第1章

1.6定義下列數(shù)據(jù)挖掘功能：特征化、區(qū)分、關(guān)聯(lián)和相關(guān)分析、預(yù)測聚類和演變分析。

使用你熟悉的現(xiàn)實(shí)生活的數(shù)據(jù)庫，給出每種噓挖掘功能的例子。

。特征化是一個(gè)目標(biāo)類數(shù)據(jù)的一般特性或特性的匯總。例如，學(xué)生的特征可被提出，形成所

有大學(xué)的計(jì)算機(jī)科學(xué)專業(yè)一年級(jí)學(xué)生的輪廓，這些特征包括作為一種高的年級(jí)平均成績

(GPA:Gradepointaversge)的信息，還有所修的課程的最大數(shù)量。

?區(qū)分是將目標(biāo)類數(shù)據(jù)對(duì)象的一般特性與一個(gè)或多個(gè)對(duì)比類對(duì)象的一般特性進(jìn)行比

較。例如，具有高GPA的學(xué)生的一般特性可被用來與具有低GPA的一般特性比較。最

終的描述可能是學(xué)生的一個(gè)一般可比較的輪廓，就像具有高GPA的學(xué)生的75%是四年級(jí)

計(jì)算機(jī)科學(xué)專業(yè)的學(xué)生，而具有低GPA的學(xué)生的65%不是。

。關(guān)聯(lián)是指發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，這些規(guī)則表示一起頻繁發(fā)生在給定數(shù)據(jù)集的特征值的條件。

例如，一個(gè)數(shù)據(jù)挖掘系統(tǒng)可能發(fā)現(xiàn)的關(guān)聯(lián)規(guī)則為：

major(X,"computingscience")=owns(X,"personalcomputer")

[support=12%,confidence=98%]

其中，X是一個(gè)表示學(xué)生的變量。這個(gè)規(guī)則指出正在學(xué)習(xí)的學(xué)生，12%(支持度)主修計(jì)算機(jī)科學(xué)并且擁有一臺(tái)

個(gè)人計(jì)算機(jī)。這個(gè)組一個(gè)學(xué)生擁有一臺(tái)個(gè)人電腦的概率是98%(置信度，或確定度。)

。分類與預(yù)測不同，因?yàn)榍罢叩淖饔檬菢?gòu)造一系列能描述和區(qū)分?jǐn)?shù)據(jù)類型或概念的模型(或

功能)而后者是建立一個(gè)模型去預(yù)測缺失的或無效的、并且通常是數(shù)字的數(shù)據(jù)值。它們的

相似性是他們都是預(yù)測的工具：分類被用作預(yù)測目標(biāo)數(shù)據(jù)的類的標(biāo)簽，而預(yù)測典型的應(yīng)用是

預(yù)測缺失的數(shù)字型數(shù)據(jù)的值。

強(qiáng)類分析的數(shù)據(jù)對(duì)象不考慮已知的類標(biāo)號(hào)。對(duì)象根據(jù)最大花蕾內(nèi)部的相似性、最小化類之間的相似性的原則進(jìn)

行聚類或分組。形成的每一簇可以被看作一個(gè)對(duì)象類。聚類也便于分類法組織形式，將觀測組織成類分層結(jié)

構(gòu)，把類似的事件組織在一起。

。數(shù)據(jù)延邊分析描述和模型化隨時(shí)間變化的對(duì)象的規(guī)律或趨勢，盡管這可能包括時(shí)間相關(guān)數(shù)

據(jù)的特征化、區(qū)分、關(guān)聯(lián)和相關(guān)分析、分類、或預(yù)測,這種分析的明確特征包括時(shí)間序列數(shù)據(jù)

分析、序列或周期模式匹配、和基于相似性的數(shù)據(jù)分析

1.9列舉并描述說明物劇2掘任務(wù)的五種原語。

五種原語是：

◎任務(wù)相關(guān)數(shù)據(jù)：這種原語指明給定挖掘所處理的數(shù)據(jù)。它包括指明數(shù)據(jù)庫、數(shù)據(jù)庫表、或

數(shù)據(jù)倉庫，其中包括包含關(guān)系數(shù)據(jù)、選擇關(guān)系數(shù)據(jù)的條件、用于探索的關(guān)系數(shù)據(jù)的屬

性或維、關(guān)于修復(fù)的數(shù)據(jù)排序和分組。

。挖掘的數(shù)據(jù)類型：這種原語指明了所要執(zhí)行的特定數(shù)據(jù)挖掘功能，如特征化、區(qū)分、關(guān)

聯(lián)、分類、聚類、或演化分析。同樣，用戶的要求可能更特殊，并可能提供所發(fā)現(xiàn)的模式必

須匹配的模版。這些模版或超模式（也被稱為超規(guī)則）能被用來指導(dǎo)發(fā)現(xiàn)過程。

?背景知識(shí)：這種原語允許用戶指定已有的關(guān)于挖掘領(lǐng)域的知識(shí)。這樣的知識(shí)能被用來指導(dǎo)

知識(shí)發(fā)現(xiàn)過程，并且評(píng)估發(fā)現(xiàn)的模式。關(guān)于數(shù)據(jù)中關(guān)系的概念分層和用戶信念是背景知識(shí)的

形式。

。模式興趣度度■：這種原語允許用戶指定功能，用于從知識(shí)中分割不感興趣的模式，并且

被用來指導(dǎo)挖掘過程，也可評(píng)估發(fā)現(xiàn)的模式。這樣就允許用戶限制在挖掘過程返回的不感

興趣的模式的數(shù)量，因?yàn)橐环N數(shù)據(jù)挖掘系統(tǒng)可能產(chǎn)生大量的模式以趣度測量能被指定為簡

易性確定性、適用性、和新穎性的特征。

。發(fā)現(xiàn)模式的可視化：這種原語述及發(fā)現(xiàn)的模式應(yīng)該被顯示出來。為了使數(shù)據(jù)挖掘能有效地

將知識(shí)傳給用戶，數(shù)據(jù)挖掘系統(tǒng)應(yīng)該能將發(fā)現(xiàn)的各種形式的模式展示出來，正如規(guī)則、表

格、餅或條形圖、決策樹、立方體或其它視覺的表示。

1.41.13描述以下數(shù)據(jù)挖掘系統(tǒng)與數(shù)據(jù)庫或數(shù)據(jù)倉庫集成方法的差別：不耦合、松散相合、半

緊精合和緊密糖合物認(rèn)為財(cái)■方法最流行為什么？

解答：數(shù)據(jù)挖掘系統(tǒng)和數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)的集成的層次的差別如下

阡耦合：數(shù)據(jù)挖掘系統(tǒng)用像平面文件這樣的原始資料獲得被挖掘的原始數(shù)據(jù)集，

因?yàn)闆]有數(shù)據(jù)庫系統(tǒng)或數(shù)據(jù)倉庫系統(tǒng)的任何功能被作為處理過程的一部分執(zhí)行。

因此，這種構(gòu)架是一種糟糕的設(shè)計(jì)。

。松散耦合：數(shù)據(jù)挖掘系統(tǒng)不與數(shù)據(jù)庫或數(shù)據(jù)倉庫集成，除了使用被挖掘的初始數(shù)據(jù)集的源

數(shù)據(jù)和存儲(chǔ)挖掘結(jié)果。這樣，這種構(gòu)架能得到數(shù)據(jù)庫和數(shù)據(jù)倉庫提供的靈活、高效、和特征

的優(yōu)點(diǎn)。但是，在大量的數(shù)據(jù)集中，由松散耦合得到高可測性和良好的性能是非常困難的，

因?yàn)樵S多這種系統(tǒng)是基于內(nèi)存的。

。半緊密耦合：一些數(shù)據(jù)挖掘原語，如聚合、分類、或統(tǒng)計(jì)功能的預(yù)計(jì)算可在數(shù)據(jù)庫或數(shù)據(jù)倉

庫系統(tǒng)有效的執(zhí)行以便數(shù)據(jù)挖掘系統(tǒng)在挖掘-查詢過程的應(yīng)用。另外，一些經(jīng)常用到的

中間挖掘結(jié)果能被預(yù)計(jì)算并存儲(chǔ)到數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)中，從而增強(qiáng)了數(shù)據(jù)挖掘系統(tǒng)的

性能。

。緊密耦合：數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)被完全整合成數(shù)據(jù)挖掘系統(tǒng)的一部份，并且因此提

供了優(yōu)化的數(shù)據(jù)查詢處理。這樣的話，數(shù)據(jù)挖掘子系統(tǒng)被視為一個(gè)信息系統(tǒng)的功能組件。這

是一中高度期望的結(jié)構(gòu)，因?yàn)樗欣跀?shù)據(jù)挖掘功能、高系統(tǒng)性能和集成信息處理環(huán)境的

有效實(shí)現(xiàn)。

從以上提供的體系結(jié)構(gòu)的描述看，緊密耦合是最優(yōu)的，沒有值得顧慮的技術(shù)和執(zhí)行問題。但緊密耦合系統(tǒng)所需的

大量技術(shù)基礎(chǔ)結(jié)構(gòu)仍然在發(fā)展變化淇實(shí)現(xiàn)并非易事。因此，目前最流行的體系結(jié)構(gòu)仍是半緊密相

合，因?yàn)樗撬缮⒓Z合和緊密耦合的折中。

第2章數(shù)據(jù)預(yù)處理

2.2假設(shè)給定的數(shù)據(jù)集的值已經(jīng)分組為區(qū)間。區(qū)間和對(duì)應(yīng)的頻率如下。

年齡頻率

1~5200

5-15450

15-20300

20-501500

50-80700

80-11044

計(jì)算數(shù)據(jù)的近似中位數(shù)值。

先判定中位數(shù)區(qū)間：N=200+450+300+1500+700+44=3194；N/2=1597

,/200+450+300=950<1597<2450=950+1500；

:.20?50對(duì)應(yīng)中位數(shù)區(qū)間。

我們有：Zi=20.Ai=3197,width=30,使用公

式(2.3)：

,「汗/2-(2.后夕)八.”(3197/2—950、__

median=Z.4---------------width=20+-----------x30=32.97

Ifreq—JI1500J

media/r=32.97歲。

2.4假定用于分析的數(shù)據(jù)包含屬性ageo數(shù)據(jù)元組的age值（以遞增序）是：13,

,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,35,35,

15,35,36,40,45,46,52,70。

3/m5

\l該數(shù)據(jù)的均值是什么？中位數(shù)是什么？

/b

\該數(shù)據(jù)的眾數(shù)是什么？討論數(shù)據(jù)的峰（即雙峰、三峰等。）

/a

k

d數(shù)據(jù)的中列數(shù)是什么？

(/

X你能粗略地找出數(shù)據(jù)的第一個(gè)四分位數(shù)Qi和第三個(gè)四分位數(shù)Ch）嗎？

/動(dòng)

\l給出數(shù)據(jù)的五數(shù)概括。

(f)畫出數(shù)據(jù)的盒圖。

(g)分位數(shù)一分位數(shù)圖與分位數(shù)圖的不同之處是什么？

(a)該數(shù)甥的均任[是什么？中位數(shù)是什么？

均值是：T=—5Zrz=809/27=29.96=30(公工12.1)。中位效成是笫14

個(gè).UP.ri4=25=^2?

(b)該數(shù)甥的眾數(shù)是什么？討論數(shù)甥的穌(即雙山子、三崢等)?

這個(gè)數(shù)集的眾數(shù)有兩個(gè)：25和35,發(fā):乍在同樣展高的頻率處.閑此足儀行

眾數(shù)。

(c)數(shù)據(jù)的中列數(shù)是什么？

數(shù)據(jù)的中列數(shù)忍圾大術(shù)和最小組的均值.HP：""如g=<70+13)/2=41.5。

(d)你循《忖I略地)找U1數(shù)據(jù)的笫一個(gè)四分位數(shù)(。)和笫三個(gè)四分僅數(shù)(0

叫？

數(shù)據(jù)桀的笫個(gè)四分位數(shù)成發(fā)生枕25%處，即在?Z+l)/4=7處。所以：<?i=2O

向第T個(gè)四分儀數(shù)應(yīng)發(fā)生作75%處.即在3x(Z+l>/4=2l處“所以：Q=35

(c)令Hi數(shù)甥的五數(shù)概括?

?個(gè)數(shù)抹:朱的分布的5數(shù)做括由取小伍、笫?個(gè)四分位數(shù)、中位數(shù)、第三個(gè)

四分位數(shù)、和圾入伍構(gòu)成。七給山廣分布形狀良好的匯總，并1L迂也數(shù)據(jù)足：13.

20、25、35、70。

(g)分位數(shù)一分位數(shù)圖與分位數(shù)圖的不同之處是什么？分位數(shù)圖是一種用來展示數(shù)據(jù)值低于或等

早在一個(gè)單變量分布中獨(dú)立的變量的粗略百分比。這樣，他可以展示所有數(shù)的分位數(shù)信息，而為獨(dú)立

變量測得的值(縱軸)相對(duì)于它們的分位數(shù)(橫軸)被描繪出來。但分位數(shù)一分位數(shù)圖用縱軸表示一

種單變量分布的分位數(shù)用橫軸表示另一單變重分布的分位數(shù)。兩個(gè)坐標(biāo)軸顯示它們的測量值相應(yīng)分布

的值域，且點(diǎn)按照兩種分布分位數(shù)值展示。一條線(y=x)可畫到圖中，以增加圖像的信息。落在該

線以上的點(diǎn)表示在y軸上顯示的值的分布比x軸的知應(yīng)的等同分位數(shù)對(duì)應(yīng)的值的分布高。反之，對(duì)

落在該線以下的點(diǎn)則低。

2.7使用習(xí)題2.4給出的age數(shù)據(jù)回答下列問題：

(a)使用分箱均值光滑對(duì)以上數(shù)據(jù)進(jìn)行光滑，箱的深度為3。解釋你的步驟。評(píng)述

W于給定的數(shù)據(jù)，該技術(shù)的效果。

(b)如何確定數(shù)據(jù)中的離群點(diǎn)？

(c)對(duì)于數(shù)據(jù)光滑，還有哪些其他方法？

答：(a)使用分箱均值光滑對(duì)以上數(shù)據(jù)進(jìn)行光

滑，箱的深度為3O解釋你的步驟:評(píng)述對(duì)于給

定的數(shù)據(jù)，該技術(shù)的效果。

用箱深度為3的分箱均值光滑對(duì)以上數(shù)據(jù)進(jìn)行光滑需要以下步驟:

破驟1:對(duì)數(shù)據(jù)排序。(因?yàn)閿?shù)據(jù)已被排序，所以此時(shí)不需要該步驟。)

?步驟2:將數(shù)據(jù)劃分到大小為3的等頻箱中。

箱1:13,15,16箱2:16,19,203：20,21,22

箱4:22,25,25箱5:25,25,306:33,33,35

箱7:35,35,35箱8:36,40,459:46,52,70

?步驟3:計(jì)算每個(gè)等頻箱的算數(shù)均值。

。步驟4:用各箱計(jì)算出的算數(shù)均值替換每箱中的每個(gè)值。

箱1:44/3,44/3,44/3箱2:55/3,55/3,55/3箱3:21,21,21

箱4:24,24,24箱5:80/3,80/3,80/3箱6:101/3,101/3,101/3

箱7:35,35,35箱8:121/3,121/3,121/3箱9:56,56,56

(b)如何確定數(shù)據(jù)中的離群點(diǎn)？聚類的方法可用來將相似的點(diǎn)分成組或“簇”，并

檢測離群點(diǎn)。落到簇的集外的值可以被視為離群點(diǎn)。作為選擇，一種人機(jī)結(jié)合的檢

測可被采用，而計(jì)算機(jī)用一種事先決定的數(shù)據(jù)分布來區(qū)分可能的寓群點(diǎn)這些可能

的離群點(diǎn)能被用人工輕松的檢驗(yàn)，而不必檢查整個(gè)數(shù)據(jù)集。

(c)對(duì)于數(shù)據(jù)光滑，還有哪些其他方法？

其它可用來數(shù)據(jù)光滑的方法包括別的分箱光滑方法如中位數(shù)光滑和箱邊界光滑。作為選擇，等寬箱可

被用來執(zhí)行任何分箱方式，其中每個(gè)箱中的數(shù)據(jù)范圍均是常量。除了分箱方法外，可以使用回歸技術(shù)

擬合成函數(shù)來光滑數(shù)據(jù)，如通過線性或多線性回歸。分類技術(shù)也能被用來對(duì)概念分層，這是通過將低

級(jí)概念上卷到高級(jí)概念來光滑數(shù)據(jù)。

2.12如下規(guī)范化方法的值域是什么？

(a)min-max規(guī)范化。

(b)z-score規(guī)范化。

(c)小數(shù)定標(biāo)規(guī)范化。

答：

(a)min-max規(guī)范化。值域是

[new_min,new_max]o

(b)(b)z-score規(guī)化。

盾域是［(oldmin-mean)/a,(oldmax-mean)/a］,總的來說，對(duì)于所有可能的

數(shù)據(jù)集的值鈦是「8,+切。-

(C)小數(shù)定標(biāo)規(guī)范化

值域是(-1.0,1.0)。

2.12使用習(xí)題2.4給出的

age數(shù)據(jù)，回答以下問題：

(a)使用min-max規(guī)范化將age值35變換到［0.0,1.0］區(qū)間。

(b)使用z-score規(guī)范化變換age值35,箕中age的標(biāo)準(zhǔn)差為12.94歲。

(c)使用小數(shù)定標(biāo)規(guī)范化變換age值35o

(d)對(duì)于給定的數(shù)據(jù)，你愿意使用哪種方法？陳述你的理由

(a)使用min-max規(guī)范化將age值35變換到［().(),1.0］區(qū)間。

*.*minA=13,maxA=70.new_ininA=0.0tnew_maxA=1.0?iftjv=35.

吁min4〔.、.

--------------------\newmax.-newmm.I+newmin”

max4-mm/

35-13

(1.0-0.0)+0.0=0.3860

70-13

(b)使z-score現(xiàn)?；儞Qage值35.此中age的標(biāo)次注為12.94歲.

—=13+15+2x16+19+2x20+21+2x22+4x24

27

30+2x33+4x35+36+40+45+46+52+70

27

翳=29.3

工(彳,一刁

b/士---------=161.2949.crJb：=12.7002

2(〃-0

破------------=167.4986?s=12.9421

v-35

±=35-29Q63=5X)37..=o3966=O.4OO

12.700212.7002

成2^=35—29963=5.037=。33=0.39

12.942112.9421

(c)使用小數(shù)定標(biāo)規(guī)范化變換age值35。

由于最大的絕對(duì)值為70.所以尸2。J言=含=。35

2.14假設(shè)12個(gè)銷售價(jià)格記錄組已經(jīng)排序如下:5,10,11,13,15,35,50,55,72,92,

204,215c使用如下每種方法將其劃分成三個(gè)箱。

(a)等頻(等深)劃分。(b)等寬劃分。⑹聚類。

攻口?.

(a>?事回<二至5%)切夕如

binI5.IO.11.13

bin11S.35.5O.55

binI72.91,2<M.215

(b)再,劃分.

4江4、［式的"魄J虬址:(215-5>/3=7O

bin15.10.11.13.15.35.50,55.72

bin191

binl2O4.N15

(c＞蜜獎(jiǎng).

我J門川以＜史目J仲向?￥'的轆光寸支木：J”2個(gè)垣人的r?J秘T與數(shù)和;分心3個(gè)希，

binl5.10.11.13.15

binl35.50.55.72.91

binl20-4.215

2.15使用習(xí)題2.4給出的age數(shù)據(jù)，

(a)畫出一個(gè)等寬為10的等寬直方圖；

(b)為如下每種抽樣技術(shù)勾畫例子：SRSWOR,SRSWR,聚類抽樣，分層抽

釋。使用大小為5的樣本和層“青年”，中年”和“老年’3

解答：

(a＞ilHiHl-個(gè)■?電力1OCKJ飛空?蛇f*LZ/%1：

(b)為如下每種抽樣技術(shù)勾畫例子：SRSWOR,SRSWR,聚類抽樣，分層

抽樣。使用大小為5的樣本和層“青年”中年”和“老年、元組：

Ti13Tto22Tw35

Tn2535

r2IST2o

Ty16Tt225T2I35

丁416T|325T2236

Ts19Tl425T2340

Tc20TIS30T2445

T720Ts33T”46

T.21T|733Tze52

TQ22T.H35T2770

SRSWOR和SRSWR：不是I司次的段1HL抽怦結(jié)Mi“「以不IT.任〔I詢NIN無放IT

所以不值彳丁桶”J的元絢.

SRSWOR<n-5)SRSWR(n=5)

T416丁720

Tc20TT20

T.o22T2O35

Tn25T2135

Tae52T2546

維央劑I*丫：血&3鍬炎八/J6央.伯m央.

Sample1Sumplc2Sample3Suniplc^lSamplc5Suniplc<)

T,1320TM25Tic33T2I35下2。52

T17

Ta15TT20T.a2533Ts36T2770

Te16TM21TIS25TIM35T-40

T416TQ22Tx25TIV35T"45

Ts19TIO22T.s30Tao35T2S46

Sampie2Sample5

20Tai35

T720TNN36

TH21T”4c

Tv22T2445

T.o22T”46

分/illITs按JKt々出色分扣1fTlH?小I?寸的砒行L收的紓」UL4<l?d.

T”16

T1225

33micJdluH&U

TTa?46middle

丁*770Senior

Z.X55555S55S5555555SSS55555SS

第三章數(shù)據(jù)倉庫與OLAP技術(shù)概述

3.4假定BigUniversity的數(shù)據(jù)倉庫包含如下4個(gè)維student(student_name,area_id,major,status,

university),course(course_name,department),semester(semester,year)和instructor(dept,

rank);2個(gè)度■::count和avg_gradeo在最低概念層，度?avg_grade存放學(xué)生的實(shí)際

課程成績。在較高概念層，avg_grade存放給定組合的平均成績。

(a)為該數(shù)據(jù)倉庫畫出雪花形模式圖。

(b)(b)由基本方體［student,course,semester,instructor］開始，為歹!1出

BigUniversity每個(gè)學(xué)生的CS課程的平均成績，應(yīng)當(dāng)使用哪些特殊的OSP操作。

(c)如果每維有5層(包括all)$0ustudent<major<status<university<all該立方

標(biāo)包含多少方體？

解答：

a)為該數(shù)據(jù)倉庫畫出雪花形模式圖。雪花模式如圖所示。

b)由基本方體［student,course,semester,instructor］開始，為列出BigUniversHy每個(gè)

學(xué)生的CS課程的平均箴績應(yīng)當(dāng)使用哪些特殊的OLAP操祚。這些特殊的聯(lián)機(jī)分析屈理(OLAP)

操作有:i.沿課程(course)維從courseJcT上卷'到departmento

ii.沿學(xué)生(student)維從studentjd“上卷”到universityo

iii.取department="CS”和university=uBigUniversity11,沿課程(course)維和學(xué)生(student)

維切片。

iv.沿學(xué)生(student)維從university下鉆到student_nameo

c)如果每維有5居包括all翅t(yī)udentvmajorvstatusvuniversityvall：該立方體包含

這.立方止將包含54=625個(gè)方體

courseunivstudent

脩々

兇3.4m33.4中數(shù)加的?，；化唯快」t

3.22222222

3.33333333

第四章數(shù)據(jù)立方體計(jì)算與數(shù)據(jù)泛化

4.3題4.12考慮下面的多特征立方體查詢：按｛itemregion,month)的所有子

集分組，對(duì)每組找出2004年的最小貨架壽命，并對(duì)價(jià)落低于100美元、貨架

壽命在最小貨架壽命的1.25-1.5倍之間的元組找出總銷售額部分。

a)畫出該查詢的多特征立方體圖。

b)用擴(kuò)充的SQL表示該查詢。

c)這是一個(gè)分布式多特征立方體嗎？為什么？

解答：

(a)畫出該查詢的多特征立方體圖。

R0->R1(>1.25*min(shelf)and<1.5*min(shelf))(b)用擴(kuò)

充的SQL表示該著詢。

Selectitem,region,month,Min(shelf),SUM(R1)

FromPurchase

Whereyear=2004

cubebyitem,region,month:R1

suchthatR1.sheIf>1.25*MIN(Shelf)and(R1.Shelf^l.5*MIN(Shelf)and

R1.Price<100

(c)這是一個(gè)分布式多特征立方體嗎？為什么？

這不是一個(gè)分布多特征立方體，因?yàn)樵凇皊uchthat”語句中采用了“。條件。

第五章

5.3數(shù)據(jù)庫有5個(gè)事物。設(shè)min_sup=60%,min_conf=80o

TID購買的商品

T100{M,O.N,K.E,Y)

T200{D,O,N,K,E.Y)

T300{M,A,K,E)

T400{M,U,C,K,Y}

T500{C,O,O,K,I,E)

a)分別使用Apriori和FP增長算法找出所有的頻繁項(xiàng)集。比較兩種挖

掘過程的效率。

b)列舉所有與下面的的元規(guī)則匹配的強(qiáng)關(guān)聯(lián)規(guī)則(給出支持度s和置信

度c其中X是代表顧客的變量item是表示項(xiàng)的變量(如T'"B”等)

transaction,buys(X,itemi)Abuys(X,item2)=t)uys(X,items)[s,c]

解答：

(a)分別使用Apriori和FP增長算法找出所有的頻繁項(xiàng)集。比較兩種挖掘

過程的效率。

Apriori算法：由于只有5次購買事件，所以絕對(duì)支持度是5xmin_sup=3o

A/3-

MOr

O3

AfK3

N2

ME2

AT53~3-

A/r2

E-1O3OK3

3OKE3

Y3X,=AT5C\—OE3

OE3=KEY2

D1E4KE4

OY2

A1r3KY3

KE4

U1

KY3

Q2

EY2

/1

Z、=3]

FP-growth：數(shù)圳蚱的笫-次+I描1jApriori算法相同.得至UL?再按支持發(fā)

計(jì)數(shù)的遞減小打小?得到：L=UK:5),(E:4),(M:3),(0:3),(Y3)}.#|描沒彳、3

務(wù).按以上L的拼方?從根心點(diǎn)開始.得到FP■樹.

頊條件模式枯條件FP樹產(chǎn)生的順繁悚式

YK:3

O\.{KE：2”K3?E:3(KO:3}?{E,O:3>.(KE.O:3}

M({KE:2}，{KI}}1C3

E《{K4”K:4{KE:4}

效率比較：Aphori算法的計(jì)算過程必須對(duì)數(shù)據(jù)庫作多次掃描，而FP-增長算

法在構(gòu)造過程中只需掃描一次數(shù)據(jù)庫，再加上初始時(shí)為確定支持度遞減排序的一次

掃描，共計(jì)只需兩次掃描。由于在Apriori算法中的自身連接過程產(chǎn)生候選項(xiàng)

集，候選項(xiàng)集產(chǎn)生的計(jì)算代價(jià)非常高，相FP-增長算法不需產(chǎn)生任何候選項(xiàng)。

髀列婁喇鵬孽裔規(guī)牌鬟警癮喝翻1第A饕蜃」和置信度c)

transaction,buys(X,uK,)Abuys(X,,O,)=5buys(X,UE][s=0.6,c=1]

Vketransaction,buys(X,"E')Abuys(X,"E)=t)uys(X,"K)[s=0.6,c=1]

或也可表示為

K,O-^E[s(support)=0.6或60%,c(confidence)=1或100%]

E,O—>K[s(support)=0.6或60%,c(confidence)=1或100%]

第六章

6.11下表由金員數(shù)據(jù)庫蚓l|練數(shù)據(jù)組成。數(shù)據(jù)已泛化。例如，296“31...35”表示年齡在童~35之間。

對(duì)于給定的行，count表示department,status,age和salary在該行具有給定值的元

departmentstatussalarycount

salessenior31---3546K…50K30

salesjunior26…3026K…30K40

salesjunior31…3531K…35K40

systcmsjunior21--2546K---5OK20

systemssenior31???3566K---7OK5

systemsjunior26---3046K…50K3

systemssenior41…4566K…70K3

marketingsenior36---4O46K---5OKIO

marketingjunior31…3541K---45K4

secretarysenior46---