大数据时代下的数据挖掘试题和答案及解析
《海量数据挖掘技术及工程实践》题目
一、单选题（共80题）
1)( D )的目的缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到
和原始数据相同的分析结果。
A.数据清洗
B.数据集成
C.数据变换
D.数据归约
2)某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖
掘的哪类问题(A)
A. 关联规则发现
B. 聚类
C. 分类
D. 自然语言处理
3)以下两种描述分别对应哪两种对分类算法的评价标准 (A)
(a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。
(b)描述有多少比例的小偷给警察抓了的标准。
A. Precision,Recall
B. Recall,Precision
A. Precision,ROC D. Recall,ROC
4)将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务(C)
A. 频繁模式挖掘
B. 分类和预测
C. 数据预处理
D. 数据流挖掘
5)当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数
据相分离(B)
A. 分类
B. 聚类
C. 关联分析
D. 隐马尔可夫链
6)建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的
哪一类任务(C)
A. 根据内容检索
B. 建模描述
C. 预测建模
D. 寻找模式和规则
7)下面哪种不属于数据预处理的方法 (D)
A.变量代换
B.离散化
C.聚集
D.估计遗漏值
8)假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204,
215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内
(B)
A.第一个
B.第二个
C.第三个
D.第四个
9)下面哪个不属于数据的属性类型：(D)
A.标称
B.序数
C.区间
D.相异
10)只有非零值才重要的二元属性被称作：( C )
A.计数属性
B.离散属性
C.非对称的二元属性
D.对称属性
11)以下哪种方法不属于特征选择的标准方法： (D)
A.嵌入
B.过滤
C.包装
D.抽样
12)下面不属于创建新属性的相关方法的是： (B)
A.特征提取
B.特征修改
C.映射数据到新的空间
D.特征构造
13)下面哪个属于映射数据到新的空间的方法 (A)
A.傅立叶变换
B.特征加权
C.渐进抽样
D.维归约
14)假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方
法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为：(D)
15)一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年
级110人。则年级属性的众数是： (A)
A.一年级
B.二年级
C.三年级
D.四年级
16)下列哪个不是专门用于可视化时间空间数据的技术： (B)
A.等高线图
B.饼图
C.曲面图
D.矢量场图
17)在抽样方法中，当合适的样本容量很难确定时，可以使用的抽样方法是： (D)
A.有放回的简单随机抽样
B.无放回的简单随机抽样
C.分层抽样
D 渐进抽样
18)数据仓库是随着时间变化的,下面的描述不正确的是 (C)
A.数据仓库随时间的变化不断增加新的数据内容
B.捕捉到的新数据会覆盖原来的快照
C.数据仓库随事件变化不断删去旧的数据内容
D.数据仓库中包含大量的综合数据,这些综合数据会随着时间的变化不断地进行重新综
合
19)下面关于数据粒度的描述不正确的是: (C)
A.粒度是指数据仓库小数据单元的详细程度和级别
B.数据越详细,粒度就越小,级别也就越高
C.数据综合度越高,粒度也就越大,级别也就越高
D.粒度的具体划分将直接影响数据仓库中的数据量以及查询质量
20)有关数据仓库的开发特点,不正确的描述是: (A)
A.数据仓库开发要从数据出发
B.数据仓库使用的需求在开发出去就要明确
C.数据仓库的开发是一个不断循环的过程,是启发式的开发
D.在数据仓库环境中,并不存在操作型环境中所固定的和较确切的处理流,数据仓库中
数据分析和处理更灵活,且没有固定的模式
21)关于OLAP的特性,下面正确的是: (D)
(1)快速性 (2)可分析性 (3)多维性 (4)信息性 (5)共享性
A.(1) (2) (3)
B.(2) (3) (4)
C.(1) (2) (3) (4)
D.(1) (2) (3) (4) (5)
22)关于OLAP和OLTP的区别描述,不正确的是: (C)
主要是关于如何理解聚集的大量不同的数据.它与OTAP应用程序不同
B.与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务
的特点在于事务量大,但事务内容比较简单且重复率高
是以数据仓库为基础的,但其最终数据来源与OLTP一样均来自底层的数据库系统,两者面对的用户是相同的
23)关于OLAP和OLTP的说法,下列不正确的是: (A)
事务量大,但事务内容比较简单且重复率高
的最终数据来源与OLTP不一样
面对的是决策人员和高层管理人员
以应用为核心,是应用驱动的
24)设X={1，2，3}是频繁项集，则可由X产生( C )个关联规则。
25)考虑下面的频繁3-项集的集合：
{1,2,3},{1,2,4},{1,2,5},{1,3,4},{1,3,5},{2,3,4},{2,3,5},{3,4,5}假定数据集中只有5个项,采用合并策略,由候选产生过程得到4-项集不包含（ C ）
,2,3,4 ,2,3,5
,2,4,5 ,3,4,5
26)下面选项中t不是s的子序列的是 ( C )
=<{2,4},{3,5,6},{8}> t=<{2},{3,6},{8}>
=<{2,4},{3,5,6},{8}> t=<{2},{8}>
=<{1,2},{3,4}> t=<{1},{2}>
=<{2,4},{2,4}> t=<{2},{4}>
27)在图集合中发现一组公共子结构,这样的任务称为 ( B )
A.频繁子集挖掘
B.频繁子图挖掘
C.频繁数据项挖掘
D.频繁模式挖掘
28)下列度量不具有反演性的是 (D)
A.系数
B.几率
度量 D.兴趣因子
29)下列 ( A )不是将主观信息加入到模式发现任务中的方法。
A.与同一时期其他数据对比
B.可视化
C.基于模板的方法
D.主观兴趣度量
30)下面购物蓝能够提取的3-项集的最大数量是多少（C）
31)以下哪些算法是分类算法（B）
32)以下哪些分类方法可以较好地避免样本的不平衡问题（A）
D.神经网络
33)决策树中不包含一下哪种结点 ( C )
A.根结点（root node)
B.内部结点（internal node）
C.外部结点（external node）
D.叶结点（leaf node）
34)以下哪项关于决策树的说法是错误的 (C)
A. 冗余属性不会对决策树的准确率造成不利的影响
B. 子树可能在决策树中重复多次
C. 决策树算法对于噪声的干扰非常敏感
D. 寻找最佳决策树是NP完全问题
35)在基于规则分类器的中,依据规则质量的某种度量对规则排序,保证每一个测试记录都
是由覆盖它的“最好的”规格来分类,这种方案称为 (B)
A. 基于类的排序方案
B. 基于规则的排序方案
C. 基于度量的排序方案
D. 基于规格的排序方案。
36)以下哪些算法是基于规则的分类器 (A)
A. B. KNN
C. Naive Bayes
D. ANN
37)可用作数据挖掘分析中的关联规则算法有（C）。
A. 决策树、对数回归、关联模式
B. K均值法、SOM神经网络
C. Apriori算法、FP-Tree算法
D. RBF神经网络、K均值法、决策树
38)如果对属性值的任一组合,R中都存在一条规则加以覆盖,则称规则集R中的规则为( B )
A.无序规则
B.穷举规则
C.互斥规则
D.有序规则
39)用于分类与回归应用的主要算法有: ( D )
算法、HotSpot算法
神经网络、K均值法、决策树
均值法、SOM神经网络
D.决策树、BP神经网络、贝叶斯
40)如果允许一条记录触发多条分类规则,把每条被触发规则的后件看作是对相应类的一次
投票,然后计票确定测试记录的类标号,称为（A）
A.无序规则
B.穷举规则
C.互斥规则
D.有序规则
41)考虑两队之间的足球比赛：队0和队1。假设65%的比赛队0胜出,剩余的比赛队1获胜。
队0获胜的比赛中只有30%是在队1的主场,而队1取胜的比赛中75%是主场获胜。如果下一场比赛在队1的主场进行队1获胜的概率为 (C)
以下关于人工神经网络（ANN）的描述错误的有 (A)
A.神经网络对训练数据中的噪声非常鲁棒
B.可以处理冗余特征
C.训练ANN是一个很耗时的过程
D.至少含有一个隐藏层的多层神经网络
43)通过聚集多个分类器的预测来提高分类准确率的技术称为 (A)
A.组合(ensemble)
B.聚集(aggregate)
C.合并(combination)
D.投票(voting)
44)简单地将数据对象集划分成不重叠的子集,使得每个数据对象恰在一个子集中,这种聚类类型称作（ B ）
A.层次聚类
B.划分聚类
C.非互斥聚类
D.模糊聚类
45)在基本K均值算法里,当邻近度函数采用（ A ）的时候,合适的质心是簇中各点的中位数。
A.曼哈顿距离
B.平方欧几里德距离
C.余弦距离散度
46)（ C ）是一个观测值,它与其他观测值的差别如此之大,以至于怀疑它是由不同的机制产生的。
A.边界点
B.质心
C.离群点
D.核心点
47)BIRCH是一种（ B ）。
A.分类器
B.聚类算法
C.关联分析算法
D.特征选择算法
48)检测一元正态分布中的离群点,属于异常检测中的基于（ A ）的离群点检测。
A.统计方法
B.邻近度
C.密度
D.聚类技术
49)（ C ）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。
（单链）（全链）
C.组平均方法
50)（ D ）将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量,它是一种凝聚层次聚类技术。
（单链）（全链）
C.组平均方法
51) 下列算法中，不属于外推法的是（ B ）。
A.移动平均法
B.回归分析法
C.指数平滑法
D.季节指数法
52) 关联规则的评价指标是：（ C ）。
A. 均方误差、均方根误差
B. Kappa统计、显著性检验
C. 支持度、置信度
D. 平均绝对误差、相对误差
53)关于K均值和DBSCAN的比较,以下说法不正确的是（ A ）。
均值丢弃被它识别为噪声的对象,而DBSCAN一般聚类所有对象。
均值使用簇的基于原型的概念,而DBSCAN使用基于密度的概念。
均值很难处理非球形的簇和不同大小的簇,DBSCAN可以处理不同大小和不同形状的簇。
均值可以发现不是明显分离的簇,即便簇有重叠也可以发现,但是DBSCAN会合并有重叠的簇。
54）从研究现状上看，下面不属于云计算特点的是（ C ）
A.超大规模
B.虚拟化
C.私有化
D.高可靠性
55)考虑这么一种情况：一个对象碰巧与另一个对象相对接近,但属于不同的类,因为这两个对象一般不会共享许多近邻,所以应该选择（ D ）的相似度计算方法。
A.平方欧几里德距离
B.余弦距离
C.直接相似度
D.共享最近邻
56) 分析顾客消费行业，以便有针对性的向其推荐感兴趣的服务，属于（ A）问题。
A.关联规则挖掘
B.分类与回归
C.聚类分析
D.时序预测
57)以下哪个聚类算法不是属于基于原型的聚类（ D ）。
A.模糊C均值算法
58)关于混合模型聚类算法的优缺点,下面说法正确的是（ B ）。
A.当簇只包含少量数据点,或者数据点近似协线性时,混合模型也能很好地处理。
B.混合模型比K均值或模糊c均值更一般,因为它可以使用各种类型的分布。
C.混合模型很难发现不同大小和椭球形状的簇。
D.混合模型在有噪声和离群点时不会存在问题。
59)以下哪个聚类算法不属于基于网格的聚类算法（ D ）。
60)一个对象的离群点得分是该对象周围密度的逆。这是基于（ C ）的离群点定义。
A．概率 B．邻近度
C．密度 D．聚类
61)舆情研判，信息科学侧重（ C ）,社会和管理科学侧重突发群体事件管理中的群体心
理行为及舆论控制研究，新闻传播学侧重对舆论的本体进行规律性的探索和研究。
A.舆论的本体进行规律性的探索和研究
B.舆论控制研究
C.互联网文本挖掘和分析技术
D.用户行为分析
62)MapReduce的Map函数产生很多的（ C ）
C.
63)Mapreduce适用于（ D ）
A.任意应用程序
B. 任意可在windows servet2008上运行的程序
C.可以串行处理的应用程序
D. 可以并行处理的应用程序
64)PageRank是一个函数,它对Web中的每个网页赋予一个实数值。它的意图在于网页的
PageRank越高,那么它就（ D ）。
A.相关性越高
B.越不重要
C.相关性越低
D.越重要
╳A.一对一 B.一对多
C. 多对多
D. 多对一
65)协同过滤分析用户兴趣,在用户群中找到指定用户的相似(兴趣)用户,综合这些用户对
某一信息的评价,形成系统对该指定用户对此信息的喜好程度（ D ）,并将这些用户喜欢的项推荐给有相似兴趣的用户。
A. 相似
B.相同
C.推荐
D. 预测
66)大数据指的是所涉及的资料量规模巨大到无法透过目前主流软件工具,在合理时间内达
到撷取、管理、处理、并（ B ）成为帮助企业经营决策更积极目的的信息。
A.收集
B.整理
C.规划
D.聚集
67)大数据科学关注大数据网络发展和运营过程中（ D ）大数据的规律及其与自然和
社会活动之间的关系。
A.大数据网络发展和运营过程
B.规划建设运营管理
C.规律和验证
D.发现和验证
68)大数据的价值是通过数据共享、（ D ）后获取最大的数据价值
A.算法共享
B.共享应用
C. 数据交换
D. 交叉复用
69)社交网络产生了海量用户以及实时和完整的数据,同时社交网络也记录了用户群体的
（ C ）,通过深入挖掘这些数据来了解用户,然后将这些分析后的数据信息推给需要的品牌商家或是微博营销公司。
A.地址
B.行为
C.情绪
D.来源
70)通过数据收集和展示数据背后的（ D ）,运用丰富的、具有互动性的可视化手段,
数据新闻学成为新闻学作为一门新的分支进入主流媒体,即用数据报道新闻。
A.数据收集
B.数据挖掘
C.真相
D. 关联与模式
71)CRISP-DM 模型中Evaluation表示对建立的模型进行评估,重点具体考虑得出的结果是
否符合（ C ）的商业目的。
A.第二步
B.第三步
C.第一步
D.最后一步
72)发现关联规则的算法通常要经过以下三个步骤：连接数据,作数据准备；给定最小支持
度和（ D ）,利用数据挖掘工具提供的算法发现关联规则；可视化显示、理解、评估关联规则
A. 最小兴趣度
B. 最小置信度
C. 最大支持度
D. 最小可信度
73)规则I->j,“有可能”,等于所有包含I的购物篮中同时包含J的购物篮的比例,为
（ B ）。
A. 置信度
B.可信度
C. 兴趣度
D. 支持度
74)如果一个匹配中,任何一个节点都不同时是两条或多条边的端点,也称作（ C ）
A. 极大匹配
B.二分匹配
C完美匹配 D.极小匹配
75)只要具有适当的政策推动,大数据的使用将成为未来提高竞争力、生产力、创新能力以
及（ D ）的关键要素。
A.提高消费
B.提高GDP
C.提高生活水平
D. 创造消费者盈余
76)个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助
（ D ）为其顾客购物提供完全个性化的决策支持和信息服务。
A.公司
B.各单位
C.跨国企业
D. 电子商务网站
77)云计算是对（ D ）技术的发展与运用
A.并行计算
B.网格计算
C.分布式计算
D.三个选项都是
78)（ B ）是Google提出的用于处理海量数据的并行编程模式和大规模数据集的并行运
算的软件架构。
79)在Bigtable中，（ A ）主要用来存储子表数据以及一些日志文件
A. GFS
B. Chubby
二、判断题（共40题）
1)分类是预测数据对象的离散类别，预测是用于数据对象的连续取值。 (对)
2)时序预测回归预测一样，也是用已知的数据预测未来的值，但这些数据的区别是变量所
处时间的不同。(错)
3)数据挖掘的主要任务是从数据中发现潜在的规则，从而能更好的完成描述数据、预测数
据等任务。 (对)
4)对遗漏数据的处理方法主要有：忽略该条记录；手工填补遗漏值；利用默认值填补遗漏
值；利用均值填补遗漏值；利用同类别均值填补遗漏值；利用最可能的值填充遗漏值。
(对)
5)神经网络对噪音数据具有高承受能力，并能对未经过训练的数据具有分类能力，但其需
要很长的训练时间，因而对于有足够长训练时间的应用更合适。(对)
6)数据分类由两步过程组成：第一步，建立一个聚类模型，描述指定的数据类集或概念集；
第二步，使用模型进行分类。(错)
7)聚类是指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程。 (对)
8)决策树方法通常用于关联规则挖掘。 (错)
9)数据规范化指将数据按比例缩放(如更换大单位)，使之落入一个特定的区域（如0-1）
以提高数据挖掘效率的方法。规范化的常用方法有：最大-最小规范化、零-均值规范化、小数定标规范化。(对)
10)原始业务数据来自多个数据库或数据仓库，它们的结构和规则可能是不同的，这将导致
原始数据非常的杂乱、不可用，即使在同一个数据库中，也可能存在重复的和不完整的数据信息，为了使这些数据能够符合数据挖掘的要求，提高效率和得到清晰的结果，必须进行数据的预处理。(对)
11)数据取样时，除了要求抽样时严把质量关外，还要求抽样数据必须在足够范围内有代表
性。(对)
12)分类规则的挖掘方法通常有：决策树法、贝叶斯法、人工神经网络法、粗糙集法和遗传
算法。(对)
13)可信度是对关联规则的准确度的衡量。 (错)
14)孤立点在数据挖掘时总是被视为异常、无用数据而丢弃。 (错)
15)Apriori算法是一种典型的关联规则挖掘算法。 (对)
16)用于分类的离散化方法之间的根本区别在于是否使用类信息。（对）
17)特征提取技术并不依赖于特定的领域。（错）
18)模型的具体化就是预测公式，公式可以产生与观察值有相似结构的输出，这就是预测值。
（对）
19)文本挖掘又称信息检索，是从大量文本数据中提取以前未知的、有用的、可理解的、可
操作的知识的过程。（错）
20)定量属性可以是整数值或者是连续值。（对）
21)可视化技术对于分析的数据类型通常不是专用性的。（错）
22)OLAP技术侧重于把数据库中的数据进行分析、转换成辅助决策信息，是继数据库技术发
展之后迅猛发展起来的一种新技术。（对）
23)Web数据挖掘是通过数据库仲的一些属性来预测另一个属性，它在验证用户提出的假设
过程中提取信息。（错）
24)关联规则挖掘过程是发现满足最小支持度的所有项集代表的规则。（错）
25)利用先验原理可以帮助减少频繁项集产生时需要探查的候选项个数。（对）
26)先验原理可以表述为：如果一个项集是频繁的，那包含它的所有项集也是频繁的。（错）
27)回归分析通常用于挖掘关联规则。（错）
28)具有较高的支持度的项集具有较高的置信度。（错）
29)维归约可以去掉不重要的属性，减少数据立方体的维数，从而减少数据挖掘处理的数据
量，提高挖掘效率。（对）
30)聚类（clustering）是这样的过程：它找出描述并区分数据类或概念的模型(或函数)，
以便能够使用模型预测类标记未知的对象类。（错）
31)对于SVM分类算法，待分样本集中的大部分样本不是支持向量，移去或者减少这些样本
对分类结果没有影响。（对）
32)Bayes法是一种在已知后验概率与类条件概率的情况下的模式分类方法，待分样本的分
类结果取决于各类域中样本的全体。 (错)
33)在决策树中，随着树中结点数变得太大，即使模型的训练误差还在继续减低，但是检验
误差开始增大，这是出现了模型拟合不足的问题。（错）
34)在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。（错）
35)聚类分析可以看作是一种非监督的分类。（对）
36)K均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。（错
37)基于邻近度的离群点检测方法不能处理具有不同密度区域的数据集。（对）
38)如果一个对象不强属于任何簇，那么该对象是基于聚类的离群点。（对）
39)大数据的4V特点是Volume、Velocity、Variety、Veracity。（对）
40)聚类分析的相异度矩阵是用于存储所有对象两两之间相异度的矩阵，为一个nn维的单
模矩阵。（对）
三、多选题（共30题）
1)噪声数据的产生原因主要有：（ABCD）
A.数据采集设备有问题
B.在数据录入过程中发生了人为或计算机错误
C.数据传输过程中发生错误
D.由于命名规则或数据代码不同而引起的不一致
2)寻找数据集中的关系是为了寻找精确、方便并且有价值地总结出数据的某一特征的表示,
这个过程包括了以下哪些步骤 (A B C D)
A.选择一个算法过程使评分函数最优
B.决定如何量化和比较不同表示拟合数据的好坏
C.决定要使用的表示的特征和结构
D.决定用什么样的数据管理原则以高效地实现算法
3)数据挖掘的预测建模任务主要包括哪几大类问题 (A B)
A. 分类
B. 回归
C. 聚类
D. 关联规则挖掘
4) 下列属于不同的有序数据的有：(A B C D)
A.时序数据
B.序列数据
C.时间序列数据
D.事务数据
E.空间数据
5) 下面属于数据集的一般特性的有：( B C D)
A.连续性
B.维度
C.稀疏性
D.分辨率
E.相异性
6）下面属于维归约常用的处理技术的有： (A C)
A.主成分分析
B.特征提取
C.奇异值分解
D.特征加权
E.离散化
7）噪声数据处理的方法主要有：（ ABD ）
A.分箱
B.聚类
C.关联分析
D.回归
8）数据挖掘的主要功能包括概念描述、趋势分析、孤立点分析及（ ABCD ）等方面。
A.挖掘频繁模式
B.分类和预测
C.聚类分析
D.偏差分析
9）以下各项均是针对数据仓库的不同说法,你认为正确的有（BCD ）。
A．数据仓库就是数据库
B．数据仓库是一切商业智能系统的基础
C．数据仓库是面向业务的,支持联机事务处理（OLTP）
D．数据仓库支持决策而非事务处理
10）联机分析处理包括( BCD )基本分析功能。
A.聚类
B.切片
C.转轴
D.切块
11）利用Apriori算法计算频繁项集可以有效降低计算频繁集的时间复杂度。在以下的购物篮中产生支持度不小于3的候选3-项集，在候选2-项集中需要剪枝的是( BD )
A.啤酒、尿布
B.啤酒、面包
C.面包、尿布
D.啤酒、牛奶
12）下表是一个购物篮,假定支持度阈值为40%,其中( AD )是频繁闭项集。
A.面包、牛奶、尿布
B.面包、啤酒
C.尿布、啤酒
D.啤酒、鸡蛋
13）Apriori算法的计算复杂度受( ABCD )影响。
A.支持度阀值
B.项数（维度）
C.事务数
D.事务平均宽度
14）以下关于非频繁模式说法,正确的是（ AD ）
A.其支持度小于阈值
B.都是不让人感兴趣的
C.包含负模式和负相关模式
D.对异常数据项敏感
15）以下属于分类器评价或比较尺度的有: ( ACD )
A.预测准确度
B.召回率
C.模型描述的简洁度
D.计算复杂度
16）贝叶斯信念网络(BBN)有如下哪些特点。（AB）
A.构造网络费时费力
B.对模型的过分问题非常鲁棒
C.贝叶斯网络不适合处理不完整的数据
D.网络结构确定后,添加变量相当麻烦
17）如下哪些不是最近邻分类器的特点。 (C)
A.它使用具体的训练实例进行预测，不必维护源自数据的模型
B.分类一个测试样例开销很大
C.最近邻分类器基于全局信息进行预测
D.可以生产任意形状的决策边界
18）以下属于聚类算法的是（ AB ）。
19)（ CD ）都属于簇有效性的监督度量。
A.轮廓系数
B.共性分类相关系数
C.熵度量
20)（ ABCD ）这些数据特性都是对聚类分析具有很强影响的。
A.高维性
B.规模
C.稀疏性
D.噪声和离群点
21)在聚类分析当中，（ AD ）等技术可以处理任意形状的簇。
（单链）（全链）
C.组平均
22)（ AB ）都属于分裂的层次聚类算法。
A.二分K均值
D.组平均
23)数据挖掘的挖掘方法包括：（ ABCD ）
A.聚类分析
B.回归分析
C.神经网络
D.决策树算法
24)Web内容挖掘实现技术（ ABCD ）
A.文本总结
B.文本分类
C.文本聚类
D.关联规则
25)基于内容的推荐生成推荐的过程主要依靠（ ACD ）
A.内容分析器
B.推荐系统
C.文件学习器
D.过滤部件
26)云计算的服务方式有（ ACD ）
27)文本挖掘的工具有（ BCD ）
Text Mining
DB2 intelligent Miner
Text Miner
Text Mining
28)推荐系统为客户推荐商品,自动完成个性化选择商品的过程,满足客户的个性化需求,推荐基于网站最热卖商品、客户所处城市、（ D ）,推测客户将来可能的购买行为。
A.客户的朋友
B.客户的个人信息
C.客户的兴趣爱好
D.客户过去的购买行为和购买记录
29)数据预处理方法主要有（ ABCD）。
A.数据清洗
B.数据集成
C.数据变换
D.数据归约
30)与传统的分布式程序设计相比，Mapreduce封装了（ ABCD ）等细节，还提供了一个简单而强大的接口。
A.并行处理
B.容错处理
C.本地化计算
D.负载均衡
大工20春《数据挖掘》课程大作业满分答案
网络教育学院 《数据挖掘》课程大作业 题目： 姓名： 学习中心： 第一大题：讲述自己在完成大作业过程中遇到的困难，解决问题的思路，以及相关感想，或者对这个项目的认识，或者对Python与数据挖掘的认识等等，300-500字。 《数据挖掘》这门课程是一门实用性非常强的课程，数据挖掘是大数据这门前沿技术的基础，拥有广阔的前景，在信息化时代具有非常重要的意义。数据挖掘的研究领域非常广泛，主要包括数据库系统、基于知识的系统、人工智能、机器学习、知识获取、统计学、空间数据库和数据可视化等领域。学习过程中，我也遇到了不少困难，例如基础差，对于Python基础不牢，尤其是在进行这次课程作业时，显得力不从心；个别算法也学习的不够透彻。在接下来的学习中，我仍然要加强理论知识的学习，并且在学习的同时联系实际，在日常工作中注意运用《数据挖掘》所学到的知识，不断加深巩固，不断发现问题，解决问题。另外，对于自己掌握不牢的知识要勤复习，多练习，使自己早日成为一名合格的计算机毕业生。 第二大题：完成下面一项大作业题目。
2020春《数据挖掘》课程大作业 注意：从以下5个题目中任选其一作答。 题目一：Knn算法原理以及python实现 要求：文档用使用word撰写即可。 主要内容必须包括： （1）算法介绍。 （2）算法流程。 （3）python实现算法以及预测。 （4）整个word文件名为 [姓名奥鹏卡号学习中心]（如 戴卫东101410013979浙江台州奥鹏学习中心[1]VIP ）作业提交： 大作业上交时文件名写法为：[姓名奥鹏卡号学习中心]（如：戴卫东101410013979浙江台州奥鹏学习中心[1]VIP） 以附件形式上交离线作业（附件的大小限制在10M以内），选择已完成的作业（注意命名），点提交即可。如下图所示。 。 注意事项： 独立完成作业，不准抄袭其他人或者请人代做，如有雷同作业，成绩以零分计！
大数据时代下的数据挖掘试题和答案及解析
A. 变量代换 B. 离散化 海量数据挖掘技术及工程实践》题目 、单选题(共 80 题) 1) ( D ) 的目的缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得 到 和原始数据相同的分析结果。 A. 数据清洗 B. 数据集成 C. 数据变换 D. 数据归约 2) 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数 据挖 掘的哪类问题 (A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 3) 以下两种描述分别对应哪两种对分类算法的评价标准 (A) (a) 警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 (b) 描述有多少比例的小偷给警察抓了的标准。 据相分离 (B) 哪一类任务 (C) A. 根据内容检索 B. 建模描述 7) 下面哪种不属于数据预处理的方法 (D) A. Precision,Recall B. Recall,Precision A. Precision,ROC D. Recall,ROC 4) 将原始数据进行集成、 变换、维度规约、数值规约是在以下哪个步骤的任务 (C) 5) A. 频繁模式挖掘 C. 数据预处理 B. D. 当不知道数据所带标签时， 分类和预测 数据流挖掘 可以使用哪种技术促使带同类标签的数据与带其他标签的数 6) A. 分类 C. 关联分析 建立一个模型， B. D. 聚类 隐马尔可夫链 通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的 C. 预测建模 D. 寻找模式和规则
C.聚集 D. 估计遗漏值 8) 假设12 个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频(等深)划分时，15 在第几个箱子内(B) A. 第一个 B. 第二个 C. 第三个 D. 第四个 9) 下面哪个不属于数据的属性类型：(D) A. 标称 B. 序数 C.区间 D. 相异 10) 只有非零值才重要的二元属性被称作：( C ) A. 计数属性 B. 离散属性 C.非对称的二元属性 D. 对称属性 11) 以下哪种方法不属于特征选择的标准方法：(D) A. 嵌入 B. 过滤 C.包装 D. 抽样 12) 下面不属于创建新属性的相关方法的是：(B) A. 特征提取 B. 特征修改 C. 映射数据到新的空间 D. 特征构造 13) 下面哪个属于映射数据到新的空间的方法(A) A. 傅立叶变换 B. 特征加权 C. 渐进抽样 D. 维归约 14) 假设属性income 的最大最小值分别是12000元和98000 元。利用最大最小规范化的方 法将属性的值映射到0 至 1 的范围内。对属性income 的73600 元将被转化为：(D) 15) 一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130 人，四年 级110 人。则年级属性的众数是：(A) A. 一年级 B. 二年级 C. 三年级 D. 四年级 16) 下列哪个不是专门用于可视化时间空间数据的技术：(B) A. 等高线图 B. 饼图
数据挖掘试题与答案
一、解答题（满分30分，每小题5分） 1. 怎样理解数据挖掘和知识发现的关系？请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2. 时间序列数据挖掘的方法有哪些，请详细阐述之 时间序列数据挖掘的方法有： 1）、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 2）、随机时间序列预测方法:通过建立随机模型，对随机时间序列进行分析，可以预测未来值。若时间序列是平稳的，可以用自回归(Auto Regressive，简称AR)模型、移动回归模型(Moving Average，简称MA)或自回归移动平均(Auto Regressive Moving Average，简称ARMA)模型进行分析预测。 3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网络。由于大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列的预测。
数据挖掘的功能及应用作业
数据挖掘的其他基本功能介绍 一、关联规则挖掘 关联规则挖掘是挖掘数据库中和指标（项）之间有趣的关联规则或相关关系。关联规则挖掘具有很多应用领域，如一些研究者发现，超市交易记录中的关联规则挖掘对超市的经营决策是十分重要的。 1、 基本概念 设},,,{21m i i i I =是项组合的记录，D 为项组合的一个集合。如超市的每一张购物小票为一个项的组合（一个维数很大的记录），而超市一段时间内的购物记录就形成集合D 。我们现在关心这样一个问题，组合中项的出现之间是否存在一定的规则，如A 游泳衣，B 太阳镜，B A ?，但是A B ?得不到足够支持。 在规则挖掘中涉及到两个重要的指标： ① 支持度 支持度n B A n B A )()(?= ?，显然，只有支持度较大的规则才是较有价值的规则。 ② 置信度 置信度)() ()(A n B A n B A ?=?，显然只有置信度比较高的规则才是比较可靠 的规则。 因此，只有支持度与置信度均较大的规则才是比较有价值的规则。 ③ 一般地，关联规则可以提供给我们许多有价值的信息，在关联规则挖掘时，往往需要事先指定最小支持度与最小置信度。关联规则挖掘实际上真正体现了数据中的知识发现。 如果一个规则满足最小支持度，则称这个规则是一个频繁规则； 如果一个规则同时满足最小支持度与最小置信度，则通常称这个规则是一个强规则。 关联规则挖掘的通常方法是：首先挖掘出所有的频繁规则，再从得到的频繁规则中挖掘强规则。在少量数据中进行规则挖掘我们可以采用采用简单的编程方法，而在大量数据中挖掘关联规则需要使用专门的数据挖掘软件。关联规则挖掘可以使我们得到一些原来我们所不知道的知识。 应用的例子： * 日本超市对交易数据库进行关联规则挖掘，发现规则：尿片→啤酒，重新安排啤酒柜台位置，销量上升75%。 * 英国超市的例子：大额消费者与某种乳酪。 那么，证券市场上、期货市场上、或者上市公司中存在存在哪些关联规则，这些关联规则究竟说明了什么？ 关联规则挖掘通常比较适用与记录中的指标取离散值的情况，如果原始数据
数据挖掘-题库带答案
数据挖掘-题库带答案 1、最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡() 答案：正确 2、决策将日益基于数据和分析而作出,而并非基于经验和直觉() 答案：错误 解析：决策将日益基于数据和分析而作出,而并非基于经验和直觉 3、2011年被许多国外媒体和专家称为“大数据元年”() 答案：错误 解析：2013年被许多国外媒体和专家称为“大数据元年” 4、我国网民数量居世界之首,每天产生的数据量也位于世界前列() 答案：正确 5、商务智能的联机分析处理工具依赖于数据库和数据挖掘。() 答案：错误 解析：商务智能的联机分析处理工具依赖于数据仓库和多维数据挖掘。 6、数据整合、处理、校验在目前已经统称为 EL() 答案：错误 解析：数据整合、处理、校验在目前已经统称为 ETL 7、大数据时代的主要特征() A、数据量大 B、类型繁多 C、价值密度低 D、速度快时效高 答案： ABCD 8、下列哪项不是大数据时代的热门技术() A、数据整合 B、数据预处理 C、数据可视化 D、 SQL
答案： D 9、()是一种统计或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术。 A、预测 B、分析 C、预测分析 D、分析预测 答案： C 10、大数据发展的前提? 答案： 解析：硬件成本的降低,网络带宽的提升,云计算的兴起,网络技术的发展,智能终端的普及,电子商务、社交网络、电子地图等的全面应用,物联网的兴起 11、调研、分析大数据发展的现状与应用领域。? 答案： 解析：略 12、大数据时代的主要特征? 答案： 解析：数据量大(Volume) 第一个特征是数据量大。大数据的起始计量单位至少是P(1000个T)、E(100万个T)或Z(10亿个T)。 类型繁多(Variety) 第二个特征是数据类型繁多。包括网络日志、音频、视频、图片、地理位置信息等等,多类型的数据对数据的处理能力提出了更高的要求。 价值密度低(Value) 第三个特征是数据价值密度相对较低。如随着物联网的广泛应用,信息感知无处不在,信息海量,但价值密度较低,如何通过强大的机器算法更迅速地完成数据的价值“提纯”,是大数据时代亟待解决的难题。 速度快、时效高(Velocity) 第四个特征是处理速度快,时效性要求高。这是大数据区分于传统数据挖掘最显著的特征。 13、列举大数据时代的主要技术? 答案： 解析：预测分析: 预测分析是一种统计或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术。可为预测、优化、预报和模拟等许多其他用途而部署。随着现在硬件和软件解决方案的成熟,许多公司利用大数据技术来收集海量数据、训练模型、优化模型,并发布预测模型来提高业务
《数据挖掘》试题与标准答案
一、解答题（满分3０分，每小题5分) 1. 怎样理解数据挖掘和知识发现的关系?请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式;然后,调用相应的算法生成所需的知识;最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤:先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集;再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2.时间序列数据挖掘的方法有哪些，请详细阐述之 时间序列数据挖掘的方法有: １)、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 ２）、随机时间序列预测方法：通过建立随机模型,对随机时间序列进行分析,可以预测未来值。若时间序列是平稳的,可以用自回归(Auto Ｒegressiｖe，简称AR)模型、移动回归模型(Ｍovｉng Ａveｒage,简称ＭＡ）或自回归移动平均(Aｕto Regrｅssive Moｖiｎg Aｖeraｇe，简称AＲMＡ)模型进行分析预测。 3)、其他方法:可用于时间序列预测的方法很多,其中比较成功的是神经网络。由于大量的时间序列是非平稳的,因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型,用于时间序列的预测。
数据挖掘研究现状及发展趋势
数据挖掘研究现状及发展趋势摘要：从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究现状及研究热点，指出了数据挖掘的发展趋势。 关键词：数据挖掘；挖掘算法；神经网络；决策树；粗糙集；模糊集；研究现状；发展趋势 Abstract：From the definition of data mining，the paper introduced concepts and advantages and disadvantages of neural network algorithm，decision tree algorithm，genetic algorithm，rough set method，fuzzy set method and association rule method of data mining，summarized domestic and international research situation and focus of data mining in details，and pointed out the development trend of data mining. Key words：data mining，algorithm of data mining，neural network，decision tree，rough set，fuzzy set，research situation，development tendency 1引言 随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量的、不同形式存储的数据资料[1]。这些海量数据中往往隐含着各种各样有用的信息，仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息，迫切需要能自动地、智能地将待处理的数据转化为有价值的信息，从而达到为决策服务的目的。在这种情况下，一个新的技术———数据挖掘(Data Mining，DM)技术应运而生[2]。 数据挖掘是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、信息检索等最新技术的研究成果，其应用非常广泛。只要是有分析价值的数据库，都可以利用数据挖掘工具来挖掘有用的信息。数据挖掘典型的应用领域包括市场、工业生产、金融、医学、科学研究、工程诊断等。本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。 江西理工大学
数据仓库与数据挖掘课后习题答案
数据仓库与数据挖掘 第一章课后习题 一：填空题 1）数据库中存储的都是数据，而数据仓库中的数据都是一些历史的、存档的、归纳的、计算的数据。 2）数据仓库中的数据分为四个级别：早起细节级、当前细节级、轻度综合级、高度综合级。3）数据源是数据仓库系统的基础，是整个系统的数据源泉，通常包括业务数据和历史数据。4）元数据是“关于数据的数据”。根据元数据用途的不同将数据仓库的元数据分为技术元数据和业务元数据两类。 5）数据处理通常分为两大类：联机事务处理和联机事务分析 6）Fayyad过程模型主要有数据准备，数据挖掘和结果分析三个主要部分组成。 7）如果从整体上看数据挖掘技术，可以将其分为统计分析类、知识发现类和其他类型的数据挖掘技术三大类。 8）那些与数据的一般行为或模型不一致的数据对象称做孤立点。 9）按照挖掘对象的不同，将Web数据挖掘分为三类：web内容挖掘、web结构挖掘和web 使用挖掘。 10）查询型工具、分析型工具盒挖掘型工具结合在一起构成了数据仓库系统的工具层，它们各自的侧重点不同，因此适用范围和针对的用户也不相同。 二：简答题 1）什么是数据仓库？数据仓库的特点主要有哪些？ 数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支
持管理决策。 主要特点：面向主题组织的、集成的、稳定的、随时间不断变化的、数据的集合性、支持决策作用 2）简述数据挖掘的技术定义。 从技术角度看，数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中，提取隐含在其中的、人们不知道的、但又是潜在有用的信息和知识的过程。 3）什么是业务元数据？ 业务元数据从业务角度描述了数据仓库中的数据，它提供了介于使用者和实际系统之间的语义层，使得不懂计算机技术的业务人员也能够读懂数据仓库中的数据 4）简述数据挖掘与传统分析方法的区别。 本质区别是：数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先前未知、有效和实用三个特征。 5）简述数据仓库4种体系结构的异同点及其适用性。 a.虚拟的数据仓库体系结构 b.单独的数据仓库体系结构 c.单独的数据集市体系结构 d.分布式数据仓库结构
数据挖掘作业
第5章关联分析 5.1 列举关联规则在不同领域中应用的实例。 5.2 给出如下几种类型的关联规则的例子，并说明它们是否是有价值的。 (a)高支持度和高置信度的规则； (b)高支持度和低置信度的规则； (c)低支持度和低置信度的规则； (d)低支持度和高置信度的规则。 5.3 数据集如表5-14所示： (a) 把每一个事务作为一个购物篮，计算项集{e}, {b, d}和{b, d, e}的支持度。 (b) 利用(a)中结果计算关联规则{b, d}→{e} 和 {e}→{b, d}的置信度。置信度是一个对称的度量吗？ (c) 把每一个用户购买的所有商品作为一个购物篮，计算项集{e}, {b, d}和{b, d, e}的支持度。 (d) 利用(b)中结果计算关联规则{b, d}→{e} 和 {e}→{b, d}的置信度。置信度是一个对称的度量吗？ 5.4 关联规则是否满足传递性和对称性的性质？举例说明。 5.5 Apriori 算法使用先验性质剪枝，试讨论如下类似的性质 (a) 证明频繁项集的所有非空子集也是频繁的 (b) 证明项集s 的任何非空子集s ’的支持度不小于s 的支持度 (c) 给定频繁项集l 和它的子集s ，证明规则“s’→(l – s’)”的置信度不高于s →(l – s)的置信度，其中s’是s 的子集 (d) Apriori 算法的一个变形是采用划分方法将数据集D 中的事务分为n 个不相交的子数据集。证明D 中的任何一个频繁项集至少在D 的某一个子数据集中是频繁的。 5.6 考虑如下的频繁3-项集：{1, 2, 3}，{1, 2, 4}，{1, 2, 5}， {1, 3, 4}，{1, 3, 5}，{2, 3, 4}，{2, 3, 5}，{3, 4, 5}。 (a)根据Apriori 算法的候选项集生成方法，写出利用频繁3-项集生成的所有候选4-项集。 (b)写出经过剪枝后的所有候选4-项集 5.7 一个数据库有5个事务，如表5-15所示。设min_sup=60%，min_conf = 80%。
(完整word版)数据挖掘题目及答案
一、何为数据仓库？其主要特点是什么？数据仓库与KDD的联系是什么？ 数据仓库是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。 特点： 1、面向主题 操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织的。 2、集成的 数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。 3、相对稳定的 数据仓库的数据主要供企业决策分析之用，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。 4、反映历史变化 数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点(如开始应用数据仓库的时点)到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。 所谓基于数据库的知识发现（KDD）是指从大量数据中提取有效的、新颖的、潜在有用的、最终可被理解的模式的非平凡过程。数据仓库为KDD提供了数据环境，KDD从数据仓库中提取有效的，可用的信息 二、 数据库有4笔交易。设minsup=60%，minconf=80%。 TID DATE ITEMS_BOUGHT T100 3/5/2009 {A, C, S, L} T200 3/5/2009 {D, A, C, E, B} T300 4/5/2010 {A, B, C} T400 4/5/2010 {C, A, B, E} 使用Apriori算法找出频繁项集，列出所有关联规则。 解：已知最小支持度为60%，最小置信度为80% 1）第一步，对事务数据库进行一次扫描，计算出D中所包含的每个项目出现的次数，生成候选1-项集的集合C1。
数据挖掘试卷及答案
12/13 年第2学期《数据挖掘与知识发现》期末考试试卷及答案 一、什么是数据挖掘？什么是数据仓库？并简述数据挖掘的步骤。（20分） 数据挖掘是从大量数据中提取或发现（挖掘）知识的过程。 数据仓库是面向主题的、集成的、稳定的、不同时间的数据集合，用于支持经营管理中的决策制定过程。 步骤： 1）数据清理（消除噪声或不一致数据） 2) 数据集成（多种数据源可以组合在一起） 3 ) 数据选择（从数据库中检索与分析任务相关的数据） 4 ) 数据变换（数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作） 5) 数据挖掘（基本步骤，使用智能方法提取数据模式） 6) 模式评估（根据某种兴趣度度量，识别表示知识的真正有趣的模式；） 7) 知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识） 二、元数据的定义是什么？元数据包括哪些内容？（20分） 元数据是关于数据的数据。在数据仓库中, 元数据是定义仓库对象的数据。 元数据包括： 数据仓库结构的描述，包括仓库模式、视图、维、分层结构、导出数据的定义, 以及数据集市的位置和内容。 操作元数据，包括数据血统（移植数据的历史和它所使用的变换序列）、数据流通（主动的、档案的或净化的)、管理信息（仓库使用统计量、错误报告和审计跟踪）。 汇总算法，包括度量和维定义算法, 数据所处粒度、划分、主题领域、聚集、汇总、预定义的查询和报告。 由操作环境到数据仓库的映射，包括源数据库和它们的内容，网间连接程序描述, 数据划分, 数据提取、清理、转换规则和缺省值, 数据刷新和净化规则, 安全 (用户授权和存取控制)。 关于系统性能的数据，刷新、更新定时和调度的规则与更新周期，改善数据存取和检索性能的索引和配置。 商务元数据，包括商务术语和定义, 数据拥有者信息和收费策略。 三、在 O L A P 中，如何使用概念分层? 请解释多维数据模型中的OLAP上卷 下钻切片切块和转轴操作。（20分） 在多维数据模型中，数据组织成多维，每维包含由概念分层定义的多个抽象层。这种组织为用户从不同角度观察数据提供了灵活性。有一些 O L A P 数据立方体操作用来物化这些不同视图，允许交互查询和分析手头数据。因此， O L A P 为交互数据分析提供了友好的环境。 上卷：上卷操作通过一个维的概念分层向上攀升或者通过维归约，在数据立方体上进行聚集。 下钻：下钻是上卷的逆操作，它由不太详细的数据到更详细的数据。下钻可以通过沿维的概念分层向下或引入新的维来实现。 切片：在给定的数据立方体的一个维上进行选择，导致一个子方。 切块：通过对两个或多个维执行选择，定义子方。
数据挖掘离线作业
浙江大学远程教育学院 《数据挖掘》课程作业 姓名：学号： 年级：学习中心：————————————————————————————— 第一章引言 一、填空题 （1）数据库中的知识挖掘(KDD)包括以下七个步骤：数据清理、数据集成、数据选择、数据交换、数据挖掘、模式评估和知识表示 （2）数据挖掘的性能问题主要包括：算法的效率、可扩展性和并行处理 （3）当前的数据挖掘研究中，最主要的三个研究方向是：统计学、数据库技术和机器学习 （4）孤立点是指：一些与数据的一般行为或模型不一致的孤立数据 二、简答题 （1）什么是数据挖掘？ 答：数据挖掘指的是从大量的数据中挖掘出那些令人感兴趣的、有用的、隐含的、先前未知的和可能有用的模式或知识。 （2）一个典型的数据挖掘系统应该包括哪些组成部分？ 答：一个典型的数据挖掘系统应该包括以下部分：1、数据库、数据仓库或其他信息库，2、数据库或数据仓库服务器，3、知识库，4、数据挖掘引擎，5、模式评估魔磕，6图形用户界面。 （3）Web挖掘包括哪些步骤？ 答：数据清理：（这个可能要占用过程60%的工作量）、数据集成、将数据存入数据仓库、建立数据立方体、选择用来进行数据挖掘的数据、数据挖掘（选择适当的算法来找到感兴趣的模式）、展现挖掘结果、将模式或者知识应用或者存入知识库。 （4）请列举数据挖掘应用常见的数据源。 （或者说，我们都在什么样的数据上进行数据挖掘） 答：常见的数据源包括关系数据库、数据仓库、事务数据库和高级数据库系统和信息库。其中高级数据库系统和信息库包括：空间数据库、时间数据库和时间序列数据库、流数据、多媒体数据库、面向对象数据库和对象——关系数据库、异种数据库和遗产数据库、文本数据库和万维网等。
数据挖掘在线作业
数据挖掘 您的本次作业分数为：95分单选题 1.【第001章】孤立点挖掘适用于下列哪种场合？ A 目标市场分析 B 购物篮分析 C 模式识别 D 信用卡欺诈检测 正确答案:D 单选题 2.【第01章】数据挖掘应用和一些常见的数据统计分析系统的最主要区别在于（）。 A 所涉及的算法的复杂性 B 所涉及的数据量 C 计算结果的表现形式 D 是否使用了人工智能技术 正确答案:B 单选题 3.【第01章】帮助市场分析人员从客户的基本信息库中发现不同的客户群，通常所使用的数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 聚类分析 D 孤立点分析 E 演变分析 正确答案:C 单选题 4.【第01章】假设现在的数据挖掘任务是解析数据库中关于客户的一般特征的描述，通常所使用的数据挖掘功能是（）。 A 关联分析 B 分类和预测
C 孤立点分析 D 演变分析 E 概念描述 正确答案:E 单选题 5.【第01章】下面的数据挖掘的任务中，（）将决定所使用的数据挖掘功能。 A 选择任务相关的数据 B 选择要挖掘的知识类型 C 模式的兴趣度度量 D 模式的可视化表示 正确答案:B 单选题 6.【第01章】根据顾客的收入和职业情况，预测他们在计算机设备上的花费，所使用的相应数据挖掘功能是（）。 A 关联分析 B 分类和预测 C 演变分析 D 概念描述 正确答案:B 单选题 7.【第01章】下列几种数据挖掘功能中，（）被广泛的应用于股票价格走势分析。 A 关联分析 B 分类和预测 C 聚类分析 D 演变分析 正确答案:D 单选题 8.【第01章】下列几种数据挖掘功能中，（）被广泛的用于购物篮分析。 A 关联分析
数据仓库与数据挖掘考试试题
一、填空题（15分） 1.数据仓库的特点分别是面向主题、集成、相对稳定、反映历史变化。 2.元数据是描述数据仓库内数据的结构和建立方法的数据。根据元数据用途的不同可将元数据分为技术元数据和业务元数据两类。 3.OLAP技术多维分析过程中，多维分析操作包括切片、切块、钻取、旋转等。 4.基于依赖型数据集市和操作型数据存储的数据仓库体系结构常常被称为“中心和辐射”架构，其中企业级数据仓库是中心，源数据系统和数据集市在输入和输出范围的两端。 5.ODS实际上是一个集成的、面向主题的、可更新的、当前值的、企业级的、详细的数据库，也叫运营数据存储。 二、多项选择题（10分） 6.在数据挖掘的分析方法中，直接数据挖掘包括（ＡＣＤ） A 分类 B 关联 C 估值 D 预言 7.数据仓库的数据ETL过程中，ETL软件的主要功能包括（ＡＢＣ） A 数据抽取 B 数据转换 C 数据加载 D 数据稽核 8.数据分类的评价准则包括（ ABCD ） A 精确度 B 查全率和查准率 C F-Measure D 几何均值 9.层次聚类方法包括（ BC ） A 划分聚类方法 B 凝聚型层次聚类方法 C 分解型层次聚类方法 D 基于密度聚类方法 10.贝叶斯网络由两部分组成，分别是（ A D ） A 网络结构 B 先验概率 C 后验概率 D 条件概率表 三、计算题（30分） 11.一个食品连锁店每周的事务记录如下表所示，其中每一条事务表示在一项收款机业务中卖出的项目，假定sup min=40%，conf min=40%，使用Apriori算法计算生成的关联规则，标明每趟数据库扫描时的候选集和大项目集。（15分） 解：（1）由I={面包、果冻、花生酱、牛奶、啤酒}的所有项目直接产生1-候选C1，计算其支持度，取出支持度小于sup min的项集，形成1-频繁集L1，如下表所示：
大数据时代下的数据挖掘试题及答案
《海量数据挖掘技术及工程实践》题目 一、单选题（共80题） 1)( D )的目的缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到和原始数据相同的分析结果。 A.数据清洗 B.数据集成 C.数据变换 D.数据归约 2)某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题(A) 3) A. 关联规则发现 B. 聚类 4) C. 分类 D. 自然语言处理 5)以下两种描述分别对应哪两种对分类算法的评价标准 (A) 6) (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 7) (b)描述有多少比例的小偷给警察抓了的标准。 8) A. Precision,Recall B. Recall,Precision 9) A. Precision,ROC D. Recall,ROC 10)将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务 (C) 11) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘 12)当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离(B) 13) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 14)建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务(C) 建模描述 B. 根据内容检索 A. 15)． 16) C. 预测建模 D. 寻找模式和规则 17)下面哪种不属于数据预处理的方法 (D) 18) A.变量代换 B.离散化 C.聚集 D.估计遗漏值 19)假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内 (B) 20) A.第一个 B.第二个 C.第三个 D.第四个 21)下面哪个不属于数据的属性类型：(D) 22) A.标称 B.序数 C.区间 D.相异
数据挖掘研究及发展现状
数据挖掘技术的研究现状及发展方向 摘要：数据挖掘技术是当前数据库和人工智能领域研究的热点。从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究现状及研究热点，指出了数据挖掘的发展方向。 关键词：数据挖掘；神经网络；决策树；粗糙集；模糊集；研究现状；发展方向 The present situation and future direction of the data mining technology research Abstract: Data mining technology is hot spot in the field of current database and artificial intelligence. From the definition of data mining, the paper introduced concepts and advantages and disadvantages of neural network algorithm, decision tree algorithm, genetic algorithm, rough set method, fuzzy set method and association rule method of data mining, summarized domestic and international research situation and focus of data mining in details, and pointed out the development trend of data mining. Key words: data mining, neural network, decision tree, rough set, fuzzy set, research situation, development direction 0 引言 随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量的、不同形式存储的数据资料[1]。这些海量数据中往往隐含着各种各样有用的信息，仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息，数据和信息之间的鸿沟要求系统地开发数据挖掘工具，将数据坟墓转换成知识金砖，从而达到为决策服务的目的。在这种情况下，一个新的技术——数据挖掘(Data Mining，DM)技术应运而生[2]。数据挖掘正是为了迎合这种需要而产生并迅速发展起来的、用于开发信息资源的、一种新的数据处理技术。 数据挖掘通常又称数据库中的知识发现（Knowledge Discovery in Databases），是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、信息检索等最新技术的研究成果，其应用非常广泛。只要是有分析价值的数据库，都可以利用数据挖掘工具来挖掘有用的信息。数据挖掘典型的应用领域包括市场、工业生产、金融、医学、科学研究、工程诊断等。本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。 1 数据挖掘算法 数据挖掘就是从大量的、有噪声的、不完全的、模糊的、随机的实际应用数据中提取有效的、新颖的、潜在有用的知识的非平凡过程[3]。所得到的信息应具有先前未知、有效和实用三个特征。数据挖掘过程如图1所示。这些数据的类型可以是结构化的、半结构化的、甚至是异构型的。发现知识的方法可以是数学的、非数学的、也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等[4]。 数据选择：确定发现任务的操作对象,即目标对象； 预处理：包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换等； 转换：消减数据维数或降维； 数据开采：确定开采的任务，如数据总结、分类、聚类、关联规则发现或序列模式发现等，并确定使用什么样的开采算法； 解释和评价：数据挖掘阶段发现的模式，经过用户和机器的评价，可能存在冗余或无关的模式，这时需要剔除，使用户更容易理解和应用。十大经典算法如图2： 目前，数据挖掘的算法主要包括神经网络法、决策树法、遗传算法、粗糙集法、模糊集法、关联规则法等。
数据仓库与数据挖掘试题
《数据仓库与数据挖掘试题》 一、判断题(每小题1分，计30分，答题时每5个答案写在一起) 1.数据库作为数据资源用于管理业务中的信息分析处理。（X） 2.数据库的查询不是指对记录级数据的查询，而是指对分析要求的查询。（X） 3.关系数据库是二维数据（平面），多维数据库是空间立体数据。（v） 4.数据进入数据仓库之前，必须经过加工与集成。（V） 5.OLAP使用的是当前数据；OLTP使用的是历史数据。（V） 6.对数据仓库操作不明确，操作数据量少。（X） 7.数据集市实现难度超过数据仓库。（X） 8.OLAP使用的数据经常更新；OLTP使用的数据不更新，但周期性刷新。（X） 9.数据集市可升级到完整的数据仓库。（V） 10.数据库中存放的数据基本上是保存当前综合数据。（X） 11.OLAP可以应分析人员的要求快速、灵活地进行大数据量的复杂处理。（V） 12.OLAP支持复杂的决策分析操作，侧重对分析人员和高层管理人员的决策支持。 （V） 13.OLTP的事务处理量大，处理内容比较简单但重复率高。（V） 14.数据仓库的用户有两类：信息使用者和探索者。（V） 15.对数据库的操作比较明确，操作数据量大。（X） 16.数据库用于事务处理，数据仓库用于决策分析。（V） 17.信息使用者以一种可预测的、重发性的方式使用数据仓库平台。（V） 18.OLAP一次处理的数据量大；OLTP一次性处理的数据量小。（V）
19.OLTP每次操作的数据量不大且多为当前的数据。（V ） 20.数据仓库系统由数据仓库（DW）、仓库管理和分析工具三部分组成。（V） 21.随着业务的变化,数据仓库中的数据会随时更新。（X） 22.数据集市的规模比数据仓库更大。（X） 23.数据集市具有更详细的、预先存储在数据仓库的数据。（V） 24.不同维值的组合及其对应的度量值构成了不同的查询和分析。（V） 25.OLAP使用细节性数据，OLTP使用综合性数据。（X） 26.数据集市由企业管理和维护。（X） 27.OLAP的概念模型是多维的。（V） 28.数据库已经成为了成熟的信息基础设施。（V） 29.数据库既保存过去的数据又保存当前的数据。（X） 30.OLTP面对的是事务处理操作人员和低层管理人员。（V） 二、填空题(每小题1分，计10分) 1.信息使用者通常查看概括数据或聚集数。 2.探索者的任务是寻找公司数据内隐含的价值。 3.数据立方体是在所有可能组合的维上进行分组聚集计算的总和。 4.基本的多维数据分析操作包括切片切块、旋转、钻取等。 5.数据立方体的构建和维护等计算方法成为了多维数据分析研究的关键问 题。 6.OLAP是建立在网络上的开发体系结构。 7.在数据立方体中，不同维度组合构成了不同的子立方体。 8.不同的数据仓库需要建立不同的数据库。
数据挖掘计算题参考答案
数据仓库与数据挖掘复习题 1. 假设数据挖掘的任务是将如下的8个点（用（x,y）代表位置）聚类为3个类：X1(2,10)、X2(2,5)、X3(8,4)、X4(5,8)、X5(7,5)、X6(6,4)、X7(1,2)、X8(4,9)，距离选择欧几里德距离。假设初始选择X1(2,10)、X4(5,8)、X7(1,2)为每个聚类的中心，请用 K_means算法来计算： （1）在第一次循环执行后的3个聚类中心； 答：第一次迭代：中心点1：X1(2，10)，2：X4(5，8)，X7(1，2) 答案：在第一次循环执行后的3个聚类中心： 1：X1(2，10) 2：X3，X4，X5，X6，X8 （6，6） 3：X2，X7 （，） （2）经过两次循环后，最后的3个族分别是什么？ 答案：1：X1，X8 ， 2：X3，X4，X5，X6 （，） 3：X2，X7 （，） a.使用Apriori算法找出频繁项集，并写出具体过程。 答： (a)Apriori算法：
{K} 1 {A} 4 {A,B} 4 {A,B,D} 3 {A} 4 {B} 4 {A,D} 3 {B} 4 {D} 3 {B,D} 3 {D} 3 {C} 2 {E} 2 频繁项集为3项集{A,B,D}:3 b.列出所有的强关联规则，使它们与下面的元规则匹配，其中，X 是代表顾客的变量，i item 是表示项的变量（例如，“A ”、“B ”等）： 123,(,)(,)(,)x transaction buys X item buys X item buys X item ?∈∧? [s,c] 答：所有频繁子项集有{A},{B},{D},{A,B},{A,D},{B,D} A^B=>D conf=3/4=75% × A^D=>B conf=3/3=100% √ B^D=>A conf=3/3=100% √ 因此，满足条件的强关联规则有： A^D=>B{supp=75%,conf=100%} B^D=>A{supp=75%,conf=100%} ID Sky AirTemp Humidity Wind Water Forecast Enjoysport 1 Sunny Warm Normal Strong Warm Same Yes 2 Sunny Warm High Strong Warm Same Yes 3 Rainy Cold High Strong Warm Change No 4 Sunny Warm High Strong Cool Change yes 请计算属性Sky 的信息增益。 答： C1 ：Enjoysport=yes=3 C2 ：Enjoysport=no=1 2 2 1/4= sky C1 C2 rainy 0 1 sunny 3 I(sky)=1/4I(0,1)+3/4I(3,0)=0 Gain(sky)= 习题: 1. 以汽车保险为例:假定训练数据库具有两个属性:年龄和汽车类型。 年龄————序数属性 汽车类型——分类属性 年龄 汽车类型 类