数据挖掘复习

数据挖掘复习"/>

数据挖掘复习

第一章 介绍

1、什么是数据挖掘

数据挖掘是在大量不完全的，有噪声的，模糊的，随机的实际数据中，提取出隐含其中的，人们事先不知道的，但又潜在有用的信息和知识的过程。

2、如何对数据挖掘进行分类

1.对数据进行分类

2.根据挖掘知识类型分类

3.根据挖掘所用技术进行分类

4.根据挖掘的应用分类

3、数据挖掘的应用

市场分析、风险分析、流数据挖掘、DNA数据分析、文本挖掘与网络挖掘、欺诈检测与异常模式检测

第二章 了解数据

1、数据属性类型有几种？陈述含义。

标称型Nominal：分类、状态、属性名称

二元型Binary：bool类型

序数型Ordinal：值为有意义的序列，但无法做差值

定量型Quantity：量化（整数或实数）

区间标度型Interval：没有真正零点的，利用等大值测量的，有序的值

比率标度型Ratio：有固有的零点

2、如何度量数据中心趋势

平均值Mean

中值Median

众数Mode

中列数Midrange：最大值与最小值的平均

3、如何度量数据离散度

方差与标准差

4、何谓数据分布的五数概括

就是几个四分位数

最小值、Q1、中值、Q3、最大值

5、双模、多模就是指众数有几种，画出四分位图

第三章 数据预处理

1、箱均值平滑法，如何找出离群点，描述其他数据平滑方法

排序数据：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

箱均值平滑法（箱深为3），分成九箱，计算每个箱子的算数平均值，将每个箱子的值变为这个值。

离群点：设置阈值与平滑后的最大值、最小值比较。

其他平滑方法：按箱中值平滑、按箱边界值平滑、按箱中列数平滑

边界值平滑中间的值与谁靠近就赋值谁。

2、规范化下列数据：200，300，400，600，1000

1.max-min法：

设置最小值是0，最大值为1，求每个值的映射值即可 (v-min)/(max-min)
 

2.z-score法：

求均值为500，标准差为，利用公式(v-x)/σ

第四章 数据仓库

1、什么是数据仓库

数据仓库是面向主题的、集成的、时变的和非易失的数据集合，支持管理与决策过程。

第五章 DMQL

 1、列出数据挖掘的五原语

任务相关数据（Task-relevant data）

要挖掘的知识类型（Type of knowledge to be mined）

背景知识（Background knowledge）

模式兴趣度度量（Pattern interestingness measurements）

发现模式的可视化（Visualization of discovered patterns）

 

 

 

 第六章 关联数据挖掘

 

 Apriori计算sup为3（5*60%）即可。计算频繁项集，优化。

FP树算法：对每个TID中的项去除不频繁项，对频繁项进行排序。绘制FP树，FP树就是将每个结点过一遍计数即可，类似字典树。

 绘制表格，频繁树的计算原则是溯源找到对应符号出现的次数，然后保留下满足约束的项目。

 

 第二问只有可能是三项集，由此利用conf推出。

第七章 聚类Clustering

1、什么是好的聚类

具有高类内(intra-class)相似性与低类间(inter-class)相似性。

2、列出主要聚类方法

划分方法（Partitioning approach）

层次方法（Hierarchical approach）

基于密度方法（Density-based approach）

基于网格方法（Grid-based approach）

基于模型方法（Model-based）

基于频繁模式方法（Frequent pattern-based）

用户指导或基于约束方法（User-guided orconstraint-based）

基于链接方法（Link-based clustering）