【数据挖掘】期末复习（样卷题目+少量知识点）

第一章 绪论

1、填空题

（1）从技术层面上看，数据挖掘是（ ）。从商业层面看，数据挖掘是（ ）。

答：是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中、人们事先不知道的、但又潜在有用的信息的过程。
一种商业信息处理技术，其主要特点是对大量业务数据进行抽取、转换、分析和建模处理，从中提取辅助商业决策的关键性数据。

（2）数据挖掘所得到的信息具有（ ）、有效和实用三个特征。

答：先前未知。

2、数据挖掘在生活场景中的应用

3、区分数据挖掘和查询

数据挖掘和传统数据分析方法（如：查询、报表、联机应用分析等）有本质区别。数据挖掘是没有明确前提下去挖掘信息和 发现知识。
例：
在一句话中找出人名是数据挖掘，在表格中找出人民是查询

第二章 数据处理基础

1、填空题

（1）数据是（ ），属性分为（ ）。

答：数据对象及其属性的集合；标称和序数属性、区间和比率属性。

2、计算题

（1）计算相似度量

老师给的范围：
距离度量（曼哈顿、欧式）：

相似系数（余弦相似度）：

二值属性的相似性（简单匹配相似度关系数 d、s）
Jaccard系数：

例题1：

答：

例题2：

答：

（2）数据统计特征计算

记公式：
算术平均数
加权算术均值
截断均值：丢弃高端和低端（p/2）%的数据，再算均值。
中位数
四分位数
中列数：（max+min）/2
众数

答：

3、问答题

（1）为什么要数据预处理？列出三种常用的预处理技术？

答:数据预处理的目的：提供干净、简洁、准确的数据，提高挖掘效率和准确性。

预处理技术：数据清理、数据集成、数据变换、数据归约、数据离散化。
①数据清理：数据是不完整的、有噪声的、不一致的（填充缺失值、去除噪声并识别离散点、纠正数据中的不一致值）
②数据集成（聚合）：对数据进行聚合，将两个或多个数据源的数据，存放在一个一致的数据存储设备中。
③数据变换：将数据转换成适合于挖掘的形式。（平滑、聚集、数据泛化、规范化、数据离散化）
④数据归约：包含抽样、特征选择。

4、噪声数据的平滑方法

（1）分箱：
第一步：数据被分为n个等深箱
第二步：使用平均值或者边界平滑

箱越深、宽度越大，平滑效果越好。

（2）聚类：删除离群点
（3）回归：找适合的函数

5、数据变换

A、规范化

规范化是将原来的度量值转换为无量纲的值。（按比例缩放，映射到一个新的值域中）
（1）最小-最大规范化（转化为【0,1】范围内）
（2）z-score规范化（概率论的标准化）
（3）小数定标规范化（转化为”零点几×10的n次方“的格式）

B、特征构造

从原始特征船舰新的特征集。

C、数据离散化

利用分类值标记替换连续属性的数值。分为监督和非监督离散化。
无监督离散方法：（1）等宽（2）等频（3）基于聚类分析。
有监督离散方法：（1）基于熵：自顶向下

6、数据归约

A、抽样

压缩行数

有三种抽样方法。有放回、无放回、分层（p36）

B、特征选择

压缩列数

理想的特征子集：每个有价值的非目标特征应与目标特征强相关，而非目标特征之间不相关或者弱相关。

第三章 分类与回归

1、填空题

（1）评估分类模型准确率的方法包括：（ ）、（ ）和随机子抽样的方法。

答：保持方法、k-折交叉验证。

2、判断题

（1）回归预测输出的是连续取值（ ）

答：√
分类预测输出：离散类别值（预测一个类）。回归预测输出的是连续取值。

（2）KNN分类方法需要事先建模。（ ）

答：×
KNN是消极学习方法，不用事先建模。基本步骤：
1 算距离。给定测试对象，计算它与训练集中每个对象的距离；
2 找邻居。圈定距离最近的 k 个训练对象，作为测试对象的近邻。
3 做分类。 根据这k个近邻归属的主要类别，来对测试对象分类。

（3）AdaBoost 算法是一种将多个分类器聚集在一起来提高分类准确率的算法。（ ）

答：√