当前位置：文档库 › 数据挖掘概念与技术原书第版范明、孟小峰绎第一章课后习题

数据挖掘概念与技术原书第版范明、孟小峰绎第一章课后习题

1.9习题

1.1 什么是数据挖掘？在你的回答中，强调以下问题：

（a）它是又一种广告宣传吗？

（b）它是一种从数据库、统计学、机器学习和模式识别发展而来的技术的简单转换或应用吗？

（c）我们提出了一种观点，说数据挖掘是数据库技术进化的结果。你认为数据挖掘也是机器学习研究进化的结果吗？你能基于该学科的发展历史提出这一观点吗？针对统计学和模式识别领域，做相同的事。

（d）当把数据挖掘看做知识发现过程时，描述数据挖掘所涉及的步骤。

答：简单地说，数据挖掘其实就是从大量的数据中发现有用的信息，它是从大量数据中挖掘有趣模式和知识的过程。数据挖掘不是一种广告宣传，而是身处在信息时代数据如此庞大的今天，我们对由海量的数据转化为有用信息的迫切需要，所以它是信息技术自然进化的结果，而不是一种广告宣传。

数据挖掘也不是一种从数据库、统计学、机器学习和模式识别发展而来的技术的简单转换或应用，它涉及到了很多领域的技术，比如统计学、机器学习、模式识别、数据库和数据仓库、信息检索、可视化、神经网络、高性能计算、算法以及许多应用领域的大量技术。

数据挖掘起始于20世纪下半叶，是在当时多个学科发展的基础上发展起来的。随着数据库技术的发展应用，数据的积累不断膨胀，导致简单的查询和统计已经无法满足企业的商业需求，所以急需一种新型的技术去获取有用的信息，当时计算机领域的人工智能也取得了巨大进展，进入了机器学习的阶段，人们就将两者结合起来，用数据库管理系统存储数据，用计算机分析数据，这两者的结合就促就以这一门新兴的学科，所以数据挖掘不是机器学习研究进化的结果，而是结合了机器学。

数据挖掘的步骤包括：（1）数据收集；（2）数据清洗、脱敏；（3）数据存储；（4）数据分析；（5）数据可视化。

1.2数据仓库与数据库有何不同？他们有哪相似之处？

答：数据库是按照数据结构来组织、存储和管理数据的仓库，它是以一定方式储存在一起、能为多个用户共享、具有尽可能小的冗余度的特点、是与应用程序彼此独立的数据集合。

数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。

不同处：（1）数据库是面向事务的设计，数据仓库是面向主题设计的。

（2）数据库一般存储在线交易数据，数据仓库存储的一般是历史数据。

（3）数据库设计是尽量避免冗余，数据仓库在设计是有意引入冗余。

（4）数据库是为捕获数据而设计，数据仓库是为分析数据而设计。

相似处：两者都是数据的集合。

1.3定义下列数据挖掘功能：特征化、区分、关联和相关性分析、分类、回归、聚类、离群点分析。使用你熟悉的现实生活中的数据库，给出每种数据挖掘功能的例子

答：特征化：目标类数据的一般特性或特征的汇总。例如：汇总某年级学生的基本特征，结果可能会高分段成绩信息，是否挂科等信息。

区分：将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。

例如：购买化妆品的顾客70%在20~40岁之间，受过大学教育，而不经常购买化妆品的顾客60%要么年龄太小要么年龄太大，没有受过大学教育。

关联和相关性：两个变量之间的相关性，从给定的数据集中发现频繁出现的频繁模式知识。例如：超市将啤酒和尿不湿放到一起。

分类：找出和区分数据类或概念地模型，以便能够使用模型预测类标号未知的对象的类标号。例如：学生的成绩分为高等、中等、低等。

回归：用来预测缺失或难以获得的数值数据值，而不是离散的类标号。例如：商品质量与用户满意度之间的因果关系。

聚类：将观测组织成类分层结构，把类似的事件组织在一起。例如：将一些特征相似的症状结合起来可能预示一种特定的疾病。

离群点分析：数据集中可能包含一些数据对象，它们与数据的一般行为或模型不一致，这些数据对象是离群点，离群点数据的分析就是离群点分析。例如：将正常的付款数额与一个消费数额极大的账号进行离群点分析，可能发现信用卡诈骗。

1.4给出一个例子，其中数据挖掘对于工商企业的成功是至关重要的。该工商企业需要什么数据挖掘功能（例如，考虑可以挖掘何种类型的模式）？这种模式能够通过简单的查询处理

或统计分析得到吗？

答：如淘宝网，需要根据消费者的性别、年龄、职业、收入水平、兴趣爱好等进行关联性分析，给不同的消费者推荐不同类型，不同类别的商品。可以考虑关联和相关性的数据挖掘方法。这种模式不能通过简单的查询处理或统计分析获得，因为每天人们在淘宝网上浏览的信息都非常多，如果仅仅通过简单的查询处理或统计分析，是不能够完成这项工作的。

1.5 解释区分和分类、特征化和类聚、分类和回归的区别与相似处。

（1）区分和分类的区别与相似处

区别：区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较，而分类是找出和区分数据类或概念地模型，以便能够使用模型预测类标号未知的对象的类标号。

相似处：都是都数据分析的方法

（2）特征化和类聚的区别与相似处

区别：特征化是目标类数据的一般特性或特征的汇总。聚类是将观测组织成类分层结构，把类似的事件组织在一起。特征化强调的是对数据进行汇总，而聚类强调把类似的事件组织在一起，而不是将其汇总在一起。

相似处：处理的数据都要是有相似之处的。

（3）分类和回归的区别与相似处

区别：分类是找出和区分数据类或概念地模型，以便能够使用模型预测类标号未知的对象的类标号。回归是用来预测缺失或难以获得的数值数据值，而不是离散的类标号。分类预测类别是离散的、无序的标号，而回归是建立连续值函数模型。

相似处：都是对数据进行预测。

1.6根据你的观察，描述一个可能的知识类型，它需要由数据挖掘方法发现，但未在本章中列出。它需要一种不同于本章列举的数据挖掘技术吗？

答：建立一个周期性的知识类型，在不同的时间段，数据都会进行更新，修改，变化等，这个就需要一种新的数据挖掘技术。

1.7离群点经常被当做噪声丢弃。然而，一个人的垃圾可能是另一个人的宝贝。列如，信用

卡交易中的异常可能帮助我们检测信用卡的欺诈使用。以欺诈检测为例，提出两种可以用来检测离群点的方法，并讨论哪种方法更可靠。

（1）基于近邻性的检验方法，包括基于距离和基于密度的方法，如果一个人的信用卡消费情况与他近邻的消费情况差异太大，这说明他是离群点。（2）基于类聚的方法，基于类聚的方法通过考察对象与簇之间的关系检测离群点，离群点是一个对象，它属于小的偏远簇，或不属于任何一个簇，如果一个人的消费情况与所有人的消费情况不一样，则说明这个人就是信用卡诈骗。

1.8描述三个关于数据挖掘方法和用户交互问题的数据挖掘挑战。

（1）数据挖掘的过程是高度交互的，用户访问网页非常灵活，这就需要构建灵活的用户界面和探索式挖掘环境。

（2）结合背景知识：应该把背景知识、约束、规则和关于所研究领域的其他信息结合到发现过程中。

（3）数据挖掘结果的表示和可视化：数据挖掘系统如何生动、灵活地提供数据挖掘结果，使所发现的知识容易理解，也是数据挖掘的一大挑战

1.9与挖据少量数据（例如，几百个元祖的数据集合）相比，挖掘海量数据（例如，数十亿个元祖）的主要挑战是什么？

（1）可伸缩性；在处理大量的数据时，必定要求算法等技术的可伸缩性。

（2）高维性；随着数据的不断膨胀，数据的属性也在不断地增加，具有时间和空间分量的数据集也趋向于高维度，这也需要数据分析的方法更加地复杂。

（3）异种数据和复杂数据；随州信息技术的不断进步，人们接触的数据也越来越多样化和复杂化。

（4）数据的安全性也是挖掘海量数据的一大挑战。

1.10概述在诸如流/传感器数据分析、时空数据分析或生物信息学等某个特定应用领域中的数据挖掘的主要挑战。

主要挑战：由于现有的技术条件有限，对于流/传感器的数据分析、时空数据分析、生物信息学等领域的数据挖掘来说，如何找寻挖掘这些数据的技术和方法，如何处理、分析这些数据对于数据挖掘来说是一项巨大的挑战。

遗传学实验设计书

遗传学实验设计书王伊丹 13303161 生物技术与应用专业一．单因子实验杂交组合题目果蝇的翅型单因子杂交实验基本原理（1）分离定律：一对基因在杂合状态下不互相影响，各自保持相对的独立性，而在形成配子时互相分开，并按原样分配到不同的配子中。（2）单因子杂交是指一对等位基因间的杂交。野生型果蝇是长翅（+/+）,其翅长超出腹部末端约1/3。残翅果蝇的双翅已退化，只留下少量残迹（vg/vg）,无飞行能力。Vg的基因座位位于第二染色体，对长翅（+）完全隐形。（3）果蝇的翅型决定基因是一对等位基因，野生型果蝇是长翅（+/+)，突变体为残翅（vg/vg)。用长翅与残翅果蝇杂交，子一代（F1) 都是长翅。子一代系内交配，子二代产生性状分离，长翅：残翅为3:1。实验方法步骤（1）确定杂交亲本为野生型长翅果蝇品系（18#）和突变型残翅果蝇（2#)，挑选处女蝇。（2）配好杂交组合：①正交组合：野生型长翅18#（♀）×突变型残翅2#（♂）。用消毒过的毛笔把3-4只长翅处女蝇扫入培养瓶中，然后把培养瓶水平放置，以免麻醉状态下的果蝇沾到培养基或水珠被闷死，随即用同样方法扫入3-4只残翅雄蝇，塞进棉塞，贴好标签，保持水平放置直至果蝇苏醒，移入25℃恒温培养箱中培养。 ②反交组合：突变型残翅2#（♀）×野生型长翅18#（♂），杂交方法同①。（3）培养7天后把亲本果蝇成虫全部倒出处死。（4）再过7天F1成蝇出现，把F1成蝇转移到经过消毒的空瓶进行适度麻醉，观察F1翅形变化。再将5-6对适度麻醉的F1成虫转入另一培养瓶，标签表明品系号，正反交各转一瓶。（5）过7天，将F1成虫全部倒出处死，已有卵和幼虫的培养基放回培养箱中继续培养。（6）再过7天，F2成虫出现，开始观察，可以连续观察7天左右，记录翅形变化结果。实验结果预测

《数据挖掘》试题与标准答案

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。知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；然后进行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、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 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，利用属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(Aｕto Regrｅssive Moｖiｎg Aｖeraｇe，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。

数据挖掘

一、数据挖掘概述 1、数据挖掘定义：通过自动或半自动化的工具对大量的数据进行探索和分析的过程，其目的是发现其中有意义的模式和规律。 ——数据挖掘是一门技能，不是一种现成的产品。 2、数据挖掘能做什么 6种方法：分类（classification）、估计（estimation）、预测（prediction）、组合或关联法则（affinity grouping or association rules）、聚类（clustering）、描述与可视化（description and visualization）前三种方法属于直接的数据挖掘，目标是应用可得到的数据建立模型，用其他可得到的数据来描述我们感兴趣某一变量。后三种方法属于间接的数据挖掘，没有单一的目标变量，目标是在所有变量中发现某些联系。 1）分类：其特点是先对不同的类别加以定义，并由预先分类的样本构成训练集。任务是建立一个模型并应用这一模型对未分类数据进行分类。分类处理的是离散的结果。 2）估计处理的是连续的结果。 3）组合法的任务是确认哪些事物会一起出现。 4）聚类的任务是将相似的事物分成一类，差异较大的事物分在不同的类中。聚类与分类的区别是聚类并不依赖于事先确定好的组别。 3、技术层面的数据挖掘 1）算法与技巧 2）数据 3）建模实践二、数据挖掘方法论：互动循环系统 1、数据挖掘的两种类型一种是自上而下的方法，称之为有监督的数据挖掘方法，当明确知道要搜索的目标时，可以是用这种方法。一种是自下而上的方法，称之为无监督的数据挖掘方法，实际就是让数据解释自己。此方法是在数据中寻找模式，然后把产生的结果留给使用者去判断其中哪些模式重要。数据挖掘的结果通常是这两种方法的结合。 1）有监督的数据挖掘黑匣子模型：使用一个或多个输入值产生一个输出的模型。我们并不关心模型如何运作，那只是黑盒子，我们只关心可能的最优结果。我们根据已知事例，分析其相关资料，将分析结果用在从未联络的潜在客户，这样的模型称之为预测模型。预测模型使用历史记录来计算某些相应结果中的得分。成功预测的要领之一是拥有足够支持结果的数据来训练模型。 2）无监督的数据挖掘半透明模型：有时需要使用模型能够得到与数据相关的重要信息，我们也需要了解模型的运作细节，这就好比一组半透明的盒子。 2、数据挖掘的互动循环过程数据挖掘的互动过程是一种高层次的流程，由四个重要的业务过程所构成：理解业务问题；将数据转换成可执行的结果；

实验设计书(修改版)教学内容

【实验原理与目的】神经肌肉接头处的兴奋传递过程有三个重要的环节：一是钙离子促进神经轴突中的囊泡膜与接头前膜发生融合而破裂；二是囊泡中的乙酰胆碱释放到神经肌肉接头间隙；三是乙酰胆碱与接头后膜上的受体结合，引发终板电位。乙酰胆碱（Acetylcholine,ACh）是一种重要的神经递质，是连接每个运动神经元和骨骼肌之间的信使。如果ACh的传递受阻，肌肉就不能收缩。箭毒是美印第安人在猎箭头部涂抹的一种毒药，它能够占用并阻塞ACh 受体的位置，能竞争性阻断ACh 的去极化作用致使神经递质不能影响肌肉。能与ACh 竞争神经肌接头处的nm胆碱能受体，但不激动受体，因而使骨骼肌松弛。抗胆碱酯酶药可拮抗其肌肉松弛作用，新斯的明是胆碱酯酶抑制剂，可通过抑制胆碱酯酶增减乙酰胆碱在肌接头间隙的浓度。故筒箭毒过量可用适量新斯的明解救。筒箭毒与乙酰胆碱竞争性结合乙酰胆碱受体，注射新斯的明后使突触间隙内的乙酰胆碱浓度升高而使竞争性增强，故乙酰胆碱与受体接触增多，从而使肌无力症状减弱。本实验的目的是探索筒箭毒对神经--肌接头处兴奋传递的影响极其相关机制；观察筒箭毒的肌松作用，分析其作用点；了解新斯的明对抗筒箭毒的作用。【实验对象】大白鼠，体重250g以上。

【实验器材和药品】 Powerlab 一套（主机，刺激器，张力换能器），手术器械一套，小动物人工呼吸机，气管插管，棉线，大头针，铁架台，注射器 0.001g%筒箭毒碱，0.005g%新斯的明，25%乌拉坦，1.5%普鲁卡因，生理盐水【实验方法】 1.大鼠称重，麻醉；25%乌拉坦腹腔注射0.5ml/100g麻醉。然后仰卧固定于鼠手术床上，分离气管及颈外静脉，分别插入气管插管和静脉插管，准备好人工呼吸机。数分钟后翻正反射消失，即可进行实验； 2.分离坐骨神经；在髋关节后，坐骨结节内凹陷处切开皮肤，钝性分离肌肉，暴露一段坐骨神经，用浸有1.5%普鲁卡因的棉线围绕坐骨神经打一个结，在坐骨神经干上做传导阻滞麻醉，排除下行干扰； 3.分离腓神经；在外侧剪开皮肤，钝性分离肌肉组织，分离腓神经，神经穿线备用； 4.分离胫前肌；将大鼠两前肢固定在手术台（仰卧），从后置踝关节正前方向剪开小腿皮肤，剪断踝关节前部韧带，分离胫前肌肌腱，沿胫骨分离胫前肌（注意不要损伤血管），在踝部的胫前肌肌腱处扎线，与结扎线远端切断肌腱； 5.安装并设定powerlab记录肌张力的chart设定文件；调定刺

数据挖掘概念与技术-课后题答案汇总

数据挖掘——概念概念与技术 Data Mining Concepts and Techniques 习题解答 Jiawei Han Micheline Kamber 著范明孟晓峰译

第 1 章引言 1.1 什么是数据挖掘？在你的回答中，针对以下问题： 1.2 1.6 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。解答： ? 特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA ：Grade point aversge) 的信息，还有所修的课程的最大数量。 ? 区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如，具有高 GPA 的学生的一般特性可被用来与具有低 GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有高 GPA 的学生的 75%是四年级计算机科学专业的学生，而具有低 G PA 的学生的 65%不是。 ? 关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统可能发现的关联规则为： major(X, “ c omputing science ”) owns(X, “personal computer ” ) [support=12%, confid ence=98%] 其中，X 是一个表示学生的变量。这个规则指出正在学习的学生，12% （支持度）主修计算机科学并且拥有一台个人计算机。这个组一个学生拥有一台个人电脑的概率是 98%（置信度? 分类与预测不同，因为前者的作用是构

数据挖掘考试题库【最新】

一、填空题 1.Web挖掘可分为、和3大类。 2.数据仓库需要统一数据源，包括统一、统一、统一和统一数据特征 4个方面。 3.数据分割通常按时间、、、以及组合方法进行。 4.噪声数据处理的方法主要有、和。 5.数值归约的常用方法有、、、和对数模型等。 6.评价关联规则的2个主要指标是和。 7.多维数据集通常采用或雪花型架构，以表为中心，连接多个表。 8.决策树是用作为结点，用作为分支的树结构。 9.关联可分为简单关联、和。 10.B P神经网络的作用函数通常为区间的。 11.数据挖掘的过程主要包括确定业务对象、、、及知识同化等几个步骤。 12.数据挖掘技术主要涉及、和3个技术领域。 13.数据挖掘的主要功能包括、、、、趋势分析、孤立点分析和偏差分析7个方面。 14.人工神经网络具有和等特点，其结构模型包括、和自组织网络 3种。 15.数据仓库数据的4个基本特征是、、非易失、随时间变化。 16.数据仓库的数据通常划分为、、和等几个级别。 17.数据预处理的主要内容(方法)包括、、和数据归约等。 18.平滑分箱数据的方法主要有、和。 19.数据挖掘发现知识的类型主要有广义知识、、、和偏差型知识五种。 20.O LAP的数据组织方式主要有和两种。 21.常见的OLAP多维数据分析包括、、和旋转等操作。 22.传统的决策支持系统是以和驱动，而新决策支持系统则是以、建立在和技术之上。 23.O LAP的数据组织方式主要有和2种。 24.S QL Server2000的OLAP组件叫，OLAP操作窗口叫。 25.B P神经网络由、以及一或多个结点组成。 26.遗传算法包括、、3个基本算子。 27.聚类分析的数据通常可分为区间标度变量、、、、序数型以及混合类型等。 28.聚类分析中最常用的距离计算公式有、、等。 29.基于划分的聚类算法有和。

(完整版)数据挖掘概念课后习题答案

第 1 章 1.6 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。 ?特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩 (GPA：Grade point a ve r s ge) 的信息，还有所修的课程的最大数量。 ?区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如，具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75%是四年级计算机科学专业的学生，而具有低GPA 的学生的65%不是。 ?关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统可能发现的关联规则为： m a j or(X,“c omput i ng s c i e nc e”) ?owns(X, “pe r s ona l c omput e r”) [s uppor t=12%,c on f i d e nc e=98%] 其中，X 是一个表示学生的变量。这个规则指出正在学习的学生，12%（支持度）主修计算机科学并且拥有一台。个人计算机。这个组一个学生拥有一台个人电脑的概率是98%（置信度，或确定度） ?分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或，而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的功能）相似性是他们都是预测的工具：分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。 ?聚类分析的数据对象不考虑已知的类标号。对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。形成的每一簇可以被看作一个对象类。聚类也便于分类法组织形式，将观测组织成类分层结构，把类似的事件组织在一起。 ?数据延边分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数据的特征化、区分、关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分析、序列或周期模式匹配、和基于相似性的数据分析 1.9 列举并描述说明数据挖掘任务的五种原语。五种原语是： ?任务相关数据：这种原语指明给定挖掘所处理的数据。它包括指明数据库、数据库表、或数据仓库，其中包括包含关系数据、选择关系数据的条件、用于探索的关系数据的属性或维、关于修复的数据排序和分组。 ?挖掘的数据类型：这种原语指明了所要执行的特定数据挖掘功能，如特征化、区分、关联、分类、聚类、或演化分析。同样，用户的要求可能更特殊，并可能提供所发现的模式必须匹配的模版。这些模版或超模式（也被称为超规则）能被用来指导发现过程。 ?背景知识：这种原语允许用户指定已有的关于挖掘领域的知识。这样的知识能被用来指导知识发现过程，并且评估发现的模式。关于数据中关系的概念分层和用户信念是背景知识的形式。 ?模式兴趣度度量：这种原语允许用户指定功能，用于从知识中分割不感兴趣的模式，并且被用来指导挖掘过程，也可评估发现的模式。这样就允许用户限制在挖掘过程返回的不感兴趣的模式的数量，因为一种数据挖掘系统可能产生大量的模式。兴趣度测量能被指定为简易性、确定性、适用性、和新颖性的特征。 ?发现模式的可视化：这种原语述及发现的模式应该被显示出来。为了使数据挖掘能有效地

实验设计书(修改版)

假设：筒箭毒能与乙酰胆碱竞争神经肌接头处的nm受体，使肌肉松弛【实验原理与目的】神经肌肉接头处的兴奋传递过程有三个重要的环节：一是钙离子促进神经轴突中的囊泡膜与接头前膜发生融合而破裂；二是囊泡中的乙酰胆碱释放到神经肌肉接头间隙；三是乙酰胆碱与接头后膜上的受体结合，引发终板电位。乙酰胆碱（Acetylcholine,ACh）是一种重要的神经递质，是连接每个运动神经元和骨骼肌之间的信使。如果ACh的传递受阻，肌肉就不能收缩。箭毒是美印第安人在猎箭头部涂抹的一种毒药，它能够占用并阻塞ACh 受体的位置，能竞争性阻断ACh 的去极化作用致使神经递质不能影响肌肉。能与ACh 竞争神经肌接头处的nm胆碱能受体，但不激动受体，因而使骨骼肌松弛。抗胆碱酯酶药可拮抗其肌肉松弛作用，新斯的明是胆碱酯酶抑制剂，可通过抑制胆碱酯酶增减乙酰胆碱在肌接头间隙的浓度。故筒箭毒过量可用适量新斯的明解救。筒箭毒与乙酰胆碱竞争性结合乙酰胆碱受体，注射新斯的明后使突触间隙内的乙酰胆碱浓度升高而使竞争性增强，故乙酰胆碱与受体接触增多，从而使肌无力症状减弱。本实验的目的是探索筒箭毒对神经--肌接头处兴奋传递的影响极其相关机制；观察筒箭毒的肌松作用，分析其作用点；了解新斯的明对抗筒箭毒的作用。【实验对象】大白鼠，体重250g以上。【实验器材和药品】 Powerlab 一套（主机，刺激器，张力换能器），手术器械一套，小动物人工呼吸机，气管插管，棉线，大头针，铁架台，注射器 0.001g%筒箭毒碱，0.005g%新斯的明，25%乌拉坦，1.5%普鲁卡因，生理盐水

【实验方法】 1.大鼠称重，麻醉；25%乌拉坦腹腔注射0.5ml/100g麻醉。然后仰卧固定于鼠手术床上，分离气管及颈外静脉，分别插入气管插管和静脉插管，准备好人工呼吸机。数分钟后翻正反射消失，即可进行实验； 2.分离坐骨神经；在髋关节后，坐骨结节内凹陷处切开皮肤，钝性分离肌肉，暴露一段坐骨神经，用浸有1.5%普鲁卡因的棉线围绕坐骨神经打一个结，在坐骨神经干上做传导阻滞麻醉，排除下行干扰； 3.分离腓神经；在外侧剪开皮肤，钝性分离肌肉组织，分离腓神经，神经穿线备用； 4.分离胫前肌；将大鼠两前肢固定在手术台（仰卧），从后置踝关节正前方向剪开小腿皮肤，剪断踝关节前部韧带，分离胫前肌肌腱，沿胫骨分离胫前肌（注意不要损伤血管），在踝部的胫前肌肌腱处扎线，与结扎线远端切断肌腱； 5.安装并设定powerlab记录肌张力的chart设定文件；调定刺激器有关参数； 6.连接仪器；手术操作完成后，将胫前肌与powerlab的张力换能器向连接，腓神经处安放刺激电极。最适负荷设定为10g左右。稳定一段时间后，于给药前记录一段正常的肌肉收缩曲线； 7.缓慢静脉注射0.001%筒箭毒碱0.1ml/100g,从仪器上观察肌肉收缩曲线的变化情况； 8.待肌肉收缩曲线再次稳定或完全消失后，停止刺激，同时缓慢静脉注射0.005% 新斯的明0.15ml/100g,观察肌肉收缩曲线的变化情况。【预期结果】注射筒箭毒后肌肉收缩曲线幅度变小甚至消失，即肌肉处于肌无力状态，注射新斯的明后肌肉收缩曲线又基本恢复正常，即肌肉恢复正常收缩状态；

数据挖掘概念与技术(第三版)部分习题答案

1.4 数据仓库和数据库有何不同？有哪些相似之处？答：区别：数据仓库是面向主题的，集成的，不易更改且随时间变化的数据集合，用来支持管理人员的决策，数据库由一组内部相关的数据和一组管理和存取数据的软件程序组成，是面向操作型的数据库，是组成数据仓库的源数据。它用表组织数据，采用ER 数据模型。相似：它们都为数据挖掘提供了源数据，都是数据的组合。 1.3 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。答：特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA ：Grade point aversge) 的信息，还有所修的课程的最大数量。区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如，具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75% 是四年级计算机科学专业的学生，而具有低GPA 的学生的65% 不是。关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统可能发现的关联规则为：major(X, “ computing science ” ) ? owns(X, “ personal computer ” ) [support=12%, confidence=98%] 其中，X 是一个表示学生的变量。这个规则指出正在学习的学生，12% (支持度)主修计算机科学并且拥有一台个人计算机。这个组一个学生拥有一台个人电脑的概率是98% (置信度，或确定度)。分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型(或功能)，而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的相似性是他们都是预测的工具：分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。聚类分析的数据对象不考虑已知的类标号。对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。形成的每一簇可以被看作一个对象类。聚类也便于分类法组织形式，将观测组织成类分层结构，把类似的事件组织在一起。数据演变分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数据的特征化、区分、关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分析、序列或周期模式匹配、和基于相似性的数据分析 2.3 假设给定的数据集的值已经分组为区间。区间和对应的频率如下。年龄频率 1~5200 5~15450 15~20300 20~501500 50~80700 80~11044 计算数据的近似中位数值。解答：先判定中位数区间：N=200+450+300+1500+700+44=3194 ；N/2=1597

数据挖掘考试题

数据挖掘考试题 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】

数据挖掘考试题一．选择题 1. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离( ) A.分类 B.聚类 C.关联分析 D.主成分分析 2. ( )将两个簇的邻近度定义为不同簇的所有点对邻近度的平均值，它是一种凝聚层次聚类技术。 (单链) (全链) C.组平均方法 3.数据挖掘的经典案例“啤酒与尿布试验”最主要是应用了( )数据挖掘方法。 A 分类 B 预测 C关联规则分析 D聚类 4.关于K均值和DBSCAN的比较，以下说法不正确的是( ) 均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象。均值使用簇的基于原型的概念，DBSCAN使用基于密度的概念。均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇 5.下列关于Ward’s Method说法错误的是：( ) A.对噪声点和离群点敏感度比较小 B.擅长处理球状的簇 C.对于Ward方法，两个簇的邻近度定义为两个簇合并时导致的平方误差 D.当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似 6.下列关于层次聚类存在的问题说法正确的是：( ) A.具有全局优化目标函数 B.Group Average擅长处理球状的簇

C.可以处理不同大小簇的能力 D.Max对噪声点和离群点很敏感 7.下列关于凝聚层次聚类的说法中，说法错误的事：( ) A.一旦两个簇合并，该操作就不能撤销 B.算法的终止条件是仅剩下一个簇 C.空间复杂度为()2m O D.具有全局优化目标函数 8.规则{牛奶，尿布}→{啤酒}的支持度和置信度分别为：( ) 9.下列( )是属于分裂层次聚类的方法。 Average 10.对下图数据进行凝聚聚类操作，簇间相似度使用MAX计算，第二步是哪两个簇合并：( ) A.在{3}和{l,2}合并 B.{3}和{4,5}合并 C.{2,3}和{4,5}合并 D. {2,3}和{4,5}形成簇和{3}合并二．填空题： 1.属性包括的四种类型：、、、。 2.是两个簇的邻近度定义为不同簇的所有点对邻近度的平均值。 3. 基本凝聚层次聚类算法空间复杂度，时间复杂度，如果某个簇到其他所有簇的距离存放在一个有序表或堆中，层次聚类所需要的时间复杂度将为。 4. 聚类中，定义簇间的相似度的方法有（写出四个）：、、、。 5. 层次聚类技术是第二类重要的聚类方法。两种层次聚类的基本方法：、。 6. 组平均是一种界于和之间的折中方法。

试验设计书

盐酸左氧氟沙星片人体生物等效性研究试验设计书 1 试验目的考察国产盐酸左氧氟沙星片的人体相对生物利用度和生物等效性。 2 药品： 2.1 试验药品(T)：盐酸左氧氟沙星片，规格：100mg/片，批号：，标示量：99.4%。由南京三锐药业有限公司研制提供。 2.2 参比制剂(R)：盐酸左氧氟沙星片（左福欣），规格100mg/片，批号：0305112，批准文号：国卫药准字H20010221，由湖南正清制药集团股份有限公司生产，有效期：2005年5月。 2.3 标准对照品：左氧氟沙星标准品（中国药品生物制品检定所，130455-200202，含量：97.2％）。 3 健康志愿者的选择及给药方法： 3.1 健康志愿者选择选用20名男性，年龄22-24岁，体重应符合标准体重±10%范围，无心、肺、肝、肾、消化道、神经系统、精神异常及代谢异常等病史，无烟酒等不良嗜好，无过敏史，无体位性低血压。经体检各项指标（如血压、心率、心电图、呼吸状况、肝肾功能、血尿常规和胸部透视）无异常。试验前两周停用任何药物，受试前一周向受试者说明研究的药物和试验内容，并签署知情同意书。

3.2 试验设计：采用单盲、单剂量、随机、2×2交叉试验设计。即将20名健康受试者随机分为两组，每组各10名。1组先服参比药R，然后服试验药T，两次服药相隔二周，以O表示，即ROT。2组服药顺序为TOR。给药前12小时进清淡晚餐后禁食过夜，于次日早晨空腹口服受试制剂或参比制剂200mg，用200ml温开水送服。服药后2h可以饮水；服药后4h进统一标准午餐。 4 取血时间点的确定取血时间点：服药前取静脉血一次为空白对照，分别于给药后0.333，0.667，1，1.5，2，3，4，6，8，12，24 h时取静脉血3.5ml，血标本收集于肝素化试管内，3000rpm离心10min，取血浆，-40℃保存。 5 血浆样品的处理：于1.5ml离心管（EP管）中加入待测血浆0.5ml，混匀后加入70%高氯酸30μl，涡旋30秒，12000rpm离心10min，取上清夜20μl进HPLC检测。 6 高效液相色谱法 6.1 HPLC条件 6.1.1 仪器：高效液相色谱仪为Agilent1100系列，包括G1322A 在线脱气机，G1311A 四元泵，G1316A温控箱，G1315B二极管阵列检测器，G1328B手动进样器和Agilent 化学工作站（Rev A.08.03.[847]）。 6.1.2色谱条件：色谱柱为ZORBAX Eclipse XDB-C18（4. 6×150mm，

初中生物实验设计方案格式

初中生物实验设计方案格式方案是计划中内容最为复杂的一种由于一些具有某种职能的具体工作比较复杂不作全面部署不足以说明问题因而公文内容构成势必要繁琐一些一般有指导思想、主要目标、工作重点、实施步骤、政策措施、具体要求等项目下面小编为大家搜索整理了初中生物实验设计方案格式希望对大家有所帮助一、实验名称：临时装片、切片、涂片的制作、观察和指导二、实验目标：让学生通过独立自主的制作临时装片、切片、涂片的方法来感知细胞的形态和结构从而使学生对细胞达到一定的认识为以后的教学作下铺垫制作临时装片的成功对提高学生的生物学兴趣和生物科学素养都起着重要的作用同时这样锻炼了学生的动手能力也培养了学生的自己动脑思考的能力三、实验方法及步骤：（一）实验材料：显微镜、载玻片、盖玻片、镊子、刀片、吸水纸、解剖针、毛笔、滴管、擦镜纸；清水、碘酒溶液；西红柿、空心莲子草、洋葱；创可贴（切片时可能会有人受伤）（二）实验步骤： 1、临时装片的制作 ⑴准备擦用擦镜纸把载玻片和盖玻片擦拭干净改进：将洁净的纱布改为擦镜纸擦拭玻片时要注意用左手的拇指和食指夹住玻片的两端右手的拇指和食指衬垫上洁净的纱布后夹

在玻片两面同时擦拭以防将玻片损坏滴用滴管在载玻片中央滴12滴清水改进：在制片时至少滴2滴清水这样加盖玻片时盖玻片下的空间中水较充盈气泡就少细胞的活性也较好取用刀片在洋葱表面上划“井”字（大约.5cm2）用镊子撕取外表皮问题：由于叶表皮皱缩、学生不熟练等导致撕下的表皮薄膜过厚在显微镜视野中难以找到理想的观察对象致使实验效果较差改进：首先将洋葱鳞片叶切成宽1.1.5cm的纵向窄条再用刀片将洋葱鳞片叶内侧表皮划成小块(切忌划透)然后用镊子夹住所划表皮的边缘将其轻轻取下(洋葱鳞片叶内侧表皮易与叶肉分离操作简便)即可这一改进降低了实验操作难度提高了制片质量放把撕取的表皮浸入载玻片上的水滴中并展平 ⑵盖盖玻片盖用镊子夹起盖玻片使它的一边先接触载玻片上的水滴然后缓缓地放下盖在要观察的材料上 ⑶染色染：将玻片倾斜1度左右从高的一侧滴入碘液让其自己流入玻片问题：染色时书中要求是把12滴碘液滴在盖玻片的一侧然后用吸水纸从盖玻片的另一侧吸引使染液浸润标本的全部然而部分同学可能将盖玻片下所有水全部吸干做出的装片会有很多的大气泡且气泡将细胞掩盖了或者有人将气泡误认为细胞

《数据挖掘》试题与答案

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。知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；然后进行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、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 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，利用属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(Auto Regressive Moving Average，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。

数据挖掘概念与技术-课后题答案汇总汇总

数据挖掘——概念概念与技术 Data Mining Concepts and T echniques 习题答案第1章引言 1.1 什么是数据挖掘？在你的回答中，针对以下问题： 1.2 1.6 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。解答： ?特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA：Grade point aversge) 的信息，还有所修的课程的最大数量。 ?区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如，具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75%是四年级计算机科学专业的学生，而具有低GPA 的学生的65%不是。 ?关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统可能发现的关联规则为： major(X, “c omputing science”) owns(X, “personal computer”) [support=12%, c onfid e nce=98%] 其中，X 是一个表示学生的变量。这个规则指出正在学习的学生，12% （支持度）主修计算机科学并且拥有一台个人计算机。这个组一个学生拥有一台个人电脑的概率是98%（置信度，或确定度）。 ?分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或功能），而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的相似性是他们都是预测的工具：分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。 ?聚类分析的数据对象不考虑已知的类标号。对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。形成的每一簇可以被看作一个对象类。聚类也便于分类法组织形式，将观测组织成类分层结构，把类似的事件组织在一起。 ?数据延边分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数据的特征化、区分、关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分析、序列或周期模式匹配、和基于相似性的数据分析 1.3 1.9 列举并描述说明数据挖掘任务的五种原语。解答：用于指定数据挖掘任务的五种原语是：

数据挖掘考试题库讲解

一、名词解释 1.数据仓库：是一种新的数据处理体系结构，是面向主题的、集成的、不可更新的(稳定性)、随时间不断变化(不同时间)的数据集合，为企业决策支持系统提供所需的集成信息。 2.孤立点：指数据库中包含的一些与数据的一般行为或模型不一致的异常数据。 3.OLAP：OLAP是在OLTP的基础上发展起来的，以数据仓库为基础的数据分析处理，是共享多维信息的快速分析，是被专门设计用于支持复杂的分析操作，侧重对分析人员和高层管理人员的决策支持。 4.粒度：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。 5.数据规范化：指将数据按比例缩放(如更换大单位)，使之落入一个特定的区域（如0－1）以提高数据挖掘效率的方法。规范化的常用方法有：最大－最小规范化、零－均值规范化、小数定标规范化。 6.关联知识：是反映一个事件和其他事件之间依赖或相互关联的知识。如果两项或多项属性之间存在关联，那么其中一项的属性值就可以依据其他属性值进行预测。 7.数据挖掘：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。 8.OLTP：OLTP为联机事务处理的缩写，OLAP是联机分析处理的缩写。前者是以数据库为基础的，面对的是操作人员和低层管理人员，对基本数据进行查询和增、删、改等处理。 9.ROLAP：是基于关系数据库存储方式的，在这种结构中，多维数据被映像成二维关系表，通常采用星型或雪花型架构，由一个事实表和多个维度表构成。10.MOLAP：是基于类似于“超立方”块的OLAP存储结构，由许多经压缩的、类似于多维数组的对象构成，并带有高度压缩的索引及指针结构，通过直接偏移计算进行存取。 11.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。 12.广义知识：通过对大量数据的归纳、概括和抽象，提炼出带有普遍性的、概括性的描述统计的知识。 13.预测型知识：是根据时间序列型数据，由历史的和当前的数据去推测未来的数据，也可以认为是以时间为关键属性的关联知识。 14.偏差型知识：是对差异和极端特例的描述，用于揭示事物偏离常规的异常现象，如标准类外的特例，数据聚类外的离群值等。

数据挖掘概念与技术word版

摘要随着计算机和网络的发展，对于大数据需要数据分析，在分析数据的时候，数据挖掘的过程也叫知识发现的过程，它是一门涉及面很广的交叉性新兴学科，涉及到数据库、人工智能、数理统计、可视化、并行计算等领域。本文主要综述了数据挖掘中常用的一些关联规则，分类和聚类的算法。关键字：数据挖掘；分类；聚类；关联规则

1 引言 1.1 数据挖掘介绍近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用，包括商务管理，生产控制，市场分析，工程设计和科学探索等[1]。数据挖掘出现于20世纪80年代后期，是数据库研究中一个很有应用价值的新领域，是一门交叉性学科，融合了人工智能、数据库技术、模式识别、机器学习、统计学和数据可视化等多个领域的理论和技术．数据挖掘作为一种技术，它的生命周期正处于沟坎阶段，需要时间和精力去研究、开发和逐步成熟，并最终为人们所接受。20世纪80年代中期，数据仓库之父W．H．In-mon在《建立数据仓库》(Building the Data Warehouse)一书中定义了数据仓库的概念，随后又给出了更为精确的定义：数据仓库是在企业管理和决策中面向主题的、集成的、时变的以及非易失的数据集合。与其他数据库应用不同的是，数据仓库更像一种过程—对分布在企业内部各处的业务数据的整合、加工和分析的过程。传统的数据库管理系统(database management system，DBMS)的主要任务是联机事务处理(on-line transaction processing，OLTP)；而数据仓库则是在数据分析和决策方面提供服务，这种系统被称为联机分析处理(on-line analyticalprocessing，OLAP)．OLAP的概念最早是由关系数据库之父E．F．Codd于1993年提出的。当时，Codd认为OLTP已不能满足终端用户对数据库查询分析的需要，结构化查询语言(structured query language，SQL)对数据库进行的简单查询也不能满足用户分析的需求．用户的决策分析需要对关系数据库进行大量计算才能得到结果，因此Codd提出了多维数据库和多维分析的概念[2]。数据挖掘(Data Mining)，就是从存放在数据库，数据仓库或其他信息库中的大量的数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。数据挖掘，在人工智能领域，习惯上又称为数据库中知识发现(Knowledge Discovery in Database, KDD)，也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤。知识发现过程以下三个阶段组成：(1) 数据准备，(2)数据挖掘，(3) 结果表达和解释。数据挖掘可以与用户或知识库交互。数据挖掘利用了来自如下一些领域的思想：(1) 来自统计学的抽样、估计和假设检验，(2) 人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化

《数据仓库与数据挖掘》复习题

2014-2015-1《数据仓库与数据挖掘》期末考试题型一、单项选择题（每小题2分，共20分）二、填空题（每空1分，共20分）三、简答题(每题6分，共30分) 四、析题与计算题(共30分) 请同学们在考试时不要将复习资料带入考场！！！单选题 1. 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题？(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 2. 以下两种描述分别对应哪两种对分类算法的评价标准？(A) (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 (b)描述有多少比例的小偷给警察抓了的标准。 A. Precision, Recall B. Recall, Precision A. Precision, ROC D. Recall, ROC 3. 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘 4. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 5. 什么是KDD？(A) A. 数据挖掘与知识发现 B. 领域知识发现 C. 文档知识发现 D. 动态知识发现 6. 使用交互式的和可视化的技术，对数据进行探索属于数据挖掘的哪一类任务？（A） A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则 7. 为数据的总体分布建模；把多维空间划分成组等问题属于数据挖掘的哪一类任务？(B) A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则 8. 建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务？(C) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则 9. 用户有一种感兴趣的模式并且希望在数据集中找到相似的模式，属于数据挖掘哪一类任务？(A)