給定一個包含項1,3,4,5,8的事務(wù)，在尋找該事務(wù)的候選項集時，訪問了Hash樹的哪些葉節(jié)點(diǎn)?(b)使用(a)中訪問的葉節(jié)點(diǎn)確定事務(wù)1,3,4,5,8包含的候選項集。習(xí)題習(xí)題將Apriori算法用于下表所示的數(shù)據(jù)集，最小支持度為30%.習(xí)題(a)畫出數(shù)據(jù)集的項集格。并用以下字母

7、標(biāo)記格中的每個節(jié)點(diǎn)。N：不是候選項集；F：頻繁項集；I：經(jīng)支持度計數(shù)后，發(fā)現(xiàn)是非頻繁的候選項集。(b)頻繁項集的百分比是多少？(c)Apriori算法的剪枝率是多少？(d)假警告率是多少？(假警告率指經(jīng)過支持度計算后被發(fā)現(xiàn)是非頻繁的候選項集所占的百分比。)習(xí)題考慮下面的相依表(a)對于表I，計算關(guān)聯(lián)模式A,B的支持度，興趣度和相關(guān)系數(shù)，并計算規(guī)則AB和BA的置信度。(b)對于表II ，計算關(guān)聯(lián)模式A,B的支持度，興趣度和相關(guān)系數(shù)，并計算規(guī)則AB和BA的置信度。(c)由(a)和(b)的結(jié)果可以得出什么結(jié)論。習(xí)題-7考慮下表所示的數(shù)據(jù)集。第一個屬性是連續(xù)的，而其余兩個屬性是非對稱二元的。一個規(guī)則是強(qiáng)規(guī)則，如果它的支持度超過15%且置信度超過60%。表中數(shù)據(jù)支持如下兩個強(qiáng)規(guī)則：(i) (1 A 2),B = 1 C = 1(ii) (5 A 8),B = 1 C = 1習(xí)題(a)計算這兩個規(guī)則的支持度和置信度。(b)為了使用傳統(tǒng)的Apriori算法找出這些規(guī)則，我們需要離散化連續(xù)屬性A。假定我們使用等寬分箱方法離散化該數(shù)據(jù)，其中bin-width=2，3，4.對于每個bin-width，上面兩個規(guī)則是否能夠被Apriori算法發(fā)現(xiàn)？對于每個與前面規(guī)則對應(yīng)的規(guī)則，計算其支持度和置信度。習(xí)題對于下面給定的每個序列w=，確定它們是否是序列的子