学习笔记|数据挖掘中的数据

这篇笔记是《数据挖掘：概念与技术》第2章的小结。

数据对象和属性

一个数据对象代表一个实体，如医疗数据库中，对象可以是患者，在大学数据库中，对象可以是学生、老师、课程。数据对象又称为样本、实例、数据点。

属性是一个数据字段，表示数据对象的一个特征，一个数据对象可以有多个属性。属性又称为维、特征、变量。属性类型可以是标称的、二元的、序数的或数值的，由这个属性可能具有的值的集合所决定。

1、标称属性

它的值是一些符号或事物的名称，表示类别、编码、状态，是枚举的。

2、二元属性

只有0和1，它的意义可以是对称的（同等重要、地位一样）或非对称的（分轻重、地位不一样）

3、序数属性

有意义的序列或秩评定。相继值之间的差是未知的。可以把数值量的值域划分成有限个有序类别，从而成为序数属性。

4、数值属性

用整数或实数值表示，可度量。

（1）区间标度属性

用相等的单位尺度度量，值有序，允许比较和定量评估值之间的差，但是不能用比率谈论这些值。例如：温度

（2）比率标度属性

具有固定零点的数值属性，可以说一个值是另一个的倍数。例如：速度

5、离散属性、连续属性

离散属性具有有限或无限个值，可以用或不用整数表示。

如果属性不是离散的，则它是连续的。

数据的基本统计描述

数据的基本统计描述可以用来识别数据的性质，凸显哪些数据应该视为噪声或离群点。

1、中心趋势度量：度量数据分布的中部或中心位置

均值、中位数、众数、中列数

2、数据的散布：研究数据如何分散

极差、四分位数、四分位数极差、五数概括、盒图、方差、标准差

3、数据可视化的形式

条形图、饼图、线图、分位数图、分位数-分位数图、直方图、散点图

4、数据可视化的技术

基于像素的技术、几何投影可视化技术、基于图符的可视化技术、层次可视化技术、标签云

可视化除了数据可视化外，也可用于表现挖掘过程、从挖掘方法得到的模式，以及用户与数据交互。

数据的相似性和相依性的度量方法

首先给出两种矩阵：数据矩阵、相异性矩阵

数据矩阵（二模矩阵）：行代表对象，列代表属性

                                                                       

数据矩阵

 

相异性矩阵（单模矩阵）：d(i,j)是对象i和j之间的相异性度量。许多聚类和最近邻算法都在相异性矩阵上运行。数据矩阵可转化为相异性矩阵。