数据挖掘第二次作业

1.假设最小支持度为40%，最小置信度为70%。对于下表，使用Apriori

算法求解所有的频繁项集，在此基础上推导出所有的强关联规则，并给出相应的支持度和置信度。

答：

最小支持数为: 5*40% =2

因此所有的频繁项集为:{l1}, {l2}, {L3}, {L4}, {L6},{l1,l2}, {l1,l3}, {l1,l6}, {l2,l4}, {l2,l6}, {l3,l6},{{l1,l2,l6}},{l1,l3,l6}}

{l1,l2}的非空子集为{l1}, {l2}

I1=>I2 support = 3/5 =60% confidence =3/4 =75%

I2=>I1 support = 3/5 =60% confidence =3/4 =75%

{l1,l3}的非空子集为{l1}, {l3}

I1=>I3 support = 2/5 =40% confidence =2/4 =50%

I3=> I1 support = 2/5 =40% confidence =2/2=100%

{l1,l6}的非空子集为{l1}, {l6}

I1=>I6 support = 3/5 =60% confidence =3/4 =75%

I6 => l1 support = 3/5 =60% confidence =3/4 =75%

{l2,l4}的非空子集为{l2}, {l4}

I2=>I4 support = 2/5 =40% confidence =2/4 =50%

I4 => l2 support = 2/5 =40% confidence =2/2 =100%

{l2,l6}的非空子集为{l2}, {l6}

I2=> l6 support = 3/5 =60% confidence =3/4 =75%

I6=> I2 support = 3/5 =60% confidence =3/4 =75%

{l3,l6}的非空子集为{l3}, {l6}

I3=> l6 support = 2/5 =40% confidence =2/2=100%

I6=>I3 support = 2/5 =40% confidence =2/4=50%

{l1,l2,l6}}的非空子集为{l1,l2} , {1l,l6}, {l2,l6}, {l1}, {l2}, {l6}

I1=>I2^I6 support = 2/5 =40% confidence =2/4 =50%

I2=>I1^I6 support = 2/5 =40% confidence = 2/4 =50%

I6=>I1^I2 support = 2/5 =40% confidence =2/4 =50%

I2^I6=> I1 support = 2/5 =40% confidence = 2/3 =66.67% I1^I6 => I2 support = 2/5 =40% confidence =2/3 =66.67% I1^I2=> l6 support = 2/5 =40% confidence =2/3 =66.67%

{l1,l3,l6}的非空子集为{l1,l3}, {l1,l6}, {l3,l6}, {l1}, {l3}, {l6}

I1=>I3^I6 support = 2/5 =40% confidence =2/4 = 50%

I3=>I1^I6 support = 2/5 =40% confidence = 2/2 =100% I6=>I1^I3 support = 2/5 =40% confidence =2/4 = 50%

I3^I6=> I1 support = 2/5 =40% confidence = 2/2 =100% I1^I6 => I2 support = 2/5 =40% confidence =2/3 =66.67% I1^I3=> l6 support = 2/5 =40% confidence =2/2=100%

因为最小置信度为70%，所以强关联:

I1=>I2 support = 3/5 =60% confidence =3/4 =75%

I2=>I1 support = 3/5 =60% confidence =3/4 =75%

I1=>I6 support = 3/5 =60% confidence =3/4 =75%

I6 => l1 support = 3/5 =60% confidence =3/4 =75%

I2=> l6 support = 3/5 =60% confidence =3/4 =75%

I6=> I2 support = 3/5 =60% confidence =3/4 =75%

I3=> I1 support = 2/5 =40% confidence =2/2=100%

I3=> l6 support = 2/5 =40% confidence =2/2=100%

I4 => l2 support = 2/5 =40% confidence =2/2 =100%

I3=>I1^I6 support = 2/5 =40% confidence = 2/2 =100%

I3^I6=> I1 support = 2/5 =40% confidence = 2/2 =100%

I1^I3=> l6 support = 2/5 =40% confidence = 2/2 =100%

2.针对下表的数据，

a)构造决策树，并给出是否外出游玩的有关规则；

b)利用贝叶斯分类方法，判断：在（阴晴=sunny，温度=Mild，湿

度=Normal，刮风=False）的情况下，是否可以外出游玩。

答：

a)

b)

设X =（阴晴=sunny，温度=Mild，湿度=Normal，刮风=False）P (外出游玩= “yes” ) = 9/14 = 0.643

P (外出游玩= “No” ) = 5/14 = 0.357

p (阴晴= ”S unny” | 外出游玩= ”yes”)=2/9 ;

p(阴晴= ”sunn y” | 外出游玩=”N o”)= 3/5 ;

p (湿度=”Mild”|外出游玩=”yes”)=4/9 ;

p(湿度=”Mild” | 外出游玩=” N o”)=2/5 ;

p (温度=”N orma”|外出游玩=”yes”)=6/9 ;

p(温度=”Normal” | 外出游玩=” N o”)=1/5 ;

p(刮风=”F alse”|外出游玩=”yes”)=6/9 ;

p(刮风=“false”| 外出游玩=”N o”)=2/5 ;

p (X|外出游玩=”y es”)=2/9 * 4/9 * 6/9 * 6/9 = 0.044

p (X|外出游玩=”no”)= 3/5 * 2/5 * 1/5 * 2/5 = 0 019

p (X|外出游玩=”yes”) p(外出游玩=”yes”)= 0.044 * 0.643 = 0.028

p (X|外出游玩=” no”) p(外出游玩=” N o”)= 0.019 * 0.357 = 0.007 因此，对于样本X，贝叶斯分类预测，外出游外=”yes”。

所以在（阴晴=sunny，温度=Mild，湿度=Normal，刮风=False）的情况下，可以外出游玩

3.简述什么是面向属性的归纳，它的主要步骤有哪些？

答：

面向属性的归纳是一种面向关系数据查询的、基于汇总的在线数据分析技术。受数据类型和度量类型的约束比较少

它的基本思想是：

使用关系数据库查询收集任务相关的数据

●通过考察任务相关数据中每个属性的不同值的个数进行

概化，方法是属性删除或者是属性概化

●通过合并相等的，概化的广义元组，并累计他们对应的计

数值进行聚集操作

●通过与用户交互，将广义关系以图表或规则等形式，提交

给用户

4.为什么要进行属性相关性分析？

答：

数据仓库和OLAP系统中的多维数据分析缺乏一个自动概化过程，这使得这个过程中需要有很多用户干预

●用户必须告诉系统哪些维或属性应当包含在类分析中 (难)。属性

太少，则造成挖掘的描述结果不正确。属性太多，浪费计算、淹没知识

●告诉系统每个维应当概化到多高的层次（易）。直接通过概化的

临界值，说明给定维应当达到的概化程度。对概化层次不满意，则可以指定需要上卷或下钻的维

5.什么是类比较，它的主要步骤有哪些。

答：

类比较挖掘的目标是得到将目标类与对比类相区分的描述。

步骤：1）数据收集：通过查询处理收集数据库中相关的数据，并将其划分为一个目标类和一个或多个对比类

2）维相关分析：使用属性相关分析方法，使我们的任务中仅

包含强相关的维

3) 同步概化：同步的在目标类和对比类上进行概化，得到主目标类关系/方体和主对比类关系/方体

4) 导出比较的表示: 用可视化技术表达类比较描述，通常会包

含“对比”度量，反映目标类与对比类间的比较(e.g count%).

6.什么是关联规则挖掘，关联规则都有哪些类型？

答：

从事务数据库，关系数据库和其他信息存储中的大量数据的项集之间发现有趣的、频繁出现的模式、关联和相关性。

类型有：

1）根据规则中所处理的值类型

2）根据规则中涉及的数据维

3）根据规则集所涉及的抽象层

4）根据关联挖掘的各种扩充

7.简要说明什么是Apriori性质。

答：

频繁项集的所有非空子集也必须是频繁的。

●A∪B模式不可能比A更频繁的出现

●Apriori算法是反单调的，即一个集合如果不能通过测试，则该集

合的所有超集也不能通过相同的测试。

●Apriori性质通过减少搜索空间，来提高频繁项集逐层产生的效率

8.简要说明多层关联规则挖掘的方法。

通常，多层关联规则的挖掘还是使用置信度－支持度框架，可以采用自顶向下策略

a)请注意：概念分层中，一个节点的支持度肯定不小于该节点的

任何子节点的支持度

b)由概念层1开始向下，到较低的更特定的概念层，对每个概念

层的频繁项计算累加计数

c)每一层的关联规则挖掘可以使用Apriori等多种方法

9.举例说明为什么强关联规则不一定是有趣的。

答：

例如在5000个学生中

3000个打篮球

3750个喝麦片粥

2000个学生既打篮球又喝麦片粥

然而，打篮球=> 喝麦片粥[40%, 66.7%]是错误的，因为全部学生中喝麦片粥的比率是75%，比打篮球学生的66.7%要高

打篮球=> 不喝麦片粥[20%, 33.3%]这个规则远比上面那个要精确，尽管支持度和置信度都要低的多

10.分类和预测有什么区别？它们的主要步骤是什么。

答：

区别：

●分类法主要是用来预测类标号（分类属性值）

●预测法主要是用来估计连续值（量化属性值）

步骤：

?第一步，建立一个模型，描述预定数据类集和概念集

?第二步，使用模型，对将来的或未知的对象进行分类

11.除了决策树（判定树）以外还有哪些分类方法，比较这些分类方

法的标准是什么？

答：

贝叶斯分类，后向传播分类。

使用下列标准比较分类和预测方法

（1）预测的准确率：模型正确预测新数据的类编号的能力

（2）速度：产生和使用模型的计算花销

（3）健壮性：给定噪声数据或有空缺值的数据，模型正确预测的能力

（4）可伸缩性：对大量数据，有效的构建模型的能力

（5）可解释性：学习模型提供的理解和洞察的层次

（6）规则好坏的评价：决策树的大小和分类规则的简明性