1、一、解答題 (總分值 30 分，每題 5 分)1. 如何明口得數(shù)據(jù)挖掘和知識發(fā)覺的關(guān)系？請?jiān)敿?xì)論述之第一從數(shù)據(jù)源中抽取感愛好的數(shù)據(jù)，并把它組織成適合挖掘的數(shù)據(jù)組織形式；然后，挪用 業(yè)的智能系知識發(fā)覺是一個(gè)指出數(shù)據(jù)中有效、嶄新、潛在的、有價(jià)值的、一個(gè)不可輕忽的流程，其最終目標(biāo)是把握數(shù)據(jù)的 式。流程步驟：先明白得要應(yīng)用的領(lǐng)域、熟悉相關(guān)知識，接著成立目標(biāo)數(shù)據(jù)集，并專注所選擇的數(shù)據(jù)子集；再 據(jù)預(yù)處巻，剔除錯(cuò)誤或不一致的數(shù)據(jù)：然后進(jìn)行數(shù)據(jù)簡化與轉(zhuǎn)換工作：再通過數(shù)據(jù)挖掘的技術(shù)程序成為模式、 歸分析或找出分類模型：最后通過說明和評判成為有效的信息。 2. 時(shí)刻序列數(shù)據(jù)挖掘的方式有哪些，請?jiān)敿?xì)論述之1) 、確

2、信性時(shí)刻序列預(yù)測方式：關(guān)于平穩(wěn)轉(zhuǎn)變特點(diǎn)的時(shí)刻序列來講，假設(shè)以后行為與此刻的行有關(guān)，利用屬性此刻的值預(yù)測以后的值是可行的。例如，要預(yù)測下周某種商品的銷售額，能 時(shí)刻序列是平穩(wěn)的，能夠用自回歸 (Auto Regressive,簡稱 AR)模型、移動(dòng)回歸模型 (Moving Average,簡稱 3) 、其他方式：可用于時(shí)刻序列預(yù)測的方式很多，其中比較成功的是神經(jīng)網(wǎng)絡(luò)。由于大量的時(shí)刻非平穩(wěn)的 , 因此特點(diǎn)參數(shù)和數(shù)據(jù)散布隨著時(shí)刻的推移而轉(zhuǎn)變。假設(shè)通過對某段歷史數(shù)據(jù)的訓(xùn)學(xué)統(tǒng)計(jì)模型估量神經(jīng)網(wǎng)絡(luò)的各層權(quán)重參數(shù)初值，就可能成立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，用于時(shí) 刻序列的預(yù)測。3. 數(shù)據(jù)挖掘的分類方式有哪些，請?jiān)敿?xì)論述

3、之 類的中心來完成，在實(shí)際的汁算中往往用距離來表征，距 離越近，相似性越大，距離 試，每一個(gè)分枝代表一個(gè)測試輸出，而每一個(gè)樹葉結(jié)點(diǎn)代表類 或類散布。樹的最頂層結(jié)點(diǎn) 4）、規(guī)那么歸納方式：規(guī)那么歸納有四種策略：減法、加法，先加后減、先a） 減法策略：以具體例子為起點(diǎn)，對例子進(jìn)行推行或泛化，推行即減除 b） 加法策略：起始假設(shè)規(guī)那么的條件部份為空（永真規(guī)那么），若是該 規(guī)那么覆蓋 c） 先加后減策略：山于屬性間存在相關(guān)性，因此可能某個(gè)條件的加入會致使前面加入的條件沒什么作用，因此需要減除前面的條件。 4.數(shù)據(jù)挖掘的聚類方式有哪些，請?jiān)敿?xì)論述之 技術(shù)將構(gòu)造 然后歸并這些原子簇為愈來愈大的簇，直到某個(gè)

4、終結(jié)條件被知足。b） 割裂的層次聚類：釆納自頂向下的策略，它第一將所有對象置于一個(gè)簇 2） 密度聚類方式：密度聚類方式的指導(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 率的方式來進(jìn)行聚類分析，該聚類算法的質(zhì)量取 決于網(wǎng)格結(jié)構(gòu)最低層的粒度。若是粒度比較細(xì)，處置的代價(jià)會顯著增加 ; 但如果是粒度較粗，那么聚類質(zhì)量會受到阻礙。5?請論述數(shù)據(jù)挖掘的大體進(jìn)程及步驟 應(yīng)該是對數(shù)據(jù)挖掘的目標(biāo)有一個(gè)淸楚的熟悉，明白利潤所在，苴中包括數(shù)據(jù)搜集、數(shù)據(jù) 分析和數(shù)據(jù)報(bào) 始數(shù)據(jù)搜集、數(shù)搦描述、數(shù)據(jù)探討和數(shù)據(jù)質(zhì)量核查等。 一進(jìn)程包括原數(shù)據(jù)整理和數(shù)據(jù)轉(zhuǎn)換等數(shù)據(jù)建模的預(yù)備工作需要在這一時(shí)期完成。更深層次的數(shù)據(jù)探 在這一時(shí)

5、期進(jìn)行，新增模型的應(yīng)用再次提供了在業(yè)務(wù)明白得基礎(chǔ)上看淸楚數(shù)據(jù)模式 四、成立模型：數(shù)據(jù)模型成立是應(yīng)用數(shù)據(jù)挖掘軟件不不同的情景下取得結(jié)果的進(jìn)程。討也能夠五、模型評估：數(shù)聽說明時(shí)期是相當(dāng)重要的，要對成立的模型是不是能夠達(dá)到問題解決的目 的進(jìn)行研究，即包括模型是不是能夠達(dá)到研究的目標(biāo)：模型是不是能夠用適合的方式顯示。六、模型發(fā)布：數(shù)據(jù)挖掘既能夠應(yīng)用于核實(shí)先前的假設(shè)，也能夠應(yīng)用于知識發(fā)覺（識別未預(yù) 期的有效的關(guān)6. 什么緣故說強(qiáng)關(guān)聯(lián)規(guī)那么不必然都是有效的，請舉例說明之。 飯。假設(shè)支持度閾值 s二，置信度閾值 c=60%o 基 于上面數(shù)據(jù)和假設(shè)咱們可挖掘出強(qiáng)關(guān)聯(lián)規(guī)那 都是頻繁項(xiàng)，而規(guī)那么的置信度 c=40

6、%/60 %=%也大于置信度閾值。 一、請分析關(guān)聯(lián)規(guī)那么挖掘方式中，項(xiàng) LI 集格空間理論、進(jìn)展及其在數(shù)據(jù)挖掘中 的應(yīng)用價(jià) 隨著數(shù)據(jù)庫容量的增大，重復(fù)訪問數(shù)據(jù)庫（外存）將致使性能低下。因此超集都是非頻 論和算法來減少數(shù)據(jù)庫的掃描次數(shù)和侯選集空間占用，已經(jīng)成 為最近兒年來關(guān)聯(lián)規(guī)那 二、請分析 Web挖掘技術(shù)所采納的方式及其在數(shù)據(jù)挖掘中的應(yīng)用價(jià)值。 成、概化、分類等，挖掘某類信息所包括的知識模式。 Web訪問信息挖掘（ Web Usage Mining Web訪問信息挖掘是對信息進(jìn)行集Web 時(shí)在效勞器方留下的訪問記錄進(jìn)行挖掘。通過度析 日記記錄中的規(guī)律，能夠識別用戶的忠實(shí)度、喜好、中意度，能夠

7、發(fā)覺潛在用戶，增強(qiáng)站點(diǎn)的效勞競 從大量的信息中發(fā)覺用戶感愛好的信息：因特網(wǎng)上蘊(yùn)藏著大量的 信息，通過簡單的閱讀或關(guān)鍵詞匹配的搜索引擎取得的是孤立而凌 亂的“表面信息” , Web挖 對用戶可用的信息，而這些信息的深層次含 義是很難被用戶直接利用的，必需 行為和方式的普遍知識，用以改良 Web 效勞方的設(shè)訃，提供個(gè)性化的效勞。三、證明題 (總分值 16 分) 依照項(xiàng)集支持?jǐn)?shù)的概念，很容易明白支持 建造一個(gè)決策樹，有五個(gè)要緊步驟：依照已知的分類，從數(shù)據(jù) D 中找到例子 S。確信最正確謂詞 p 用來分類。一樣笫一在較粗的層次中尋覓相關(guān)謂找到最正確的緩沖區(qū)大小和形狀。關(guān)于取樣中的每一個(gè)實(shí)體，它周 利用 p 和 C,對每一個(gè)緩沖區(qū)歸納謂詞。利用泛化的謂詞和 ID3 建造二義樹 To 輸出：二義決策樹 T。 2. 指出算法的不足的地方，應(yīng)該從哪些方面增強(qiáng)算法的功能和性能。對任何數(shù)量的訓(xùn)練集，老是能找到相應(yīng)的多個(gè)線性判別函數(shù)把它分類，可是如此生成的 樹的深度可能太大 . 因?yàn)?，盡管利用了最好的特點(diǎn)進(jìn)行分類，但仍是可能存在一些特點(diǎn)對分 類很有效，盡管不是像最好的特點(diǎn)那樣有效，卻沒有效到 . 一個(gè)直覺是：有些特點(diǎn)對某些類 別有效，可是對另外一些那么無效，乃至可能有副作用，若是能把這些特點(diǎn)選擇出來，一次 就能夠最大限度地把多個(gè)類別分開