1、數(shù)據(jù)倉庫與數(shù)據(jù)挖掘試題庫系統(tǒng)有什么區(qū)別二、關系模型和多維模型在數(shù)據(jù)倉庫設計中各有什么優(yōu)缺點三、數(shù)據(jù)倉庫上的代數(shù)操作有哪些如何定義的，舉例說明。四、什么是知識發(fā)現(xiàn)，知識發(fā)現(xiàn)的過程包括那幾個步驟關聯(lián)規(guī)則有哪些1、數(shù)據(jù)倉庫是一個面向主題的、集成的、不可更新的、隨時間不斷變化的數(shù)據(jù)集合，它用于支持企業(yè)或組織的決策分析處理。 數(shù)據(jù)倉庫的主要特征: 面向主題的、集成的、時變的、非易失的數(shù)據(jù)倉庫與數(shù)據(jù)庫的區(qū)別數(shù)據(jù)庫是面向事務的設計，數(shù)據(jù)倉庫是面向主題設計的。數(shù)據(jù)庫一般存儲在線交易數(shù)據(jù)，數(shù)據(jù)倉庫存儲的一般是歷史數(shù)據(jù)。數(shù)據(jù)庫設計是盡量避免冗余，一般采用符合范式的規(guī)則來設計，數(shù)據(jù)倉庫在設計是有意引入 冗余，采用反

2、范式的方式來設計。數(shù)據(jù)庫是為捕獲數(shù)據(jù)而設計，數(shù)據(jù)倉庫是為分析數(shù)據(jù)而設計它的兩個基本的元素是維表和事實表。2、關系模型先建立企業(yè)級數(shù)據(jù)倉庫，再在其上開發(fā)具體的應用。企業(yè)級數(shù)據(jù)倉庫固然是我們所追求的目標，但在缺乏足夠的技術力量和數(shù)據(jù)倉庫建設經(jīng)驗的情況下，按照這種模型設計的系統(tǒng)建設過程長， 周期長，難度大，風險大，容易失敗。這種模型的優(yōu)點是信息全面、系統(tǒng)靈活。由于采用了第三范式， 數(shù)據(jù)存儲冗余度低、數(shù)據(jù)組織結構性好、反映的業(yè)務主題能力強以及具有較好的業(yè)務擴展性等，但同時會存在大量的數(shù)據(jù)表，表之間的聯(lián)系比較多，也比較復雜，跨表操作多，查詢效率較低，對數(shù)據(jù)倉庫系統(tǒng)的硬件性能要求高等問題。另一方面，數(shù)據(jù)模

3、式復雜，不容易理解，對于一般計算機用戶來說，增加了理解數(shù)據(jù)表的困難。;這種維的變動將是非常復雜、非常耗時的。而且信息不夠全面、系統(tǒng)欠靈活、數(shù)據(jù)冗余多。3、切片(Slice(Dice(aggregation) (Cube(roll-up) (drill-down) 、集合操作、類似于關系代數(shù)的操作等。切片(Slice)給定一個多維數(shù)據(jù)集合 MDS(D1,D2,Dn;M1,M2,Mk)在MDS 的第i 維上的切片是一條件為Di=c 選擇操作，c 是常量。切片的結果是一個 n-1 維的數(shù)據(jù)集合切塊(Dice)給定一個多維數(shù)據(jù)集合 MDS(D1,D2,Dn;M1,M2,Mk) ，在MDS 的第i 維上

4、的切塊是個條件為 c1Dic2 選擇操作，c1 和c2 是常值。切塊的結果是一個 n 維的數(shù)據(jù)集合聚集(Aggregation)給定一個多維數(shù)據(jù)集合 MDS(D1,D2,Dn;M1,M2,Mk) 及一個維屬性 Di(1in)，MDS 在Di 上的聚集操作表示為 Agg(MDS,Di,F) ，其中F=f1,f2,fk,fj是Mj 上聚集函數(shù)，如求最大值、最小值、均值、和、計數(shù)等。冪聚集 (Cube)給定一個多維數(shù)據(jù)集合 MDS(D1,D2,Dn;M1,M2,Mk)及一個維屬性集合 SDi|1in 在S 上的冪聚集操作表示為 Cube(MDS,S,F) ，其中F=f1,f2,fk,fj 是Mj 上

5、聚集函數(shù)，如求最大值、最小值、均值、和、計數(shù)等。上卷（roll-up ）給定一個多維數(shù)據(jù)集合 MDS(D1,D2,Dn;M1,M2,Mk) ，MDS 上的上卷操作的功能是從 MDS 始沿著計算下鉆（drill-down ）旋轉數(shù)據(jù)旋轉是改變維度的位置關系，使最終用戶可以從其他視角來觀察多維數(shù)據(jù)5數(shù)據(jù)關聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。若兩個或多個變量的取值之間存在種規(guī)律性，就稱為關聯(lián)。關聯(lián)可分為簡單關聯(lián)、時序關聯(lián)、因果關聯(lián)。關聯(lián)分析的目的是找出數(shù)Apriori 算法是一種最有影響的挖掘布爾關聯(lián)規(guī)則頻繁項集的算法。其核心是基于兩階段頻集思想的遞推算法。該關聯(lián)規(guī)則在分類上屬于單維、單層、

6、布爾關聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項集稱為頻繁項集，簡稱頻集。持度一樣。然后由頻集產(chǎn)生強關聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度和最小可信度。然后使用1 有一項，這里采用的是中規(guī)則的定義。一旦這些規(guī)則被生成，那么只有那些大于用戶給定的最小可信度的規(guī)則才被留下來。為了生成所有頻集，使用了遞推的方法?？赡墚a(chǎn)生大量的候選集 ,以及可能需要重復掃描數(shù)據(jù)庫，是 Apriori 算法的兩大缺點。4、知識發(fā)現(xiàn)是從數(shù)據(jù)集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。知識發(fā)現(xiàn)將信息變?yōu)橹R，從數(shù)據(jù)礦ft中找到蘊藏的知識金塊，將為知識創(chuàng)新和知識經(jīng)濟的發(fā)展作出貢獻。數(shù)據(jù)準備 包括

7、3 個子步驟：數(shù)據(jù)集成、數(shù)據(jù)選擇、數(shù)據(jù)預處理。數(shù)據(jù)集成將多文件或多數(shù)據(jù)庫運行環(huán)境中的數(shù)據(jù)進行合并處理，解決語義模糊性、處理數(shù)據(jù)中的遺漏和清洗臟數(shù)據(jù)等。數(shù)據(jù)選擇的目的是辨別出需要分析的數(shù)據(jù)集合，縮小處理范圍，提高數(shù)據(jù)采掘的質量。預處理是為了克服目前數(shù)據(jù)采掘工具的局限性。數(shù)據(jù)挖掘要先決定如何產(chǎn)生假設，是讓數(shù)據(jù)挖掘系統(tǒng)為用戶產(chǎn)生假設，還是用戶自己對于數(shù)據(jù)庫中可能包含的知識提出假設。前一種稱為發(fā)現(xiàn)型的數(shù)據(jù)挖掘，后一種稱為驗證型的數(shù)據(jù)挖掘。選擇合適的工具。挖掘知識的操作。證實發(fā)現(xiàn)的知識。結果表達和解釋 根據(jù)最終用戶的決策目的對提取的信息進行分析，把最有價值的信息區(qū)分出來， 并且通過決策支持工具提交給決策者，因此這一步驟任務不僅是把結果表達出來，還要對信息進行過濾處理，如果不能令決策者滿意，需要重復以上數(shù)據(jù)挖掘過程6(classification是找出描述并區(qū)分數(shù)據(jù)類或概念的模型(或函數(shù))，以便能夠使用模型預測類標記未知的對象類。聚類(clustering)是指根據(jù)“物以類聚”原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數(shù)據(jù)對象的集合叫做簇，并且對每一個這樣