数据仓库与数据挖掘教程(第2版)课后习题答案 第六章

第六章作业

1.数据挖掘与知识发现两个概念有什么不同？P116

知识发现被认为是从数据中发现有用知识的整个过程。数据挖掘被认为是知识发现过程中的一个特定步骤，它用专门算法从数据中抽取模式。

2.知识发现过程由哪三部分组成？每部分的工作是什么？P116

KDD过程可以概括为三个子步骤：数据准备、数据挖掘和结果的解释和评价。

数据准备：数据准备又可分为三个子步骤：数据选取、数据预处理和数据变换。数据选取的目的是确定发现任务的操作对象，即目标数据，它是根据用户的需要从原始数据库中抽取的一组数据。数据预处理一般可能包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换（如把连续值数据转换为离散型的数据，以便于符号归纳；或是把离散型的转换为连续值型的，以便于神经网络归纳）等。当数据开采的对象是数据仓库时，一般来说，数据预处理已经在生成数据仓库时完成了。数据变换的主要目的是消减数据维数或降维，即从初始特征中找出真正有用的特征以减少数据开采时要考虑的特征或变量个数。

数据挖掘：数据挖掘是利用一系列方法或算法从数据中获取知识。按照数据挖掘任务的不同，数据挖掘方法分类分为聚类、分类、关联规则发现等。

结果的解释和评价：数据挖掘阶段发现的模式，经过用户或机器的评估，可能存在冗余或无关的模式，这时需要将其剔除；也有可能模式不满足用户要求，这时则需要让整个发现过程退回到发现阶段之前，如重新选取数据、采用新的数据变换方法、设定新的数据挖掘参数值，甚至换一种挖掘算法（如当发现任务是分类时，有多种分类方法，不同的方法对不同的数据有不同的效果）。另外，由于KDD最终是面向人类用户的，因此可能要对发现的模式进行可视化，或者把结果转换为用户易懂的另一种表示，如把分类决策树转换为“if...then...”规则。

3.数据挖掘的对象有哪些？他们各自的特点是什么？P118

1.关系数据库

特点：（1）数据动态性（2）数据不完全性（3）数据噪声（4）数据冗余性（5）数据稀疏性（6）海量数据

2.文本

特点：（1）关键词或特征提取（2）相似检索（3）文本聚类（4）文本数据

3.图像与视频数据

特点：（1）图像与视频特征提取（2）基于内容的相似检索（3）视频镜头的编辑与组织

4.web数据

（1）异构数据集成和挖掘（2）半结构化数据模型抽取

4.

1)．关联分析

若两个或多个数据项的取值之间重复出现且概率很高时，它就存在某种关联，可以建立起这些数据项的关联规则。

2)．时序模式

通过时间序列搜索出重复发生概率较高的模式。

3)．聚类

在没有类的数据中，按“距离”概念聚集成若干类。在同一类别中，个体之间的距离较小，而不同类别上的个体之间的距离偏大。

4)．分类

分类是在聚类的基础上，对已确定的类找出该类别的概念描述，它代表了这类数据的整体信息。

5)．偏差检测

偏差检测的基本方法是寻找观察结果与参照之间的差别。

6)．预测

预测是利用历史数据找出变化规律，建立模型，并用此模型来预测未来数据的种类，特征等。

5.

聚类是指在没有类的数据中，按“距离”概念聚集成若干类。在同一类别中，个体之间的距离较小，而不同类别上的个体之间的距离偏大。

分类是在聚类的基础上，对已确定的类找出该类别的概念描述，它代表了这类数据的整体信息。

6.

当发生有丢失的数据、观察不到的数据，隐藏的数据、录入过程中发生错误的数据等情况时，即产生了不完全数据。

7 两个变量X和Y的采样，其中X是独立变量，总有观测值；Y是响应变量，可能涉及丢失值。以Y=？代表丢失值，以（X=i，Y=？）代表不完全的记录。丢失数据模式分别取决于Y=？的概率是否依赖于Y与X的状态。如果这一概率依赖于X但不依赖于Y，则认为数据是随机丢失的。

8两个变量X和Y的采样，其中X是独立变量，总有观测值；Y是响应变量，可能涉及丢失值。以Y=？代表丢失值，以（X=i，Y=？）代表不完全的记录。丢失数据模式分别取决于Y=？的概率是否依赖于Y与X的状态。如果Y=？的概率既不依赖于Y也不依赖于X的状态，则认为数据是完全随机丢失的。

9．那种丢失数据的模式可以忽的？

答：丢失数据模式分类取决于Y=？的概率是否依赖于Y与X的状态。如果这一概率依赖于X但是不依赖于Y ,则认为数据是随时丢失（Missing at Random）;如果Y=？的概率既不依赖于Y也不依赖于X的状态，则认为数据时完全丢失的（Missing Completely at Random）。对于数据随时丢失与完全丢失分两种情况，如果数据挖掘方法不受影响，那么丢失数据的模式是可以忽略的。但是Y=？的概率即依赖于Y也依赖于X时，则丢失数据的模式是不可忽略的。

10那种丢失数据的模式是不可以忽略的？

答：丢失数据模式分类取决于Y=？的概率是否依赖于Y与X的状态。如果这一概率赖于X但是不依赖于Y ,则认为数据是随时丢失（Missing at Random）;如

果Y=？的概率既不依赖于Y也不依赖于X的状态，则认为数据时完全丢失的（Missing Completely at Random）。对于数据随时丢失与完全丢失分两种情况，如果数据挖掘方法不受影响，那么丢失数据的模式是可以忽略的。但是Y=？的概率即依赖于Y也依赖于X时，则丢失数据的模式是不可忽略的。

11、处理丢失数据的方法有哪些？

答：处理丢失数据的方法有：基于已知数据的方法、基于猜测的方法、基于模型的方法、基于贝叶斯理论的方法和基于决策树的方法。

12、数据浓缩包括哪两方面？

答：数据浓缩包括属性约简和元组压缩两个方面。

13

属性约简的原则是保持数据库中分类关系不变。

14

属性约简一般采用：粗糙集方法或信息论方法。

15

元组压缩有：

相同元组（记录）合并

利用概念树进行归并

对元组的聚类

16、如何利用概念树进行元组的压缩？

答:数据库中记录的属性字段按归类方式进行合并，建立起来的层次结构称为概念树。利用概念树提升的

方法可以大大浓缩数据库中的记录。多个属性字段的概念树提升，将得到高度概括的只是基表，然和

转化成规则，就完成了利用概念树压缩数据的目的。

17、ID3方法建立决策树的基本思想？

答：ID3方法建立决策树是通过信息论中互信息最大作为根节点，递归依次根据数据建立树的思想。从而

完成决策树的建立。

18、“信息增益”是“互信息”么？

答：是一样的。I(C,V)=H(C)-H(C|V)=info(T)-infov(T)=gain（T）

19，神经网络方法是模拟了人脑神经元结构，以MP模型和Hebb学习规则为基础，建立三大类多种神经网络模拟，分别为前馈式网络，反馈式网络和自组织网络。

20，遗传算法的三个算子为繁殖（选择），交叉（重组），变异（突变）。

21，BACON发现系统完成了物理学中大量定律的重新发现。它的基本思想是对数据项进行初等数学运算形成组合数据项，若它的的值为常数项，就得到了组合数据项等于常数的公式。FDD发现系统的基本思想是对两个数据项交替取初等函数后与另一个数据项的线性组合若为直线时，就找到了数据项的初等函数的线性组合公式。该系统所发现的公式比BACON系统发现的公式更宽些。

22、公式发现中的BACON方法与FDD方法的基本思想是什么？

答：BACON的基本思想是对数据反复进行初等数学运算形成的组合数据项，若它的值为常数，就得到了组合数据项等于常数的公式。

FDD的基本思想是对两个数据项交替取初等函数后与另一数据项的线性组合，反复进行不同的初等函数试验，当线性组合为直线时，就找到了数据项的初等函数的线性组合公式。

23、数据挖掘的知识表示有哪些？

答：规则知识，决策树知识，知识基，神经网络权值，公式知识和案例。

24、规则知识与决策树知识和知识基是等价的吗？

答：是等价的。

25．数据挖掘的任务：分类、回归、时间序列分析、预测、聚类、汇总、关联规则、序列发现。

26．聚类和分类的不同之处：简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。

简单地说，聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。