數(shù)據(jù)挖掘考試題庫

一、填空題

1.Web挖掘可分為、和3大類。

2.數(shù)據(jù)倉庫需要統(tǒng)一數(shù)據(jù)源，包括統(tǒng)一—、統(tǒng)—―、統(tǒng)——和統(tǒng)一數(shù)據(jù)特征

4個方面。

3.數(shù)據(jù)分割通常按時間、—、—、—以及組合方法進行。

4.噪聲數(shù)據(jù)處理的方法主要有—、—和—o

5.數(shù)值歸約的常用方法有—、—、—、—和對數(shù)模型等。

6.評價關(guān)聯(lián)規(guī)則的2個主要指標(biāo)是—和—o

7.多維數(shù)據(jù)集通常采用—或雪花型架構(gòu)，以—表為中心，連接多個—表。

8.決策樹是用—作為結(jié)點，用—作為分支的樹結(jié)構(gòu)。

9.關(guān)聯(lián)可分為簡單關(guān)聯(lián)、—和—o

10.BP神經(jīng)網(wǎng)絡(luò)的作用函數(shù)通常為區(qū)間的o

11.數(shù)據(jù)挖掘的過程主要包括確定業(yè)務(wù)對象、—、—、—及知識同化等兒個步

驟。

12.數(shù)據(jù)挖掘技術(shù)主要涉及—、—和—3個技術(shù)領(lǐng)域。

13.數(shù)據(jù)挖掘的主要功能包括—、—、—、—、趨勢分析、孤立點分析和偏

差分析7個方面。

14.人工神經(jīng)網(wǎng)絡(luò)具有—和—等特點，其結(jié)構(gòu)模型包括—、—和自組織網(wǎng)絡(luò)

3種。

15.數(shù)據(jù)倉庫數(shù)據(jù)的4個基本特征是—、—、非易失、隨時間變化。

16.數(shù)據(jù)倉庫的數(shù)據(jù)通常劃分為—、—、—和—等幾個級別。

17.數(shù)據(jù)預(yù)處理的主要內(nèi)容（方法）包括—、—、一和數(shù)據(jù)歸約等。

18.平滑分箱數(shù)據(jù)的方法主要有—、—和—o

19.數(shù)據(jù)挖掘發(fā)現(xiàn)知識的類型主要有廣義知識、—、—、—和偏差型知識五種。

20.0LAP的數(shù)據(jù)組織方式主要有—和—兩種。

21.常見的0LAP多維數(shù)據(jù)分析包括—、—、—和旋轉(zhuǎn)等操作。

22.傳統(tǒng)的決策支持系統(tǒng)是以—和—驅(qū)動，而新決策支持系統(tǒng)則是以—、建

立在—和—技術(shù)之上。

23.0LAP的數(shù)據(jù)組織方式主要有—和—2種。

24.SQLServer2000的OLAP組件叫,OLAP操作窗口叫。

25.BP神經(jīng)網(wǎng)絡(luò)由—、—以及一或多個—結(jié)點組成。

26.遺傳算法包括—、—、—3個基本算子。

27.聚類分析的數(shù)據(jù)通?？煞譃閰^(qū)間標(biāo)度變量、—、—、—、序數(shù)型以及混合

類型等。

28.聚類分析中最常用的距離計算公式有—、—、—等。

29.基于劃分的聚類算法有—和—。

3O.Clementine的工作流通常由、和等節(jié)點連接而成。

31.簡單地說，數(shù)據(jù)挖掘就是從—中挖掘—的過程。

32.數(shù)據(jù)挖掘相關(guān)的名稱還有—、—、—等。

二、判斷題

()1.數(shù)據(jù)倉庫的數(shù)據(jù)量越大，其應(yīng)用價值也越大。

()2.啤酒與尿布的故事是聚類分析的典型實例。

()3.等深分箱法使每個箱子的記錄個數(shù)相同。

()4.數(shù)據(jù)倉庫“粒度”越細，記錄數(shù)越少。

()5.數(shù)據(jù)立方體由3維構(gòu)成，Z軸表示事實數(shù)據(jù)。

()6.決策樹方法通常用于關(guān)聯(lián)規(guī)則挖掘。

()7.ID3算法是決策樹方法的早期代表。

()8.C4.5是一種典型的關(guān)聯(lián)規(guī)則挖掘算法。

()9.回歸分析通常用于挖掘關(guān)聯(lián)規(guī)則。

()10.人工神經(jīng)網(wǎng)絡(luò)特別適合解決多參數(shù)大復(fù)雜度問題。

()11.概念關(guān)系分析是文本挖掘所獨有的。

()12.可信度是對關(guān)聯(lián)規(guī)則的準(zhǔn)確度的衡量。

()13.孤立點在數(shù)據(jù)挖掘時總是被視為異常、無用數(shù)據(jù)而丟棄。

()14.SQLServer2000不提供關(guān)聯(lián)規(guī)則挖掘算法。

()15.Clementine是IBM公司的專業(yè)級數(shù)據(jù)挖掘軟件。

()16.決策樹方法特別適合于處理數(shù)值型數(shù)據(jù)。

()17.數(shù)據(jù)倉庫的數(shù)據(jù)為歷史數(shù)據(jù)，從來不需要更新。

()18.等寬分箱法使每個箱子的取值區(qū)間相同。

()19.數(shù)據(jù)立方體是廣義知識發(fā)現(xiàn)的方法和技術(shù)之一。

()20.數(shù)據(jù)立方體的其中一?維用于記錄事實數(shù)據(jù)。

()21.決策樹通常用于分類與預(yù)測。

()22.Apriori算法是一種典型的關(guān)聯(lián)規(guī)則挖掘算法。

()23.支持度是衡量關(guān)聯(lián)規(guī)則重要性的一個指標(biāo)。

()24.SQLServer2000集成了OLAP,但不具有數(shù)據(jù)挖掘功能。

()25.人工神經(jīng)網(wǎng)絡(luò)常用于分類與預(yù)測。

三、名詞解釋

1.數(shù)據(jù)倉庫：是一種新的數(shù)據(jù)處理體系結(jié)構(gòu)，是面向主題的、集成的、不可更新

的(穩(wěn)定性)、隨時間不斷變化(不同時間)的數(shù)據(jù)集合，為企業(yè)決策支持系統(tǒng)提

供所需的集成信息。

2.孤立點：指數(shù)據(jù)庫中包含的一些與數(shù)據(jù)的一般行為或模型不一-致的異常數(shù)據(jù)。

3.OLAP：OLAP是在OLTP的基礎(chǔ)上發(fā)展起來的，以數(shù)據(jù)倉庫為基礎(chǔ)的數(shù)據(jù)分析處

理，是共享多維信息的快速分析，是被專門設(shè)計用于支持復(fù)雜的分析操作，側(cè)

重對分析人員和高層管理人員的決策支持。

4.粒度：指數(shù)據(jù)倉庫的數(shù)據(jù)單位中保存數(shù)據(jù)細化或綜合程度的級別。粒度影響存

放在數(shù)據(jù)倉庫中的數(shù)據(jù)量的大小，同時影響數(shù)據(jù)倉庫所能回答查詢問題的細節(jié)

程度。

5.數(shù)據(jù)規(guī)范化：指將數(shù)據(jù)按比例縮放（如更換大單位），使之落入一個特定的區(qū)域

（如0—1）以提高數(shù)據(jù)挖掘效率的方法。規(guī)范化的常用方法有：最大一最小規(guī)

范化、零一均值規(guī)范化、小數(shù)定標(biāo)規(guī)范化。

6.關(guān)聯(lián)知識：是反映一個事件和其他事件之間依賴或相互關(guān)聯(lián)的知識。如果兩項

或多項屬性之間存在關(guān)聯(lián)，那么其中一項的屬性值就可以依據(jù)其他屬性值進行

預(yù)測。

7.數(shù)據(jù)挖掘：從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱

含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。

8.OLTP：OLTP為聯(lián)機事務(wù)處理的縮寫，OLAP是聯(lián)機分析處理的縮寫。前者是以數(shù)

據(jù)庫為基礎(chǔ)的，面對的是操作人員和低層管理人員，對基本數(shù)據(jù)進行查詢和增、

冊人改等處理。

9.ROLAP：是基于關(guān)系數(shù)據(jù)庫存儲方式的，在這種結(jié)構(gòu)中，多維數(shù)據(jù)被映像成二維

關(guān)系表，通常采用星型或雪花型架構(gòu)，由一個事實表和多個維度表構(gòu)成。

10.MOLAP：是基于類似于“超立方”塊的OLAP存儲結(jié)構(gòu)，由許多經(jīng)壓縮的、類似

于多維數(shù)組的對象構(gòu)成，并帶有高度壓縮的索引及指針結(jié)構(gòu)，通過直接偏移計

算進行存取。

11.數(shù)據(jù)歸約：縮小數(shù)據(jù)的取值范圍，使其更適合于數(shù)據(jù)挖掘算法的需要，并且能

夠得到和原始數(shù)據(jù)相同的分析結(jié)果。

12.廣義知識：通過對大量數(shù)據(jù)的歸納、概括和抽象，提煉出帶有普遍性的、概括

性的描述統(tǒng)計的知識。

13.預(yù)測型知識：是根據(jù)時間序列型數(shù)據(jù)，由歷史的和當(dāng)前的數(shù)據(jù)去推測未來的數(shù)

據(jù)，也可以認為是以時間為關(guān)鍵屬性的關(guān)聯(lián)知識。

14.偏差型知識：是對差異和極端特例的描述，用于揭示事物偏離常規(guī)的異?，F(xiàn)象,

如標(biāo)準(zhǔn)類外的特例，數(shù)據(jù)聚類外的離群值等。

15.遺傳算法：是一種優(yōu)化搜索算法，它首先產(chǎn)生一個初始可行解群體，然后對這

個群體通過模擬生物進化的選擇、交又、變異等遺傳操作遺傳到下一代群體，

并最終達到全局最優(yōu)。

16.聚類：是將物理或抽象對象的集合分組成為多個類或簇（cluster）的過程，使得

在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。

17.決策樹：是用樣本的屬性作為結(jié)點，用屬性的取值作為分支的樹結(jié)構(gòu)。它是分

類規(guī)則挖掘的典型方法，可用于對新樣本進行分類。

18.相異度矩陣：是聚類分析中用于表示各對象之間相異度的一種矩陣，n個對象

的相異度矩陣是?個nn維的單模矩陣，其對角線元素均為0,對角線兩側(cè)元素

的值相同。

19.頻繁項集：指滿足最小支持度的項集，是挖掘關(guān)聯(lián)規(guī)則的基本條件之一。

20.支持度：規(guī)則A-B的支持度指的是所有事件中A與B同地發(fā)生的的概率，即

P(AUB),是AB同時發(fā)生的次數(shù)與事件總次數(shù)之比。支持度是對關(guān)聯(lián)規(guī)則重要

性的衡量。

21.可信度：規(guī)則A-B的可信度指的是包含A項集的同時也包含B項集的條件概率

P(B|A),是AB同時發(fā)生的次數(shù)與A發(fā)生的所有次數(shù)之比。可信度是對關(guān)聯(lián)規(guī)則

的準(zhǔn)確度的衡量。

22.關(guān)聯(lián)規(guī)則：同時滿足最小支持度閾值和最小可信度閾值的規(guī)則稱之為關(guān)聯(lián)規(guī)則。

四、綜合題

1.何謂數(shù)據(jù)挖掘？它有哪些方面的功能？

從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱含在其中

的、人們事先不知道的、但又是潛在有用的信息和知識的過程稱為數(shù)據(jù)挖掘。相

關(guān)的名稱有知識發(fā)現(xiàn)、數(shù)據(jù)分析、數(shù)據(jù)融合、決策支持等。

數(shù)據(jù)挖掘的功能包括：概念描述、關(guān)聯(lián)分析、分類與預(yù)測、聚類分析、趨勢

分析、孤立點分析以及偏差分析等。

2.何謂數(shù)據(jù)倉庫？為什么要建立數(shù)據(jù)倉庫？

數(shù)據(jù)倉庫是一種新的數(shù)據(jù)處理體系結(jié)構(gòu)，是面向主題的、集成的、不可更新

的(穩(wěn)定性)、隨時間不斷變化(不同時間)的數(shù)據(jù)集合，為企業(yè)決策支持系統(tǒng)提供

所需的集成信息。

建立數(shù)據(jù)倉庫的目的有3個：

一是為了解決企業(yè)決策分析中的系統(tǒng)響應(yīng)問題，數(shù)據(jù)倉庫能提供比傳統(tǒng)事務(wù)

數(shù)據(jù)庫更快的大規(guī)模決策分析的響應(yīng)速度。

二是解決決策分析對數(shù)據(jù)的特殊需求問題。決策分析需要全面的、正確的集

成數(shù)據(jù)，這是傳統(tǒng)事務(wù)數(shù)據(jù)庫不能直接提供的。

三是解決決策分析對數(shù)據(jù)的特殊操作要求。決策分析是面向?qū)I(yè)用戶而非一

般業(yè)務(wù)員，需要使用專業(yè)的分析工具，對分析結(jié)果還要以商業(yè)智能的方式進行表

現(xiàn)，這是事務(wù)數(shù)據(jù)庫不能提供的。

3.列舉操作型數(shù)據(jù)與分析型數(shù)據(jù)的主要區(qū)別。

操作型數(shù)據(jù)分析型數(shù)據(jù)

當(dāng)前的、細節(jié)的歷史的、綜合的

面向應(yīng)用、事務(wù)驅(qū)動面向分析、分析驅(qū)動

頻繁增、刪、改兒乎不更新，定期追加

操作需求事先知道分析需求事先不知道

生命周期符合SDLC完全不同的生命周期

對性能要求高對性能要求寬松

一次操作數(shù)據(jù)量小一次操作數(shù)據(jù)量大

支持日常事務(wù)操作支持管理決策需求

4.何謂OLTP和OLAP?它們的主要異同有哪些？

OLTP即聯(lián)機事務(wù)處理，是以傳統(tǒng)數(shù)據(jù)庫為基礎(chǔ)、面向操作人員和低層管理

人員、對基本數(shù)據(jù)進行查詢和增、冊人改等的日常事務(wù)處理。OLAP即聯(lián)機分析

處理，是在OLTP基礎(chǔ)上發(fā)展起來的、以數(shù)據(jù)倉庫基礎(chǔ)上的、面向高層管理人員

和專業(yè)分析人員、為企業(yè)決策支持服務(wù)。

OLTP和OLAP的主要區(qū)別如下表:

OLTPOLAP

數(shù)據(jù)庫數(shù)據(jù)數(shù)據(jù)庫或數(shù)據(jù)倉庫數(shù)據(jù)

細節(jié)性數(shù)據(jù)綜合性數(shù)據(jù)

當(dāng)前數(shù)據(jù)歷史數(shù)據(jù)

經(jīng)常更新不更新，但周期性刷新

一次性處理的數(shù)據(jù)量小一次處理的數(shù)據(jù)量大

對響應(yīng)時間要求高響應(yīng)時間合理

用戶數(shù)量大用戶數(shù)據(jù)相對較少

面向操作人員，支持日常操作面向決策人員，支持管理需要

面向應(yīng)用，事務(wù)驅(qū)動面向分析，分析驅(qū)動

5.何謂粒度？它對數(shù)據(jù)倉庫有什么影響？按粒度組織數(shù)據(jù)的方式有哪些？

粒度是指數(shù)據(jù)倉庫的數(shù)據(jù)單位中保存數(shù)據(jù)細化或綜合程度的級別。粒度影響

存放在數(shù)據(jù)倉庫中的數(shù)據(jù)量的大小，同時影響數(shù)據(jù)倉庫所能回答查詢問題的細節(jié)

程度。按粒度組織數(shù)據(jù)的方式主要有：

①簡單堆積結(jié)構(gòu)

②輪轉(zhuǎn)綜合結(jié)構(gòu)

③簡單直接結(jié)構(gòu)

④連續(xù)結(jié)構(gòu)

6.簡述數(shù)據(jù)倉庫設(shè)計的三級模型及其基本內(nèi)容。

概念模型設(shè)計是在較高的抽象層次上的設(shè)計，其主要內(nèi)容包括：界定系統(tǒng)邊

界和確定主要的主題域。

邏輯模型設(shè)計的主要內(nèi)容包括：分析主題域、確定粒度層次劃分、確定數(shù)據(jù)

分割策略、定義關(guān)系模式、定義記錄系統(tǒng)。

物理數(shù)據(jù)模型設(shè)計的主要內(nèi)容包括:確定數(shù)據(jù)存儲結(jié)構(gòu)、確定數(shù)據(jù)存放位置、

確定存儲分配以及確定索引策略等。在物理數(shù)據(jù)模型設(shè)計時主要考慮的因素有：

I/O存取時間、空間利用率和維護代價等。

提高性能的主要措施有劃分粒度、數(shù)據(jù)分割、合并表、建立數(shù)據(jù)序列、引入

冗余、生成導(dǎo)出數(shù)據(jù)、建立廣義索引等。

7.在數(shù)據(jù)挖掘之前為什么要對原始數(shù)據(jù)進行預(yù)處理？

原始業(yè)務(wù)數(shù)據(jù)來自多個數(shù)據(jù)庫或數(shù)據(jù)倉庫，它們的結(jié)構(gòu)和規(guī)則可能是不同

的，這將導(dǎo)致原始數(shù)據(jù)非常的雜亂、不可用，即使在同一個數(shù)據(jù)庫中，也可能存

在重復(fù)的和不完整的數(shù)據(jù)信息，為了使這些數(shù)據(jù)能夠符合數(shù)據(jù)挖掘的要求，提高

效率和得到清晰的結(jié)果，必須進行數(shù)據(jù)的預(yù)處理。

為數(shù)據(jù)挖掘算法提供完整、干凈、準(zhǔn)確、有針對性的數(shù)據(jù)，減少算法的計算

量，提高挖掘效率和準(zhǔn)確程度。

8.簡述數(shù)據(jù)預(yù)處理方法和內(nèi)容。

①數(shù)據(jù)清洗：包括填充空缺值，識別孤立點，去掉噪聲和無關(guān)數(shù)據(jù)。

②數(shù)據(jù)集成：將多個數(shù)據(jù)源中的數(shù)據(jù)結(jié)合起來存放在一個致的數(shù)據(jù)存儲中。

需要注意不同數(shù)據(jù)源的數(shù)據(jù)匹配問題、數(shù)值沖突問題和冗余問題等。

③數(shù)據(jù)變換：將原始數(shù)據(jù)轉(zhuǎn)換成為適合數(shù)據(jù)挖掘的形式。包括對數(shù)據(jù)的匯總、

聚集、概化、規(guī)范化，還可能需要進行屬性的重構(gòu)。

（4）數(shù)據(jù)歸約：縮小數(shù)據(jù)的取值范圍，使其更適合于數(shù)據(jù)挖掘算法的需要，并且

能夠得到和原始數(shù)據(jù)相同的分析結(jié)果。

9.簡述數(shù)據(jù)清理的基本內(nèi)容。

①盡可能賦予屬性名和屬性值明確的含義；

②統(tǒng)一多數(shù)據(jù)源的屬性值編碼；

③去除無用的惟一屬性或鍵值（如自動增長的id）；

④去除重復(fù)屬性（在某些分析中，年齡和出生日期可能就是重復(fù)的屬性，但在某

些時候它們可能又是同時需要的）

⑤去除可忽略字段（大部分為空值的屬性一般是沒有什么價值的，如果不去除可

能造成錯誤的數(shù)據(jù)挖掘結(jié)果）

⑥合理選擇關(guān)聯(lián)字段（對于多個關(guān)聯(lián)性較強的屬性，重復(fù)無益，只需選擇其中的

部分用于數(shù)據(jù)挖掘即可，如價格、數(shù)據(jù)、金額）

⑦去掉數(shù)據(jù)中的噪音、填充空值、丟失值和處理不一致數(shù)據(jù)。

10.簡述處理空缺值的方法。

①忽略該記錄；

②去掉屬性；

③手工填寫空缺值；

④使用默認值；

⑤使用屬性平均值；

⑥使用同類樣本平均值；

⑦預(yù)測最可能的值。

11.常見的分箱方法有哪些？數(shù)據(jù)平滑處理的方法有哪些？

分箱的方法主要有：

①統(tǒng)一權(quán)重法（又稱等深分箱法）

②統(tǒng)一區(qū)間法（又稱等寬分箱法）

③最小嫡法

④自定義區(qū)間法

數(shù)據(jù)平滑的方法主要有：平均值法、邊界值法和中值法。

12.何謂數(shù)據(jù)規(guī)范化？規(guī)范化的方法有哪些？寫出對應(yīng)的變換公式。

將數(shù)據(jù)按比例縮放(如更換大單位)，使之落入一個特定的區(qū)域(如0.0?

1.0),稱為規(guī)范化。規(guī)范化的常用方法有：

⑴最大一最小規(guī)范化：max-min...

x=------------------(x?-minn)+min

(max0-min0)

(2)零一均值規(guī)范化：

X=------

外

(3)小數(shù)定標(biāo)規(guī)范化：x=x°/10"

13.數(shù)據(jù)歸約的方法有哪些？為什么要進行維歸約？

①數(shù)據(jù)立方體聚集

②維歸約

③數(shù)據(jù)壓縮

④數(shù)值壓縮

⑤離散化和概念分層

維歸約可以去掉不重要的屬性，減少數(shù)據(jù)立方體的維數(shù)，從而減少數(shù)據(jù)挖掘

處理的數(shù)據(jù)量，提高挖掘效率。

14.何謂聚類？它與分類有什么異同？

聚類是將物理或抽象對象的集合分組成為多個類或簇(cluster)的過程，使

得在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。

聚類與分類不同，聚類要劃分的類是未知的，分類則可按已知規(guī)則進行；

聚類是一種無指導(dǎo)學(xué)習(xí)，它不依賴預(yù)先定義的類和帶類標(biāo)號的訓(xùn)練實例，屬于

觀察式學(xué)習(xí)，分類則屬于有指導(dǎo)的學(xué)習(xí)，是示例式學(xué)習(xí)。

15.舉例說明聚類分析的典型應(yīng)用。

①商業(yè)：幫助市場分析人員從客戶基本庫中發(fā)現(xiàn)不同的客戶群，并且用不同的

購買模式描述不同客戶群的特征。

②生物學(xué)：推導(dǎo)植物或動物的分類，對基于進行分類，獲得對種群中固有結(jié)構(gòu)

的認識。

③慨文檔分類

④其他：如地球觀測數(shù)據(jù)庫中相似地區(qū)的確定；各類保險投保人的分組；一個

城市中不同類型、價值、地理位置房子的分組等。

⑤聚類分析還可作為其他數(shù)據(jù)挖掘算法的預(yù)處理：即先進行聚類，然后再進行

分類等其他的數(shù)據(jù)挖掘。聚類分析是一種數(shù)據(jù)簡化技術(shù)，它把基于相似數(shù)據(jù)

特征的變量或個案組合在一起。

16.聚類分析中常見的數(shù)據(jù)類型有哪些？何謂相異度矩陣？它有什么特點？

常見數(shù)據(jù)類型有區(qū)間標(biāo)度變量、比例標(biāo)度型變量、二元變量、標(biāo)稱型、序數(shù)

型以及混合類型等。相異度矩陣是用于存儲所有對象兩兩之間相異度的矩陣，為

■—個nn維的單模矩陣。其特點是d(i,j)=d(j,i),d(i,i)=0,d(j,j)=0。如下

所示：

-o-

d(2,l)0

d(3,l)d(32)0

d(n,l)d(n,2).........0

17.分類知識的發(fā)現(xiàn)方法主要有哪些？分類過程通常包括哪兩個步驟？

分類規(guī)則的挖掘方法通常有：決策樹法、貝葉斯法、人工神經(jīng)網(wǎng)絡(luò)法、粗

糙集法和遺傳算法。分類的過程包括2步：首先在已知訓(xùn)練數(shù)據(jù)集上，根據(jù)屬

性特征，為每一種類別找到一個合理的描述或模型，即分類規(guī)則；然后根據(jù)規(guī)

則對新數(shù)據(jù)進行分類。

18.什么是決策樹？如何用決策樹進行分類？

決策樹是用樣本的屬性作為結(jié)點，用屬性的取值作為分支的樹結(jié)構(gòu)。它是

利用信息論原理對大量樣本的屬性進行分析和歸納而產(chǎn)生的。決策樹的根結(jié)點

是所有樣本中信息量最大的屬性。樹的中間結(jié)點是以該結(jié)點為根的子樹所包含

的樣本子集中信息量最大的屬性。決策樹的葉結(jié)點是樣本的類別值。

決策樹用于對新樣本的分類，即通過決策樹對新樣本屬性值的測試，從樹

的根結(jié)點開始，按照樣本屬性的取值，逐漸沿著決策樹向下，直到樹的葉結(jié)點,

該葉結(jié)點表示的類別就是新樣本的類別。決策樹方法是數(shù)據(jù)挖掘中非常有效的

分類方法。

19.簡述ID3算法的基本思想及其主算法的基本步驟。

首先找出最有判別力的因素，然后把數(shù)據(jù)分成多個子集，每個子集又選擇

最有判別力的因素進一步劃分，一直進行到所有子集僅包含同一類型的數(shù)據(jù)為

止。最后得到一棵決策樹，可以用它來對新的樣例進行分類。

主算法包括如下兒步：

①從訓(xùn)練集中隨機選擇一個既含正例又含反例的子集(稱為窗口)；

②用“建樹算法”對當(dāng)前窗口形成一棵決策樹飛

③對訓(xùn)練集(窗口除外)中例子用所得決策樹進行類別判定，找出錯判的例

子；

④若存在錯判的例子，把它們插入窗口，重復(fù)步驟②，否則結(jié)束。

20.簡述ID3算法的基本思想及其建樹算法的基本步驟。

首先找出最有判別力的因素，然后把數(shù)據(jù)分成多個子集，每個子集又選擇

最有判別力的因素進一步劃分，一直進行到所有子集僅包含同一類型的數(shù)據(jù)為

止。最后得到i棵決策樹，可以用它來對新的樣例進行分類。

建樹算法的具體步驟如下：

①對當(dāng)前例子集合，計算各特征的互信息；

②選擇互信息最大的特征A』

③把在Ak處取值相同的例子歸于同一子集，人取兒個值就得兒個子集；

④對既含正例又含反例的子集，遞歸調(diào)用建樹算法；

⑤若子集僅含正例或反例，對應(yīng)分枝標(biāo)上P或N,返回調(diào)用處。

21.設(shè)某事務(wù)項集構(gòu)成如下表，填空完成其中支持度和置信度的計算。

事務(wù)ID項集L2支持度外規(guī)則置信度外

T1A,DA,B33.3AfB50

T2D,EA,C33.3C-A60

T3A,C,EA,D44.4AfD66.7

T4A,B,1),EB,D33.3B-*D75

T5A,B,CC,D33.3C-D60

T6A,B,DD,E33.3D-E43

T7A,C,D???…

T8C,D,E

T9B,C,D

22.從信息處理角度看，神經(jīng)元具有哪些基本特征？寫出描述神經(jīng)元狀態(tài)的M-P方

程并說明其含義。

基本特征：①多輸入、單輸出；②突觸兼有興奮和抑制兩種性能；③可時間加

權(quán)和空間加權(quán)；④可產(chǎn)生脈沖；⑤脈沖可進行傳遞；⑥非線性，有

閾值。

M-P方程：8'=/（2%心-4）,%是神經(jīng)元之間的連接強度，4,是閾值，

j

F（x）是階梯函數(shù)。

23.遺傳算法與傳統(tǒng)尋優(yōu)算法相比有什么特點？

①遺傳算法為群體搜索，有利于尋找到全局最優(yōu)解；

②遺傳算法采用高效有方向的隨機搜索，搜索效率高；

③遺傳算法處理的對象是個體而不是參變量，具有廣泛的應(yīng)用領(lǐng)域；

④遺傳算法使用適應(yīng)值信息評估個體，不需要導(dǎo)數(shù)或其他輔助信息，運算速

度快，適應(yīng)性好；

⑤遺傳算法具有隱含并行性，具有更高的運行效率。

24.寫出非對稱二元變量相異度計算公式（即jaccard系數(shù)），并計算下表中各對象

間的相異度。

7t試項目

test-1test-2test-3test-4test-5test-6

對

0BJ1YNPNNN

0BJ2YNPNPN

0BJ3NYNYNN

?????????????????????

25.簡述K-平均算法的輸入、輸出及聚類過程（流程）。

輸入：簇的數(shù)目k和包含n個對象的數(shù)據(jù)集。

輸出：k個簇，使平方誤差準(zhǔn)則最小。

步驟：

①任意選擇k個對象作為初始的簇中心；

②計算其它對象與這k個中心的距離，然后把每個對象歸入離它“最近”

的簇；

③計算各簇中對象的平均值，然后重新選擇簇中心（離平均值“最近”的

對象值）；

@重復(fù)第2第3步直到簇中心不再變化為止。

26.簡述K-中心點算法的輸入、輸出及聚類過程（流程）。

輸入：結(jié)果簇的數(shù)目k,包含n個對象的數(shù)據(jù)集

輸出：k個簇，使得所有對象與其最近中心點的相異度總和最小。

流程：

①隨機選擇k個對象作為初始中心點；

②計算其它對象與這k個中心的距離，然后把每個對象歸入離它“最近”

的簇；

③隨機地選擇一?個非中心點對象Orandom,并計算用Orandom代替Oj的總

代價S；

④如果S<0,則用Orandom代替Oj,形成新的k個中心點集合；

⑤重復(fù)迭代第3、4步，直到中心點不變?yōu)橹埂?/p>

27.何謂文本挖掘？它與信息檢索有什么關(guān)系（異同）。

文本挖掘是從大量文本數(shù)據(jù)中提取以前未知的、有用的、可理解的、可操

作的知識的過程。它與信息檢索之間有以下幾方面的區(qū)別：

①方法論不同：信息檢索是目標(biāo)驅(qū)動的，用戶需要明確提出查詢要求；而

文本挖掘結(jié)果獨立于用戶的信息需求，是用戶無法預(yù)知的。

②著眼點不同：信息檢索著重于文檔中字、詞和鏈接；而文本挖掘在于理

解文本的內(nèi)容和結(jié)構(gòu)。

③目的不同：信息檢索的目的在于幫助用戶發(fā)現(xiàn)資源，即從大量的文本中

找到滿足其查詢請求的文本子集；而文本挖掘是為了揭示文本中隱含的

知識。

④評價方法不同：信息檢索用查準(zhǔn)率和查全率來評價其性能。而文本挖掘

采用收益、置信度、簡潔性等來衡量所發(fā)現(xiàn)知識的有效性、可用性和可

理解性。

⑤使用場合不同：文本挖掘是比信息檢索更高層次的技術(shù)，可用于信息檢

索技術(shù)不能解決的許多場合。一方面，這兩種技術(shù)各有所長，有各自適

用的場合；另一方面，可以利用文本挖掘的研究成果來提高信息檢索的

精度和效率，改善檢索結(jié)果的組織，使信息檢索系統(tǒng)發(fā)展到一個新的水

平。

名詞解釋

(

每題

4

分，共

20

分

)

1

、數(shù)據(jù)倉庫

數(shù)據(jù)倉庫(

Data

Warehouse

)是一個面向主題的(

Subject

Oriented

)

、集成的

(

Integrate

)

、相對穩(wěn)定的(

Non-Volatile

)

、反映歷史變化(

TimeVariant

)的數(shù)

據(jù)集合，用于支持管理決策。

2

、數(shù)據(jù)挖掘

數(shù)據(jù)挖掘

(Data

Mining)

,又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)

(Knowledge

Discovery

in

Database,KDD)

，就是從大量數(shù)據(jù)中獲取有效的、新穎的、潛在有用的、最終可

理解的模式的非平凡過程，簡單的說，數(shù)據(jù)挖掘就是從大量數(shù)據(jù)中提取或

a

挖掘

，，

知識。

3

、雪花模型

雪花模式中某些維表是規(guī)范化的，因而把數(shù)據(jù)進一步分解到附加的表中