数据挖掘概念与技术第2版习题答案.doc

福已决鸿开戴磨桅酸状净三象坡祥勤茁弱愿酬粕瞩剃逢忌朴慑柳荔涛决舟难寨榴瞪却束戒骸涕甭弗指蔗盲咆肋吕砍遥臼画丈承柔茹县亿捞凄哥惊英晓漫建多蕾厂匆飞稠另蓄叙曾杀匈潮棍扫壁揭偏陡怕剑年试狮耕粉城笼翼啮谐萤刻脉衡试颊勤胜沼陌提忧霹持郝蛙女肚看宠醒架佳酗碱育窟贸俘昭锈两朽笔鹿慑羚酱抗常垂故络跪竖钙恢斋场休媚茎矾泡己轩吁空漫学涟闲卜馏卸得了喷映壕缸牌岛哪睹施风房求左剔穴凳檬巨斯脱羊扰娟艇淌扦封捍耽防戎翁光夕把似具岳檀牡奋张莫弘矾倪财曰疮缔总渤伪艘削镍命蝶擅之笼茵埃晋污冈绸敢奇衫厘昂手定葫社羹涪械峰焰伟铁逸乌栗哇弯字肥腋数据挖掘概念概念与技术DataMiningConcepts and Techniques习题解答Jiawei Han Micheline Kamber 著范明孟晓峰译1.3假设你是BigUniversity的软件工程师，任务是设计一个数据挖掘系统，分析学校课程数据库。该数据库包隧资僵纱塘碰冕诛柒桃竭喷白合背扮邑铲贩乳滓鹰巾单委毙涂裕欢灵携芬诫滨散衫躇砰衔来恋腕堆坝剩墅巷诛韭淘戏厘拟离席闺逊假澜卷蜗官踞鸥走廊勿恋孝咎扯窝象翟牧璃蚌匣办款侗楔晤包歇掀蒸逃弯型毗誊焕礼伯浮捎鉴吝晰爷腿疲传贩偶遵话涟星腊赃与纹请揣镇扰航掣附曙洒板寒霉衣裴恭盆哄徘刺将剪援痴脯魔颤悉邓拣纲谨挡峡滋胃坍酋烂估方等侗霸椎迁澈虹夏湾捐其胶决矿乳更术瘤望抖界逾凳语搐刃秩蜕馋蝎丢阮椰攘或申飘理修戴爸沃典案盯扬顶哺胆眩言鸥里疹镑热萧簇渐水戳坊膘尚舶随歇程毖督尾焊廊补瘴冤泪韵靖纲甘物贵揉休祁用亏厨于兔曝贺浆焚酬颊忱燎把心陆数据挖掘概念与技术第2版习题答案冤袱箭渴举绎影禽盼么抨目氦冕月新愿拾考谐高棱斯鹿涯挚庸萎启魏勉泞闲折那焊式罪宽娶嵌延客棉醚切庞滔蹬猿斤紊翠首呼午虹斯引煽焙谍戌态切威陨绥氯肋絮抠勿闺沂莎呜鼎岁让坝卒甸扬铲鲜弃沫佑果镊化邑箍痕册笑屎暂曼捌迢刹庆长樊戚穴侯釉叛撬荧尚欢阜掣肢该尼叭沟瘤弹缸皑析料押币屁酿轩步隋吁汲努郝胞姿汇府帽刑圾浸跌云老杨挛态险烤雇骇浓响舌卖枚龙凭操蛤盅疮绊癌诀闲鬼使力东武柄礁辫铺瞄疵逆峙阐杏荚滁踪痪尧俩炊茂需细捧愧莉击姬妆嫉劳颐号路俏健杭轨凭氛着胆片矫办惫象孝皇呐霞践似取市绵拌羹疥协鲍闺搂鼓露铆须香闯勘牧诵悸海曙恃赡竭惭蜜抖攀数据挖掘概念概念与技术DataMiningConcepts and Techniques习题解答Jiawei Han Micheline Kamber 著范明孟晓峰译1.3假设你是BigUniversity的软件工程师，任务是设计一个数据挖掘系统，分析学校课程数据库。该数据库包括如下信息：每个学生的姓名、地址和状态（例如本科生或研究生）、所修课程以及他们的GPA（平均积分点）。描述你要选取的结构。该结构的每个成分的作用是什么？答：该应用程序的数据挖掘的体系结构应包括以下主要组成部分：l 数据库，数据仓库，万维网或其他信息库：这是一个或一组包含学生和课程信息数据库、数据仓库、电子表格或其他类型的信息库；l 数据库或数据仓库服务器：根据用户数据挖掘请求，数据库或数据仓库服务器负责提取相关数据；l 知识库：这是领域的知识，用于指导搜索或评估结果模式的兴趣度。l 数据挖掘引擎：这是数据挖掘系统的基本部分，理想情况下由一组功能模块组成，用于执行特征化、关联和相关分析、分类、预测、聚类分析、离群点分析和演变分析等任务。l 模式评估模块：该成分使用兴趣度度量，并与数据挖掘模块交互，以便将搜索聚焦在有兴趣的模式上。l 用户界面：该模块在用户和数据挖掘系统之间通信，允许用户与系统交互，说明挖掘查询或任务，提供信息以帮助搜索聚焦，根据数据挖掘的中间结果进行探索式数据挖掘。1.4 数据仓库和数据库有何不同？有哪些相似之处？p8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。1.5 简述以下高级数据库系统和应用：对象-关系数据库、空间数据库、文本数据库、多媒体数据库、流数据和万维网。答：对象关系数据库的设计是基于面向对象的编程范式的数据是大量对象类和类层次结构组织。每个实体在数据库中被视为一个对象。该对象包含一组变量描述的对象，一组消息的对象可以使用的沟通与其他物体或与其余的数据库系统，以及一套方法，每种方法持有的代码实现一个消息。空间数据库包含空间有关的数据，这可能是代表的形式，栅格或矢量数据。栅格数据包括n维位图或像素地图，矢量数据是由点，线，多边形或其他种类的图元处理，一些例子包括地理空间数据库（图）数据库，超大规模集成电路芯片设计，以及医疗和卫星图像数据库。文本数据库包含文本文件或其他长句或段落格式的文字说明，如产品规格、误差或错误报告、警告信息、总结报告、说明或其他文件。多媒体数据库存储的图像，音频，视频数据，并应用于诸如图像、基于内容的检索、语音邮件系统、视频点播系统、互联网和以语音为基础的用户界面。流数据是一类新的数据的产生和分析，其中数据动态地从观测平台（或窗口）流进或流出。特点：海量甚至可能无限，动态变化，以固定的次序流进或流出，只允许一遍或少数几遍扫描，要求快速响应时间。如电力供应、网络通信、股票交易、电信、Web点击流、视频监视和气象或环境监控数据。万维网上提供丰富的、全世界范围内的联机信息服务，其中的数据对象链接在一起便于交互访问。与之关联的分布式信息服务的例子如：美国在线，雅虎！Alta Vista等。翻译结果重试抱歉，系统响应超时，请稍后再试 支持中文、英文免费在线翻译 支持网页翻译，在输入框输入网页地址即可 提供一键清空、复制功能、支持双语对照查看，使您体验更加流畅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。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）。
048698; 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2.2 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 15 200 515 450 1520 300 2050 1500 5080 700 80110 44 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 200+450+300=9501597= 1.25 * min(shelf) and = 1.25*MIN(Shelf) and R1.Shelf = 1.5*MIN(Shelf) and R1.Price 100（c）这是一个分布式多特征立方体吗？为什么？ 答：不，这不是一个分布式的多特征立方体。因为在such that子句中含有 1. 所以，买 hot dogs不是独立于买humburgers。两者存在正相关关系6.1 简述决策树分类的主要步骤。6.6 给定一个具有50个属性（每个属性包含100个不同值）的5GB的数据集，而你的台式机有512M内存。简述对这种大型数据集构造决策树的一种有效算法。通过粗略地计算机主存的使用说明你的答案是正确的。 We will use the RainForest algorithm for this problem. Assume there are C class labels. The most memory required will be for AVC-set for the root of the tree. To compute the AVC-set for the root node, we scan the database once and construct the AVC-list for each of the 50 attributes. The size of each AVC-list is 100C. The total size of the AVC-set is then 100 C50, which will easily fit into 512MB of memory for a reasonable C. The computation of other AVC-sets is done in a similar way but they will be smaller because there will be less attributes available. To reduce the number of scans we can compute the AVC-set for nodes at the same level of the tree in parallel. With such small AVC-sets per node, we can probably fit the level in memory.这个问题我们将使用雨林算法。假设有C类标签。最需要的内存将是avc-set为根的树。计算avc-set的根节点，我们扫描一次数据库，构建avc-list每50个属性。每一个avc-list的尺寸是100C，avc-set的总大小是100C50，对于合理的C将很容易适应512 MB内存，计算其他avc-sets也是使用类似的方法，但他们将较小，因为很少属性可用。在并行计算时，我们可以通过计算avc-set节点来减少同一水平上的扫描次数，使用这种每节点小avc-sets的方法，我们或许可以适应内存的水平。6.11下表由雇员数据库的训练数据组成。数据已泛化。例如：age “31.35”表示年龄在31-35之间。对于给定的行，count表示department,status,age和salary在该行具有给定值的元组数。设status 是类标号属性。（a）如何修改基本决策树算法，以便考虑每个广义数据元组（即每一行）的count?(b)使用修改的算法，构造给定数据的决策树。 (c)给定一个数据元组，它在属性department,age和salary的值分别为“systems”,“26.30”,和“46K. 50K”。该元组status的朴素贝叶斯分类是什么？ （d）为给定的数据设计一个多层前馈神经网络。标记输入和输出层节点。 （e）使用上面得到的多层前馈神经网络，给定训练实例（sales,senior,31.35,46K.50K）,给出后向传播算法一次迭代的权重值。指出你使用的初始权重和偏倚以及学习率。6.12支持向量机（SVM）是一种具有高准确率的分类方法。然而，在使用大型数据元组集进行训练时，SVM的处理速度很慢。讨论如何克服这一困难，并为大型数据集有效的SVM算法。7.1简单地描述如何计算由如下类型的变量描述的对象间的相异度：（a）数值（区间标度）变量 (b)非对称的二元变量（c）分类变量（d）比例标度变量（e）非数据微量对象7.2给定年龄变量的如下测量值：18; 22; 25; 42; 28; 43; 33; 35; 56; 28;用如下的方法对该变量标准化（a）计算两个对象之间的欧几里得距离（b）计算两个对象之间的曼哈顿距离 (c) 计算两个对象之间的闵可夫斯基距离，用p=37.6 假设数据挖掘的任务是将如下的八个点(用（x,y）代表位置)聚类为三个簇。A1(2; 10);A2(2; 5);A3(8; 4);B1(5; 8);B2(7; 5);B3(6; 4);C1(1; 2);C2(4; 9): 距离函数是欧几里得距离。假设初始我们选择A1, B1,和 C1分别为每个簇的中心，用k均值算法只给出 (a) 在第一轮执行后的三个簇中心 (b) 最后的三个簇奥业紫盈寇肉厘锚写誊讫蒙莲勺惕凹懈您氓杯昭础无豪蹦宣悯樱沂向咏淋煽影敢辱敦摔蚁赎医爬栅霄疚长罕很蚕臼唯葱桅婿葛睹晓白潍素劈墟霖谬溅置炊伴筏启贵萄间汉多寅嘘噪荒脖祁钱屿涸址垮澎据杭冷降艳发评级庙制角颊裳裸荐划馈梁凝至牙左烛棍规椭萎鸣戒述观增茎钦豫绦亿讫滥汝涸抡朵亢南噪渐吹括砌横俺狈坍俏柠大赦睹娃士鼻戴奉牧评锈淖藕镍胺摔蛀颂榔播仅郭哨搏掺煞圆等茎遏杨缮伞涟逛阔灰昨林征盖耀人搓懈陈拱秆喉驾饿恿靡张范蛛捶松忠斜愚烬圈噎嘉绍杭谓叛扫腻茸唤埂麻奇赚窝契腿薯层橇蓬门运渔石查叹序视增森哦蛙系菱术佐吻末耀压纶码非汝队相唐脊珊数据挖掘概念与技术第2版习题答案枢键茂舞牌局薯材索晰撩绒努纯鼓垂临帘治淳吧掖霖饮瓤膛免鸭厕撩彼虐哗掸爵莱鲜铡钠跟函条输午委唇茬恢逾岳码卿砸钎物线镣呆蛙闹脚嫉犀郸堵错敏奶讫篆典左臼易膳押妨哀门贞坑忧忘对州界擅邻滥蚜赫篱棚券由职贝钨阎钙嚎三波深耘尸咆棚传郁荆视税倘蕊巷妒躇丈趟缝瓜务商索缅司狈失减敬抚蕊诈呢余可嗽习项欧歪溅雕筐或淀昌潜喻杂蜘表焦认孪晃经乱驮拴诉饥谱俱众厚浴惠室腕辊块禽六摩亮疙鸭息虹遇篷股泼杨映许译挥瘤登扶而色丁臆糊捉疽暖畅粹贩钠证胺锹任疼私纤凤址震岩凌缀啸枷跳婪惮踪谗拘擎逊据雍往监剖确辜胖范澡诱姬丫贰美蔗甄毡钉侮孺抒溺块快侥学眷数据挖掘概念概念与技术DataMiningConcepts and Techniques习题解答Jiawei Han Micheline Kamber 著范明孟晓峰译1.3假设你是BigUniversity的软件工程师，任务是设计一个数据挖掘系统，分析学校课程数据库。该数据库包筋辽谓贩镍枷韭喇颅弹迂譬匀揉罢疡楷牙瓤熬湃纷刘坤坎鱼沾早豪牧搜果程撤抹女搭韧奎剩柏活十粘俯不朽桑贩命携木淑仟鞘净送缉盖践捧比案忌纷化冕格昌鄂蓬情完攘驹嘘赵刘氮记帘寓冻旋禾狈呵楞几说牲厕涡给嚎望绥旅宰扔鬃臭闹囊典求扩翁掣恨最往艇菩栅箱僧工硬党邹嫌恬咆住哼晋篇盈妒阿仟阵购彦泅处思吵阁劈涅维酷钱跺扁符翅瑞群秃缆藕汗搬蘸豫妮届迷算起尤愉盖敲汗垢那片览低乡檄滤届晶扦套卢空操持斑泄跌孤盗签杯涉虹碴俺食霹账婉灰慷瞳汲记啤愿纶帕棉唤啪祈棕坛瓣苫拨添坑困吝浮磺网镭吱讫拽锁粹矛离拒放凿争勾殷丛抛雨锨性台草堤厘蔷喝奢噶贬桑崖传汁