数据挖掘第三版第六章课后习题答案.doc

3.1数据质量可以从多方面评估，包括准确性、完整性和一致性问题。对于以上每个问题，讨论数据质量的评估如何依赖数据的应用目的，给出例子。提出数据质量的其他两个尺度。
答：精确性：描述数据是否与其对应的客观实体的特征相一致。
完整性：描述数据是否存在缺失记录或缺失字段。
一致性：描述同一实体的同一属性的值在不同的系统或数据集中是否一致。
数据质量依赖于数据的应用。对于给定的数据库，两个不同的用户可能有完全不同的评估。例如，市场分析人员可能访问公司的销售事务数据库（该数据库里面并非是所有的顾客信息都是可以得到的。其他数据没有包含在内，可能只是因为输入时认为是不重要的，相关的数据没有记录可能是由于理解错误，或者因为设备故障），得到顾客地址的列表。有些地址已经过时或不正确，但毕竟还有80%的地址是正确的。市场分析人员考虑到对于目标市场营销而言，这是一个大型顾客数据库，因此对该数据库的准确性还算满意，尽管作为销售的经理，你发现数据是不正确的。
另外两种度量尺度：有效性：描述数据是否满足用户定义的条件或在一定的域值范围内。
唯一性：描述数据是否存在重复记录。

3.3在习题2.2中，属性age包括如下值（以递增序）：13、15、16、16、19、20、20、21、22、22、22、25、25、25、25、30、33、33、35、35、35、35、36、40、45、46、52、70
(a) 使用深度为3的箱，用箱均值光滑以上数据。说明你的步骤，讨论这种技术对给定数据的效果。
答：划分为（等频的）箱：
箱1：13、15、16、16、19、20、20、21、22
箱2：22、25、25、25、25、30、33、33、35
箱3：35、35、35、36、40、45、46、52、70
用箱均值光滑：
箱1：18、18、18、18、18、18、18、18、18
箱2：28.1、28.1、28.1、28.1、28.1、28.1、28.1、28.1、28.1
箱3：43.78、43.78、43.78、43.78、43.78、43.78、43.7843.78、43.78、43.78
分箱方法通过考察数据的“近邻”来光滑有序数据值，进而去掉“噪声”，即去掉被测量的变量的随机误差或方差。
(b)如何确定该数据的离群点？
答：可以通过聚类来检测离群点。即将类似的值组织成群或“簇”，直观地，落在簇集合之外的值被视为离群点。
(c)还有什么方法来光滑数据？
答：另外的方法是回归：用函数拟合数据来光滑数据。这种技术被称为回归。线性回归涉及找出拟合两个属性（或变量）的“最佳”直线，使得一个属性可以用来预测另一个。

3.5如下规范化方法的值域是什么？
(a) 最小-最大规范化
答：[new_min, new_max]
(b) Z分数规范化
答：[(old_min－mean)/σ，(old_max－mean)/σ]

(c) Z分数规范化，使用均值绝对偏差而不是标准差、
答：(－∞，+∞)
(d) 小数定标规范化
答：(－1.0,1.0)

3.7使用习题3.3给出的age数据，回答以下问题：
(a) 使用最小-最大规范化将age值35变换到[0.0,1.0]区间。
答：35-13/70-13=0.3860
(b) 使用z分数规范化变换age值35，其中age的标准差为12.94岁。
答：均值为
29.67857
计算得0.4112
(c) 使用小数定标规范化变换age值35
答：0.35
(d) 指出对于给定的数据，你愿意使用哪种方法。陈述你的理由。
答：我更喜欢用z分数规范化，因为z分数不受离群点影响
3.9假设12个销售价格记录已经排序，如下所示：
5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215
使用如下个方法将它们划分成三个箱。
(a) 等频（等深）划分
箱1:5，10，11,，13
箱2：15，35，50，55
箱3：72，92，204，215
(b) 等宽划分
箱1：5,10,11,13,15,35,50
箱2:55,72,92
箱3:204,215