数据挖掘考试题库.docx

《数据挖掘考试题库.docx》由会员分享，可在线阅读，更多相关《数据挖掘考试题库.docx（8页珍藏版）》请在三一文库上搜索。

1、1. 何谓数据挖掘？它有哪些方面的功能？从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是 潜在有用的信息和知识的过程称为数据挖掘。相关的名称有知识发现、数据分析、数据融合、决策支持等。数据挖掘的功能包括：概念描述、关联分析、分类与预测、聚类分析、趋势分析、孤立点分析以及偏差分析 等。2. 何谓粒度？它对数据仓库有什么影响？按粒度组织数据的方式有哪些？粒度是指数据仓库的数据单位中保存数据细化或综合程度的级别。粒度影响存放在数据仓库中的数据量的大 小，同时影响数据仓库所能回答查询问题的细节程度。按粒度组织数据的方式主要有：1234简单堆积结构 轮转综合

2、结构 简单直接结构 连续结构3. 简述数据仓库设计的三级模型及其基本内容。概念模型设计是在较高的抽象层次上的设计，其主要内容包括：界定系统边界和确定主要的主题域。逻辑模型设计的主要内容包括：分析主题域、确定粒度层次划分、确定数据分割策略、定义关系模式、定义 记录系统。物理数据模型设计的主要内容包括：确定数据存储结构、确定数据存放位置、确定存储分配以及确定索引策 略等。在物理数据模型设计时主要考虑的因素有:I/O 存取时间、空间利用率和维护代价等。提高性能的主要措施有划分粒度、数据分割、合并表、建立数据序列、引入冗余、生成导出数据、建立广义 索引等。4. 在数据挖掘之前为什么要对原始数据进行预处

3、理？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。为数据挖掘算法提供完整、干净、准确、有针对性的数据，减少算法的计算量，提高挖掘效率和准确程度。 5. 简述数据预处理方法和内容。1234数据清洗：包括填充空缺值，识别孤立点，去掉噪声和无关数据。数据集成：将多个数据源中的数据结合起来存放在一个一致的数据存储中。需要注意不同数据源的数据匹配问 题、数值冲突问题和冗余问题等。数据变换：将原始数据转

4、换成为适合数据挖掘的形式。包括对数据的汇总、聚集、概化、规范化，还可能需要 进行属性的重构。数据归约：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。6.7.简述数据清理的基本内容。1 尽可能赋予属性名和属性值明确的含义；2 统一多数据源的属性值编码；3 去除无用的惟一属性或键值(如自动增长的 id) ；4 去除重复属性(在某些分析中，年龄和出生日期可能就是重复的属性，但在某些时候它们可能又是同时需要的) 去除可忽略字段(大部分为空值的属性一般是没有什么价值的，如果不去除可能造成错误的数据挖掘结果) 合理选择关联字段(对于多个关联性较强的属性，重复无

5、益，只需选择其中的部分用于数据挖掘即可，如价格、数据、金额) 去掉数据中的噪音、填充空值、丢失值和处理不一致数据。简述处理空缺值的方法。1 忽略该记录；2 去掉属性；3 手工填写空缺值；4 使用默认值；5 使用属性平均值；0x = 08.6 使用同类样本平均值；7 预测最可能的值。常见的分箱方法有哪些？数据平滑处理的方法有哪些？ 分箱的方法主要有：1234统一权重法(又称等深分箱法) 统一区间法(又称等宽分箱法) 最小熵法自定义区间法9.数据平滑的方法主要有：平均值法、边界值法和中值法。何谓数据规范化？规范化的方法有哪些？写出对应的变换公式。将数据按比例缩放(如更换大单位)，使之落入一个特定的

6、区域（如），称为规范化。规范化的常用方法有：(1)(2)(3)最大最小规范化： 零均值规范化：小数定标规范化：xx /10 x =max - min (xmax-X - min )0 0s( x - min ) + min 0 010.数据归约的方法有哪些？为什么要进行维归约？ 数据立方体聚集维归约数据压缩数值压缩离散化和概念分层X11.12.13.14.15.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。 何谓聚类？它与分类有什么异同？聚类是将物理或抽象对象的集合分组成为多个类或簇(cluster)的过程，使得在同一个簇中的对象之间具有较高 的

7、相似度，而不同簇中的对象差别较大。聚类与分类不同，聚类要划分的类是未知的，分类则可按已知规则进行；聚类是一种无指导学习，它不依赖 预先定义的类和带类标号的训练实例，属于观察式学习，分类则属于有指导的学习，是示例式学习。举例说明聚类分析的典型应用。商业：帮助市场分析人员从客户基本库中发现不同的客户群，并且用不同的购买模式描述不同客户群的特征。 生物学：推导植物或动物的分类，对基于进行分类，获得对种群中固有结构的认识。3 WEB 文档分类4 其他：如地球观测数据库中相似地区的确定；各类保险投保人的分组；一个城市中不同类型、价值、地理位置 房子的分组等。5 聚类分析还可作为其他数据挖掘算法的预处理：

8、即先进行聚类，然后再进行分类等其他的数据挖掘。聚类分析 是一种数据简化技术，它把基于相似数据特征的变量或个案组合在一起。聚类分析中常见的数据类型有哪些？何谓相异度矩阵？它有什么特点？常见数据类型有区间标度变量、比例标度型变量、二元变量、标称型、序数型以及混合类型等。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。其特点是 d(i,j)=d(j,i)，d(i,i)=0，d(j,j)=0。如 下所示：分类知识的发现方法主要有哪些？分类过程通常包括哪两个步骤？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。分类的过程包 括 2 步：首

9、先在已知训练数据集上，根据属性特征，为每一种类别找到一个合理的描述或模型，即分类规则；然 后根据规则对新数据进行分类。什么是决策树？如何用决策树进行分类？决策树是用样本的属性作为结点，用属性的取值作为分支的树结构。它是利用信息论原理对大量样本的属性 进行分析和归纳而产生的。决策树的根结点是所有样本中信息量最大的属性。树的中间结点是以该结点为根的子 树所包含的样本子集中信息量最大的属性。决策树的叶结点是样本的类别值。决策树用于对新样本的分类，即通过决策树对新样本属性值的测试，从树的根结点开始，按照样本属性的取 值，逐渐沿着决策树向下，直到树的叶结点，该叶结点表示的类别就是新样本的类别。决策树方法

10、是数据挖掘中 非常有效的分类方法。kkkij16.17.18.简述 ID3 算法的基本思想及其主算法的基本步骤。首先找出最有判别力的因素，然后把数据分成多个子集，每个子集又选择最有判别力的因素进一步划分，一 直进行到所有子集仅包含同一类型的数据为止。最后得到一棵决策树，可以用它来对新的样例进行分类。主算法包括如下几步：1 从训练集中随机选择一个既含正例又含反例的子集(称为窗口)；2 用“建树算法”对当前窗口形成一棵决策树；3 对训练集(窗口除外)中例子用所得决策树进行类别判定，找出错判的例子；4 若存在错判的例子，把它们插入窗口，重复步骤，否则结束。简述 ID3 算法的基本思想及其建树算法的基

11、本步骤。首先找出最有判别力的因素，然后把数据分成多个子集，每个子集又选择最有判别力的因素进一步划分，一 直进行到所有子集仅包含同一类型的数据为止。最后得到一棵决策树，可以用它来对新的样例进行分类。建树算法的具体步骤如下：1 对当前例子集合，计算各特征的互信息；2 选择互信息最大的特征 A ；3 把在 A 处取值相同的例子归于同一子集，A 取几个值就得几个子集；4 对既含正例又含反例的子集，递归调用建树算法；5 若子集仅含正例或反例，对应分枝标上 P 或 N，返回调用处。设某事务项集构成如下表，填空完成其中支持度和置信度的计算。事务 IDT1T2T3T4T5T6T7项集A,DD,EA,C,EA,

12、B,D,EA,B,CA,B,DA,C,DL2A,BA,CA ,DB ,DC ,DD ,E支持度%规则ABCAA DB DC DD E置信度%5060756043T8T9C,D,EB,C,D19.从信息处理角度看，神经元具有哪些基本特征？写出描述神经元状态的 M-P 方程并说明其含义。基本特征：多输入、单输出；突触兼有兴奋和抑制两种性能；可时间加权和空间加权；可产生脉冲； 脉冲可进行传递；非线性，有阈值。M-P 方程：S = f ( W S - q i ij jj)，W是神经元之间的连接强度，qj是阈值，f(x)是阶梯函数。20.j遗传算法与传统寻优算法相比有什么特点？12345遗传算法为群体搜

13、索，有利于寻找到全局最优解；遗传算法采用高效有方向的随机搜索，搜索效率高；遗传算法处理的对象是个体而不是参变量，具有广泛的应用领域；遗传算法使用适应值信息评估个体，不需要导数或其他辅助信息，运算速度快，适应性好； 遗传算法具有隐含并行性，具有更高的运行效率。21.写出非对称二元变量相异度计算公式(即 jaccard 系数)，并计算下表中各对象间的相异度。对象测试项目test-1 test-2 test-3 test-4 test-5 test-6OBJ1OBJ2OBJ3YYNNNYPPNNNYNPNNNN22.简述 K-平均算法的输入、输出及聚类过程(流程)。 输入：簇的数目 k 和包含 n

14、个对象的数据集。输出：k 个簇，使平方误差准则最小。 步骤：1234任意选择 k 个对象作为初始的簇中心；计算其它对象与这 k 个中心的距离，然后把每个对象归入离它“最近”的簇； 计算各簇中对象的平均值，然后重新选择簇中心(离平均值“最近”的对象值)； 重复第 2 第 3 步直到簇中心不再变化为止。23.简述 K-中心点算法的输入、输出及聚类过程(流程)。输入：结果簇的数目 k，包含 n 个对象的数据集输出：k 个簇，使得所有对象与其最近中心点的相异度总和最小。 流程：12345随机选择 k 个对象作为初始中心点；计算其它对象与这 k 个中心的距离，然后把每个对象归入离它“最近”的簇； 随机地

15、选择一个非中心点对象 Orandom，并计算用 Orandom 代替 Oj 的总代价 S； 如果 S0,则用 Orandom 代替 Oj，形成新的 k 个中心点集合；重复迭代第 3、4 步，直到中心点不变为止。24.何谓文本挖掘？它与信息检索有什么关系(异同)。文本挖掘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。它与信息检索之 间有以下几方面的区别：12345方法论不同：信息检索是目标驱动的，用户需要明确提出查询要求；而文本挖掘结果独立于用户的信息 需求，是用户无法预知的。着眼点不同：信息检索着重于文档中字、词和链接；而文本挖掘在于理解文本的内容和结构。目的不同：信

16、息检索的目的在于帮助用户发现资源，即从大量的文本中找到满足其查询请求的文本子集； 而文本挖掘是为了揭示文本中隐含的知识。评价方法不同：信息检索用查准率和查全率来评价其性能。而文本挖掘采用收益、置信度、简洁性等来 衡量所发现知识的有效性、可用性和可理解性。使用场合不同：文本挖掘是比信息检索更高层次的技术，可用于信息检索技术不能解决的许多场合。一 方面，这两种技术各有所长，有各自适用的场合；另一方面，可以利用文本挖掘的研究成果来提高信息 检索的精度和效率，改善检索结果的组织，使信息检索系统发展到一个新的水平。人工神经网络 是用大量的简单处理单元广泛连接而成的网络,用以模拟生物神经网络的智能计算系统

17、, 神经网络 是一组类似于神经元的处理单元 ,其中每个连接都与一个权重相关联 .Apriori 优缺点 :优点：大大压缩了频繁集的大小，取得了很好的性能。缺点： (1) 产生大量的频繁集(2) 重复扫 描事务数据库如何改进 ?改进：在第一次数据库遍历后就不需要用到原始数据库，而使用在前一次过程中所用 的候选项集的集合。AprioriTid 算法的优点 是用逐渐减少的 TID 表代替原始数据库,但是在循环的初始阶段 ,候选项集的个数往往大 于数据项个数,导致构造的 TID 表可能比原始事务数据库还要大 .聚类分析 :从数据集中找出相似的数据并组成不同的组数据挖掘步骤 :问题定义,数据准备,预处理,数据挖掘,结果的解释和评估ID3 优点:搜索空间是完全的假设空间, 目标函数必在搜索空间中,不存在无解的危险;全盘使用训练数据,而不是 像候选剪除算法一个个地考虑训练例 ;可以生成容易理解的 IF-THEN 分类规则,更容易倍用户理解 ; 擅于处理非 数值数据缺点:这种基于互信息的计算方法偏向于属性取值数目较多的特征 ,而可取较多值的属性不是最优 ; 此算法对噪声比较敏感, 不易去除噪声;当训练集增加时, 该算法生成的决策树也会随之变化; 数据集越大,算法的 计算量也会越大;缺乏伸缩性;增大了分类算法的额外开销还降低了分类的准确性