《數(shù)據(jù)挖掘》試題與答案

1、一、解答題（滿分30分，每小題5分）1.怎樣理解數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的關(guān)系？請(qǐng)?jiān)敿?xì)闡述之?首先從數(shù)據(jù)源中抽取感興趣的數(shù)據(jù)，并把它組織成適合挖掘的數(shù)據(jù)組織形式；然后，調(diào)用相應(yīng)的算法生成所需的知識(shí)；最后對(duì)生成的知識(shí)模式進(jìn)行評(píng)估，并把有價(jià)值的知識(shí)集成到企業(yè)的智能系統(tǒng)中。知識(shí)發(fā)現(xiàn)是一個(gè)指出數(shù)據(jù)中有效、嶄新、潛在的、有價(jià)值的、一個(gè)不可忽視的流程，其最終目標(biāo)是掌握數(shù)據(jù)的模式。流程步驟：先理解要應(yīng)用的領(lǐng)域、熟悉相關(guān)知識(shí)，接著建立目標(biāo)數(shù)據(jù)集，并專(zhuān)注所選擇

2、的數(shù)據(jù)子集；再作數(shù)據(jù)預(yù)處理，剔除錯(cuò)誤或不一致的數(shù)據(jù)；然后進(jìn)行數(shù)據(jù)簡(jiǎn)化與轉(zhuǎn)換工作；再通過(guò)數(shù)據(jù)挖掘的技術(shù)程序成為模式、做回歸分析或找出分類(lèi)模型；最后經(jīng)過(guò)解釋和評(píng)價(jià)成為有用的信息。2.時(shí)間序列數(shù)據(jù)挖掘的方法有哪些，請(qǐng)?jiān)敿?xì)闡述之時(shí)間序列數(shù)據(jù)挖掘的方法有：1）、確定性時(shí)間序列預(yù)測(cè)方法:對(duì)于平穩(wěn)變化特征的時(shí)間序列來(lái)說(shuō)，假設(shè)未來(lái)行為與現(xiàn)在的行為有關(guān)，利用屬性現(xiàn)在的值預(yù)測(cè)將來(lái)的值是可行的。例如，要預(yù)測(cè)下周某種商品的銷(xiāo)售額，可以用最近一段時(shí)間的實(shí)際銷(xiāo)售量

3、來(lái)建立預(yù)測(cè)模型。2）、隨機(jī)時(shí)間序列預(yù)測(cè)方法:通過(guò)建立隨機(jī)模型，對(duì)隨機(jī)時(shí)間序列進(jìn)行分析，可以預(yù)測(cè)未來(lái)值。若時(shí)間序列是平穩(wěn)的，可以用自回歸(AutoRegressive，簡(jiǎn)稱(chēng)AR)模型、移動(dòng)回歸模型(MovingAverage，簡(jiǎn)稱(chēng)MA)或自回歸移動(dòng)平均(AutoRegressiveMovingAverage，簡(jiǎn)稱(chēng)ARMA)模型進(jìn)行分析預(yù)測(cè)。3）、其他方法:可用于時(shí)間序列預(yù)測(cè)的方法很多，其中比較成功的是神經(jīng)網(wǎng)絡(luò)。由于大量的時(shí)間序列是非平穩(wěn)的

4、，因此特征參數(shù)和數(shù)據(jù)分布隨著時(shí)間的推移而變化。假如通過(guò)對(duì)某段歷史數(shù)據(jù)的訓(xùn)練，通過(guò)數(shù)學(xué)統(tǒng)計(jì)模型估計(jì)神經(jīng)網(wǎng)絡(luò)的各層權(quán)重參數(shù)初值，就可能建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，用于時(shí)間序列的預(yù)測(cè)。4.數(shù)據(jù)挖掘的聚類(lèi)方法有哪些，請(qǐng)?jiān)敿?xì)闡述之?dāng)?shù)據(jù)挖掘的聚類(lèi)方法:1）、劃分方法（PartitioningMethods）:給定一個(gè)有n個(gè)對(duì)象的數(shù)據(jù)集，劃分聚類(lèi)技術(shù)將構(gòu)造數(shù)據(jù)k個(gè)劃分，每一個(gè)劃分就代表一個(gè)簇，k?n。也就是說(shuō)，它將數(shù)據(jù)劃分為k個(gè)簇，而且這k個(gè)劃分滿足下列條

5、件：a)每一個(gè)簇至少包含一個(gè)對(duì)象。b)每一個(gè)對(duì)象屬于且僅屬于一個(gè)簇。對(duì)于給定的k，算法首先給出一個(gè)初始的劃分方法，以后通過(guò)反復(fù)迭代的方法改變劃分，使得每一次改進(jìn)之后的劃分方案都較前一次更好。1）、層次聚類(lèi):層次聚類(lèi)方法對(duì)給定的數(shù)據(jù)集進(jìn)行層次的分解，直到某種條件滿足為止。具體又可分為：a)凝聚的層次聚類(lèi)：一種自底向上的策略，首先將每個(gè)對(duì)象作為一個(gè)簇，然后合并這些原子簇為越來(lái)越大的簇，直到某個(gè)終結(jié)條件被滿足。b)分裂的層次聚類(lèi)：采用自頂向下

6、的策略，它首先將所有對(duì)象置于一個(gè)簇中，然后逐漸細(xì)分為越來(lái)越小的簇，直到達(dá)到了某個(gè)終結(jié)條件。層次凝聚的代表是AGNES算法。層次分裂的代表是DIANA算法。2）密度聚類(lèi)方法:密度聚類(lèi)方法的指導(dǎo)思想是，只要一個(gè)區(qū)域中的點(diǎn)的密度大于某個(gè)域值，就把它加到與之相近的聚類(lèi)中去。代表算法有：DBSCAN、OPTICS、DENCLUE算法等。3）其它聚類(lèi)方法:STING(StatistaicalInfmationGrid_basedmethod)是一種