《数据挖掘》试题与答案.pdf
《《数据挖掘》试题与答案.pdf》由会员分享,可在线阅读,更多相关《《数据挖掘》试题与答案.pdf(8页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、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。矢口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,接着建立目标然后进行数据集,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;解释和评价成为有用的信息。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
2、或找出分类模型; 最后经过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,利用届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(AutoRegressive Moving A
3、verage 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。3.数据挖掘的分类方法有哪些,请详细阐述之分类方法归结为四种类型:1)、基于距离的分类方法:距离的计算方法有多种,最常用的是通过计 算每个类的中心来完成,在实际的计算中往往用距离来表征, 距离越近, 相似性越大,距离越远,相似性越小。02)、决策树分类方法:决策树(Dec
4、ision Tree)的每个内部结点表示在一个 届性上的测试,每个分枝代表一个测试输出,而每个树叶结点代表类或类分 布。树的最顶层结点是根结点。3)、贝叶斯分类方法:设 X 是类标号未知的数据样本。设 H 为某种假定, 如数据样本 X 届于某特定的类 C。对于分类问题,我们希望确定 P(H|X), 即给定观测数据样本 X,假定 H 成立的概率。4)、规则归纳方法:规则归纳有四种策略:减法、加法,先加后减、先减后加策略。a)减法策略:以具体例子为出发点,对例子进行推广或泛化,推广即减 除条件(届性值)或减除合取项(为了方便,我们不考虑增加析取项的推广),使推广后的例子或规则不覆盖任何反例。b)加
5、法策略:起始假设规则的条件部分为空(永真规则),如果该规则覆盖了反例, 则不停地向规则增加条件或合取项,直到该规则不再覆 盖反例。c) 先加后减策略:由于届性问存在相关性,因此可能某个条件的加入会 导致d)先减后加策略: 道理同先加后减, 也是为了处理届性问的相关性。典型的规则归纳算法有 AQ、CN2 和 FOIL 等。4.数据挖掘的聚类方法有哪些,请详细阐述之前面加入的条件没什么作用,因此需要减除前面的条件。数据挖掘的聚类方法:1)、划分方法(Partitioning Methods):给定一个有 n 个对象的数据集,划分聚类技术将构造数据 k 个划分,每一个划分就代表一个簇,k no 也就
6、是说,它将数 据划分为 k 个簇,而且这 k 个划分满足下列条件:a) 每一个簇至少包含一个对象。b) 每一个对象届于且仅届于一个簇。对于给定的 k,算法首先给出一个初始的划分方法,以后通过反复迭代的方法改 变划分,使得每一次改进之后的划分方案都较前一次更好。1) 、层次聚类:层次聚类方法对给定的数据集进行层次的分解,直到某种 条件满足为止。具体乂可分为:a) 凝聚的层次聚类:一种自底向上的策略,首先将每个对象作为一个簇,然后合并这些原子簇为越来越大的簇,直到某个终结条件被满足。b) 分裂的层次聚类:采用自顶向下的策略,它首先将所有对象置于一个簇中,然后逐渐细分为越来越小的簇,直到达到了某个终
7、结条件。层次凝聚的代表是 AGNES 算法。层次分裂的代表是 DIANA 算法。2) 密度聚类方法:密度聚类方法的指导思想是,只要一个区域中的点的密 度大于某个域值,就把它加到与之相近的聚类中去。代表算法有: DBSCAN、OPTICS、DENCLUE 算法等。3) 其它聚类方法:STING(Statistaical Information Grid_based method)是一种基于网格的多分辨率聚类技术,它将空间区域划分为矩形单元。STING算法采用了一种多分辨率的方法来进行聚类分析,该聚类算法的质量取决于网格结构最低层的粒度。如果粒度比较细,处理的代价会显著增加; 但如果粒度较粗,则聚
8、类质量会受到影响。5.请阐述数据挖掘的基本过程及步骤一、 业务理解:业务理解包括确定商业对象、了解现状、建立数据挖掘目标和制定计划书。应该是对数据挖掘的目标有一个清晰的认识,分析和数据报告等步骤。二、 数据理解:一旦商业对象和计划书确定完备,数据理解就考虑将所需要的数据。这一过 程包知道利润所在,其中包括数据收集、 数据括原始数据收集、数据描述、数据探索和数据质量核查等。三、数据准备:确定可用的数据资源以后,需要对此进行筛选、清理、调整为所需要的形式。数据整理和数据转换等数据建模的准备工作需要在这一阶段完成。更深层次的数据探索也可以在这一阶段进行,新增模型的应用再次提供了在业务理解基础上看清楚
9、数据模式的 机会。四、建立模型:数据模型建立是应用数据挖掘软件不不同的情景下获得结果的过程。五、模型评估:数据解释阶段是至关重要的,要对建立的模型是否能够达到问题解决的目的进行研究,即包括模型是否能够达到研究的目标;模型是否能够用合适的方法显示。六、模型发布:数据挖掘既可以应用于核实先前的假设,期的有用的关系)。也可以应用于知识发现(识别未预6.为什么说强关联规则不一定都是有效的,请举例说明之。并不是所有的强关联规则都是有效的。例如,一个谷类早餐的零售商对5000 名学生的调查的案例。数据表明:60%的学生打篮球,75%的学生吃这类早餐,40% 的学生即打篮球吃这类早餐。假设支持度阈值 s=0
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据挖掘 数据 挖掘 试题 答案
限制150内