2025年超星爾雅學(xué)習(xí)通《數(shù)據(jù)挖掘與模式識(shí)別》考試備考題庫(kù)及答案解析就讀院校：________姓名：________考場(chǎng)號(hào)：________考生號(hào)：________一、選擇題1.數(shù)據(jù)挖掘的目標(biāo)是（）A.從大量數(shù)據(jù)中發(fā)現(xiàn)潛在的模式和規(guī)律B.提高數(shù)據(jù)庫(kù)的查詢效率C.增加數(shù)據(jù)庫(kù)的存儲(chǔ)容量D.簡(jiǎn)化數(shù)據(jù)庫(kù)的表結(jié)構(gòu)答案：A解析：數(shù)據(jù)挖掘的核心目標(biāo)是從海量數(shù)據(jù)中提取有價(jià)值的信息，發(fā)現(xiàn)隱藏在數(shù)據(jù)背后的模式和規(guī)律，為決策提供支持。其他選項(xiàng)雖然也是數(shù)據(jù)庫(kù)相關(guān)的任務(wù)，但并非數(shù)據(jù)挖掘的主要目標(biāo)。2.以下哪種方法不屬于監(jiān)督學(xué)習(xí)方法（）A.決策樹B.支持向量機(jī)C.聚類分析D.神經(jīng)網(wǎng)絡(luò)答案：C解析：監(jiān)督學(xué)習(xí)方法需要有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)學(xué)習(xí)輸入和輸出之間的關(guān)系來(lái)預(yù)測(cè)新的數(shù)據(jù)。決策樹、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)都屬于典型的監(jiān)督學(xué)習(xí)方法。而聚類分析是一種無(wú)監(jiān)督學(xué)習(xí)方法，不需要標(biāo)簽數(shù)據(jù)，目的是將數(shù)據(jù)分組。3.在數(shù)據(jù)預(yù)處理中，處理缺失值的方法不包括（）A.刪除含有缺失值的記錄B.使用均值或中位數(shù)填充C.使用回歸方法預(yù)測(cè)缺失值D.將缺失值視為一個(gè)特殊的類別答案：C解析：處理缺失值的方法主要有刪除記錄、均值/中位數(shù)/眾數(shù)填充、使用模型預(yù)測(cè)缺失值（如回歸、KNN等）以及將缺失值視為一個(gè)特殊類別。選項(xiàng)C描述的是使用回歸方法預(yù)測(cè)缺失值，這其實(shí)是可行的方法之一，但題目可能想考察的是其他選項(xiàng)。根據(jù)常見考點(diǎn)，這里可能存在歧義，但從方法分類上講，C是正確的，但若題目意在排除某種特定方法，需進(jìn)一步明確。4.以下哪個(gè)指標(biāo)不是用來(lái)評(píng)估分類模型性能的（）A.準(zhǔn)確率B.精確率C.召回率D.相關(guān)系數(shù)答案：D解析：評(píng)估分類模型性能的主要指標(biāo)包括準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1分?jǐn)?shù)等。相關(guān)系數(shù)是用于衡量?jī)蓚€(gè)變量線性關(guān)系強(qiáng)度的指標(biāo)，主要用于回歸分析或特征之間的相關(guān)性分析，不是分類模型性能的評(píng)估指標(biāo)。5.決策樹算法中，選擇分裂屬性時(shí)常用的方法是（）A.信息增益B.熵C.決策規(guī)則D.相關(guān)系數(shù)答案：A解析：決策樹算法在選擇分裂屬性時(shí)，常用的度量標(biāo)準(zhǔn)是信息增益（InformationGain），它表示在某個(gè)屬性上分裂后，數(shù)據(jù)集不確定性減少的程度。熵（Entropy）是信息增益的計(jì)算基礎(chǔ)，但信息增益更直接地用于選擇分裂屬性。決策規(guī)則和相關(guān)系數(shù)不是決策樹常用的分裂屬性選擇方法。6.聚類分析中，K-means算法的缺點(diǎn)之一是（）A.對(duì)初始聚類中心敏感B.只能處理連續(xù)型數(shù)據(jù)C.計(jì)算復(fù)雜度低D.能處理高維數(shù)據(jù)答案：A解析：K-means算法是一種常用的聚類算法，但其缺點(diǎn)之一是對(duì)初始聚類中心的選取比較敏感，不同的初始中心可能導(dǎo)致不同的聚類結(jié)果。此外，K-means算法主要適用于連續(xù)型數(shù)據(jù)，對(duì)高維數(shù)據(jù)和缺失值處理也有一定的局限性。計(jì)算復(fù)雜度方面，其時(shí)間復(fù)雜度較高，不是計(jì)算復(fù)雜度低的算法。7.在關(guān)聯(lián)規(guī)則挖掘中，支持度表示（）A.規(guī)則的置信度B.項(xiàng)目集在數(shù)據(jù)集中出現(xiàn)的頻率C.規(guī)則的lift值D.規(guī)則的重要性答案：B解析：關(guān)聯(lián)規(guī)則挖掘中的支持度（Support）表示某個(gè)項(xiàng)目集在數(shù)據(jù)集中出現(xiàn)的頻率或比例，是衡量項(xiàng)目集重要性的指標(biāo)。置信度（Confidence）表示包含前提的記錄也包含結(jié)論的記錄的比例。Lift值表示規(guī)則A->B的出現(xiàn)是否獨(dú)立于B，即規(guī)則A->B帶來(lái)的提升程度。重要性通常不是關(guān)聯(lián)規(guī)則挖掘中的標(biāo)準(zhǔn)術(shù)語(yǔ)。8.以下哪種算法屬于貝葉斯分類器（）A.KNNB.樸素貝葉斯C.支持向量機(jī)D.決策樹答案：B解析：貝葉斯分類器是基于貝葉斯定理進(jìn)行分類的算法。樸素貝葉斯（NaiveBayes）是一種基于貝葉斯定理的簡(jiǎn)單概率分類器，其“樸素”在于假設(shè)特征之間相互獨(dú)立。KNN（K-近鄰）是基于實(shí)例的學(xué)習(xí)方法，支持向量機(jī)（SVM）是一種基于間隔的分類方法，決策樹是基于規(guī)則的分類方法。9.在特征選擇中，以下哪種方法不屬于過(guò)濾式方法（）A.相關(guān)性分析B.互信息C.主成分分析D.遞歸特征消除答案：D解析：特征選擇方法可以分為過(guò)濾式（Filter）、包裹式（Wrapper）和嵌入式（Embedded）三類。過(guò)濾式方法在不考慮任何特定模型的情況下，基于統(tǒng)計(jì)指標(biāo)（如相關(guān)性、互信息等）評(píng)估特征的重要性，獨(dú)立于具體的分類或回歸模型。主成分分析（PCA）是一種降維技術(shù)，雖然也涉及特征選擇的思想，但通常歸類為特征提取或降維方法，而非嚴(yán)格意義上的過(guò)濾式特征選擇。包裹式方法（如遞歸特征消除RFE）需要通過(guò)具體的模型來(lái)評(píng)估特征子集的性能，因此不屬于過(guò)濾式方法。10.時(shí)間序列分析的主要目的是（）A.發(fā)現(xiàn)數(shù)據(jù)中的周期性模式B.對(duì)數(shù)據(jù)進(jìn)行分類C.增加數(shù)據(jù)庫(kù)的存儲(chǔ)容量D.簡(jiǎn)化數(shù)據(jù)庫(kù)的表結(jié)構(gòu)答案：A解析：時(shí)間序列分析是統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)中的一個(gè)重要領(lǐng)域，主要用于分析按時(shí)間順序排列的數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)中的趨勢(shì)、季節(jié)性、周期性等模式，并用于預(yù)測(cè)未來(lái)的值。分類是對(duì)數(shù)據(jù)進(jìn)行分組，增加存儲(chǔ)容量和簡(jiǎn)化表結(jié)構(gòu)是數(shù)據(jù)庫(kù)管理任務(wù)，與時(shí)間序列分析的主要目的不符。11.數(shù)據(jù)挖掘過(guò)程中，數(shù)據(jù)預(yù)處理通常位于哪個(gè)階段（）A.模型評(píng)估B.模型訓(xùn)練C.模型選擇D.數(shù)據(jù)準(zhǔn)備答案：D解析：數(shù)據(jù)挖掘是一個(gè)包含多個(gè)步驟的過(guò)程，通常包括數(shù)據(jù)準(zhǔn)備、模型選擇、模型訓(xùn)練、模型評(píng)估等階段。數(shù)據(jù)預(yù)處理是數(shù)據(jù)準(zhǔn)備階段的核心任務(wù)，旨在提高數(shù)據(jù)質(zhì)量，為后續(xù)的模型構(gòu)建奠定基礎(chǔ)。因此，數(shù)據(jù)預(yù)處理位于數(shù)據(jù)準(zhǔn)備階段。12.以下哪種算法不是用于聚類分析的（）A.K-meansB.DBSCANC.層次聚類D.支持向量機(jī)答案：D解析：聚類分析是將數(shù)據(jù)劃分為若干個(gè)組（簇），使得組內(nèi)數(shù)據(jù)相似度高，組間數(shù)據(jù)相似度低。K-means、DBSCAN和層次聚類都是常用的聚類算法。支持向量機(jī)（SVM）是一種主要用于分類和回歸的監(jiān)督學(xué)習(xí)算法，不是聚類分析算法。13.在關(guān)聯(lián)規(guī)則挖掘中，置信度表示（）A.項(xiàng)目集在數(shù)據(jù)集中出現(xiàn)的頻率B.規(guī)則的Lift值C.包含前提的記錄也包含結(jié)論的記錄的比例D.規(guī)則的重要性答案：C解析：關(guān)聯(lián)規(guī)則挖掘中的置信度（Confidence）是指包含前提（A）的記錄中，同時(shí)包含結(jié)論（B）的記錄所占的比例，即P(B|A)。它衡量了規(guī)則A->B的可靠性。支持度是項(xiàng)目集出現(xiàn)的頻率，Lift值衡量了規(guī)則A->B相對(duì)于B的獨(dú)立性或關(guān)聯(lián)強(qiáng)度，重要性不是關(guān)聯(lián)規(guī)則的標(biāo)準(zhǔn)度量。14.以下哪種方法不屬于降維技術(shù)（）A.主成分分析B.因子分析C.決策樹D.線性判別分析答案：C解析：降維技術(shù)旨在減少數(shù)據(jù)的特征數(shù)量，同時(shí)保留盡可能多的原始信息。主成分分析（PCA）、因子分析（FactorAnalysis）和線性判別分析（LDA）都是常見的降維技術(shù)。決策樹是一種分類和回歸方法，雖然它可以在構(gòu)建過(guò)程中選擇重要的特征，但其主要目的不是降維，而是構(gòu)建預(yù)測(cè)模型。15.在特征選擇中，以下哪種方法屬于包裹式方法（）A.相關(guān)性分析B.互信息C.遞歸特征消除D.主成分分析答案：C解析：特征選擇方法分為過(guò)濾式（Filter）、包裹式（Wrapper）和嵌入式（Embedded）。過(guò)濾式方法獨(dú)立于模型評(píng)估特征重要性（如相關(guān)性、互信息），包裹式方法通過(guò)結(jié)合特定模型評(píng)估不同特征子集的性能來(lái)選擇特征（如遞歸特征消除RFE），嵌入式方法在模型訓(xùn)練過(guò)程中自動(dòng)進(jìn)行特征選擇（如LASSO）。因此，遞歸特征消除屬于包裹式方法。16.決策樹算法中，用于衡量分裂前后數(shù)據(jù)不確定性減少程度的指標(biāo)是（）A.熵B.信息增益率C.基尼不純度D.信息增益答案：D解析：決策樹算法在選擇分裂屬性時(shí)，需要評(píng)估分裂帶來(lái)的信息增益。信息增益（InformationGain）是基于熵（Entropy）計(jì)算的，表示分裂前后數(shù)據(jù)不確定性（熵）的減少量。信息增益率（InformationGainRatio）是信息增益除以屬性自身的熵，用于克服信息增益偏向選擇具有更多值的屬性的缺點(diǎn)?；岵患兌龋℅iniImpurity）是另一種常用的分裂標(biāo)準(zhǔn)。雖然熵是計(jì)算信息增益的基礎(chǔ)，但信息增益更直接地衡量了分裂對(duì)不確定性的降低程度，是選擇分裂屬性的直接依據(jù)。17.聚類分析中，層次聚類算法的優(yōu)點(diǎn)是（）A.計(jì)算效率高B.對(duì)噪聲不敏感C.可以得到樹狀圖結(jié)構(gòu)D.能處理大規(guī)模數(shù)據(jù)答案：C解析：層次聚類（HierarchicalClustering）算法通過(guò)構(gòu)建樹狀圖（Dendrogram）來(lái)表示數(shù)據(jù)點(diǎn)的層次關(guān)系，這是其顯著優(yōu)點(diǎn)。然而，其計(jì)算復(fù)雜度較高（通常是O(n^2)或O(n^3)），對(duì)初始聚類中心不敏感（與K-means不同），且不適合處理大規(guī)模數(shù)據(jù)集。計(jì)算效率高和能處理大規(guī)模數(shù)據(jù)通常不是層次聚類的優(yōu)點(diǎn)。18.在時(shí)間序列分析中，移動(dòng)平均法主要用于（）A.趨勢(shì)預(yù)測(cè)B.檢測(cè)異常值C.平滑數(shù)據(jù)D.季節(jié)性分解答案：C解析：移動(dòng)平均法（MovingAverage,MA）是一種簡(jiǎn)單的時(shí)間序列平滑技術(shù)。它通過(guò)計(jì)算近期數(shù)據(jù)的平均值來(lái)平滑短期波動(dòng)，從而揭示數(shù)據(jù)的主要趨勢(shì)。雖然移動(dòng)平均法也可以間接幫助檢測(cè)異常值（異常值會(huì)使移動(dòng)平均值產(chǎn)生較大偏差），但其主要目的是平滑數(shù)據(jù)。趨勢(shì)預(yù)測(cè)通常需要更復(fù)雜的模型（如ARIMA），季節(jié)性分解則需要專門的算法（如STL分解）。19.以下哪個(gè)指標(biāo)不是用來(lái)評(píng)估回歸模型性能的（）A.決定系數(shù)B.均方誤差C.相關(guān)系數(shù)D.準(zhǔn)確率答案：D解析：評(píng)估回歸模型性能的主要指標(biāo)包括決定系數(shù)（R-squared或R^2）、均方誤差（MeanSquaredError,MSE）、平均絕對(duì)誤差（MeanAbsoluteError,MAE）等，這些指標(biāo)衡量預(yù)測(cè)值與真實(shí)值之間的接近程度。相關(guān)系數(shù)（CorrelationCoefficient）是衡量?jī)蓚€(gè)變量線性相關(guān)強(qiáng)度的指標(biāo)，雖然它與回歸有關(guān)，但不是直接用于評(píng)估回歸模型擬合優(yōu)度的標(biāo)準(zhǔn)指標(biāo)。準(zhǔn)確率（Accuracy）是分類模型常用的指標(biāo)，不適用于回歸模型。20.貝葉斯分類器假設(shè)特征之間相互獨(dú)立，這個(gè)假設(shè)被稱為（）A.貝葉斯假設(shè)B.條件獨(dú)立性假設(shè)C.樸素假設(shè)D.線性假設(shè)答案：C解析：樸素貝葉斯分類器（NaiveBayesClassifier）在計(jì)算條件概率P(標(biāo)簽|特征)時(shí)，假設(shè)所有特征之間相互獨(dú)立，即假設(shè)特征之間是條件獨(dú)立的。這個(gè)強(qiáng)獨(dú)立性假設(shè)被稱為“樸素”假設(shè)，是樸素貝葉斯名字的由來(lái)。雖然在實(shí)際應(yīng)用中這個(gè)假設(shè)往往不成立，但樸素貝葉斯算法在許多實(shí)際問(wèn)題中表現(xiàn)良好。二、多選題1.數(shù)據(jù)預(yù)處理的主要任務(wù)包括（）A.數(shù)據(jù)清洗B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.特征工程E.模型訓(xùn)練答案：ABC解析：數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘流程中的關(guān)鍵步驟，旨在提高數(shù)據(jù)的質(zhì)量和可用性，為后續(xù)的數(shù)據(jù)分析和模型構(gòu)建做好準(zhǔn)備。其主要任務(wù)包括數(shù)據(jù)清洗（處理缺失值、噪聲、異常值等）、數(shù)據(jù)集成（合并來(lái)自不同數(shù)據(jù)源的數(shù)據(jù)）、數(shù)據(jù)變換（將數(shù)據(jù)轉(zhuǎn)換成適合挖掘的形式，如歸一化、標(biāo)準(zhǔn)化、離散化等）以及數(shù)據(jù)規(guī)約（減少數(shù)據(jù)規(guī)模）。特征工程雖然與特征選擇、特征提取等相關(guān)，有時(shí)也被視為廣義數(shù)據(jù)預(yù)處理的一部分，但其本身更側(cè)重于創(chuàng)造新的、更有信息的特征。模型訓(xùn)練是數(shù)據(jù)挖掘流程中應(yīng)用預(yù)處理后數(shù)據(jù)構(gòu)建模型的階段，不屬于預(yù)處理任務(wù)。因此，數(shù)據(jù)清洗、數(shù)據(jù)集成和數(shù)據(jù)變換是數(shù)據(jù)預(yù)處理的核心任務(wù)。2.以下哪些屬于監(jiān)督學(xué)習(xí)方法（）A.決策樹B.支持向量機(jī)C.K近鄰D.神經(jīng)網(wǎng)絡(luò)E.聚類分析答案：ABCD解析：監(jiān)督學(xué)習(xí)算法需要使用帶有標(biāo)簽（監(jiān)督）的訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)輸入和輸出之間的映射關(guān)系，從而能夠?qū)π碌?、未見過(guò)的數(shù)據(jù)進(jìn)行預(yù)測(cè)或分類。決策樹（A）、支持向量機(jī)（B）、K近鄰（C）、神經(jīng)網(wǎng)絡(luò)（D）都是典型的監(jiān)督學(xué)習(xí)算法，它們通過(guò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)的標(biāo)簽來(lái)做出預(yù)測(cè)。聚類分析（E）是一種無(wú)監(jiān)督學(xué)習(xí)方法，其目的是將數(shù)據(jù)點(diǎn)分組，不需要預(yù)先的標(biāo)簽信息。因此，A、B、C、D都屬于監(jiān)督學(xué)習(xí)方法。3.在關(guān)聯(lián)規(guī)則挖掘中，評(píng)價(jià)一個(gè)規(guī)則A->B好壞的指標(biāo)通常有（）A.支持度B.置信度C.Lift值D.卡方檢驗(yàn)E.基尼系數(shù)答案：ABC解析：在關(guān)聯(lián)規(guī)則挖掘（如Apriori算法）中，通常使用三個(gè)主要指標(biāo)來(lái)評(píng)價(jià)一個(gè)規(guī)則（如A->B）的有趣性或好壞：支持度（A）、置信度（B）和提升度（C）。支持度衡量規(guī)則A->B在整個(gè)數(shù)據(jù)集中出現(xiàn)的頻率，置信度衡量包含A的記錄中同時(shí)包含B的比例，提升度衡量規(guī)則A->B相對(duì)于B本身獨(dú)立出現(xiàn)的強(qiáng)度。卡方檢驗(yàn)（D）有時(shí)用于在生成頻繁項(xiàng)集時(shí)進(jìn)行剪枝，以減少后續(xù)計(jì)算，它不是評(píng)價(jià)單個(gè)規(guī)則好壞的指標(biāo)?；嵯禂?shù)（E）是分類問(wèn)題中衡量不純度的一個(gè)指標(biāo)，主要用于決策樹等分類算法。因此，評(píng)價(jià)關(guān)聯(lián)規(guī)則好壞的主要指標(biāo)是支持度、置信度和提升度。4.以下哪些屬于無(wú)監(jiān)督學(xué)習(xí)方法（）A.K-means聚類B.DBSCAN聚類C.層次聚類D.主成分分析E.支持向量機(jī)答案：ABCD解析：無(wú)監(jiān)督學(xué)習(xí)算法處理沒有標(biāo)簽（非監(jiān)督）的數(shù)據(jù)，旨在發(fā)現(xiàn)數(shù)據(jù)中隱藏的結(jié)構(gòu)、模式或關(guān)系。K-means聚類（A）、DBSCAN聚類（B）、層次聚類（C）都是常用的聚類算法，屬于無(wú)監(jiān)督學(xué)習(xí)。主成分分析（D）是一種降維技術(shù)，它尋找數(shù)據(jù)的主要變異方向，減少數(shù)據(jù)的維度，同時(shí)保留大部分信息，也屬于無(wú)監(jiān)督學(xué)習(xí)范疇。支持向量機(jī)（E）是一種典型的監(jiān)督學(xué)習(xí)算法，需要標(biāo)簽數(shù)據(jù)來(lái)訓(xùn)練模型進(jìn)行分類或回歸。因此，A、B、C、D都是無(wú)監(jiān)督學(xué)習(xí)方法。5.數(shù)據(jù)預(yù)處理中處理缺失值的方法主要有（）A.刪除含有缺失值的記錄B.使用均值或中位數(shù)填充C.使用眾數(shù)填充D.使用回歸方法預(yù)測(cè)缺失值E.將缺失值視為一個(gè)特殊的類別答案：ABCDE解析：處理數(shù)據(jù)集中缺失值的常用方法有多種，主要包括：刪除含有缺失值的記錄（列表刪除法）；使用全局統(tǒng)計(jì)值（如均值、中位數(shù)、眾數(shù)）填充缺失值；使用模型（如回歸、K近鄰、基于插值的統(tǒng)計(jì)模型）預(yù)測(cè)缺失值；將缺失值本身作為一個(gè)特殊的取值類別處理（尤其是在分類問(wèn)題中）。因此，A、B、C、D、E都是處理缺失值的有效方法。6.評(píng)估分類模型性能的指標(biāo)通常有（）A.準(zhǔn)確率B.精確率C.召回率D.F1分?jǐn)?shù)E.均方誤差答案：ABCD解析：評(píng)估分類模型性能的常用指標(biāo)包括總體性能指標(biāo)（如準(zhǔn)確率）和針對(duì)特定類別或問(wèn)題的指標(biāo)。準(zhǔn)確率（A）表示分類正確的樣本占總樣本的比例。精確率（B）表示被模型預(yù)測(cè)為正類的樣本中，實(shí)際為正類的比例。召回率（C）表示實(shí)際為正類的樣本中，被模型正確預(yù)測(cè)為正類的比例。F1分?jǐn)?shù)（D）是精確率和召回率的調(diào)和平均數(shù)，綜合考慮了兩者的表現(xiàn)。均方誤差（E）是回歸模型評(píng)估中常用的指標(biāo)，用于衡量預(yù)測(cè)值與真實(shí)值之間的平均平方差，不適用于分類模型的評(píng)估。因此，準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)是評(píng)估分類模型性能的常用指標(biāo)。7.決策樹算法的優(yōu)點(diǎn)包括（）A.易于理解和解釋B.對(duì)數(shù)據(jù)預(yù)處理要求不高C.可以處理混合類型的數(shù)據(jù)D.不易受噪聲數(shù)據(jù)影響E.計(jì)算效率高答案：ABC解析：決策樹算法的優(yōu)點(diǎn)主要有：模型表示直觀，易于理解和解釋（A）；能夠處理混合類型的數(shù)據(jù)（數(shù)值型和類別型），無(wú)需進(jìn)行復(fù)雜的預(yù)處理（C）；對(duì)數(shù)據(jù)分布的假設(shè)較少，對(duì)數(shù)據(jù)預(yù)處理的要求相對(duì)不高（B）。然而，決策樹算法也有其缺點(diǎn)，比如容易過(guò)擬合（D選項(xiàng)錯(cuò)誤，因?yàn)樗鼘?shí)際上容易過(guò)擬合）、對(duì)噪聲數(shù)據(jù)敏感、并且計(jì)算復(fù)雜度可能較高（尤其是構(gòu)建大的樹時(shí)），不一定是計(jì)算效率高的算法（E選項(xiàng)錯(cuò)誤）。因此，易于理解和解釋、對(duì)數(shù)據(jù)預(yù)處理要求不高、可以處理混合類型的數(shù)據(jù)是其主要優(yōu)點(diǎn)。8.關(guān)聯(lián)規(guī)則挖掘中，生成頻繁項(xiàng)集的方法通常采用（）A.Apriori算法B.FP-Growth算法C.Eclat算法D.序列模式挖掘E.決策樹歸納答案：ABC解析：關(guān)聯(lián)規(guī)則挖掘的首要步驟是找出數(shù)據(jù)中頻繁出現(xiàn)的項(xiàng)集（滿足最小支持度閾值的項(xiàng)集）。生成這些頻繁項(xiàng)集的常用算法主要有：Apriori算法（A），它基于反項(xiàng)集性質(zhì)，采用逐層搜索的方法；FP-Growth算法（B），它利用頻繁模式樹（FP-Tree）來(lái)高效地挖掘頻繁項(xiàng)集，避免多次掃描數(shù)據(jù)庫(kù)；Eclat算法（C），它采用基于閉鏈的性質(zhì)進(jìn)行高效挖掘。序列模式挖掘（D）是挖掘數(shù)據(jù)項(xiàng)序列中頻繁出現(xiàn)的序列模式，與生成頻繁項(xiàng)集不同。決策樹歸納（E）是分類算法。因此，Apriori、FP-Growth和Eclat是生成頻繁項(xiàng)集的常用方法。9.聚類分析中，衡量聚類效果的評(píng)價(jià)指標(biāo)可以是（）A.輪廓系數(shù)B.DB指數(shù)C.誤差平方和（SSE）D.相關(guān)系數(shù)E.調(diào)整蘭德指數(shù)（ARI）答案：ABCE解析：評(píng)價(jià)聚類分析結(jié)果好壞的指標(biāo)有很多，主要分為內(nèi)部評(píng)價(jià)指標(biāo)（基于簇內(nèi)和簇間距離或分布）和外部評(píng)價(jià)指標(biāo)（當(dāng)有真實(shí)標(biāo)簽時(shí)使用）。內(nèi)部指標(biāo)中，輪廓系數(shù)（A）綜合考慮了簇內(nèi)緊密度和簇間分離度，是常用的內(nèi)部評(píng)價(jià)指標(biāo)。DB指數(shù)（B）衡量簇的緊密度和分離度，也是常用的內(nèi)部指標(biāo)。誤差平方和（SSE）（C）是K-means算法中使用的目標(biāo)函數(shù)，其值越小通常表示聚類效果越好，可以作為一種評(píng)價(jià)標(biāo)準(zhǔn)，盡管它更像是算法的優(yōu)化目標(biāo)而非獨(dú)立的聚類效果度量。調(diào)整蘭德指數(shù)（ARI）（E）是一種常用的外部評(píng)價(jià)指標(biāo)，用于評(píng)估聚類結(jié)果與真實(shí)類別標(biāo)簽的一致性。相關(guān)系數(shù)（D）主要用于衡量?jī)蓚€(gè)變量之間的線性關(guān)系強(qiáng)度，不是評(píng)價(jià)聚類效果的標(biāo)準(zhǔn)指標(biāo)。因此，輪廓系數(shù)、DB指數(shù)、SSE（作為評(píng)價(jià)標(biāo)準(zhǔn)時(shí)）和調(diào)整蘭德指數(shù)都可以用來(lái)衡量聚類效果。10.時(shí)間序列分析中，常用的模型包括（）A.AR模型B.MA模型C.ARIMA模型D.指數(shù)平滑模型E.線性回歸模型答案：ABCD解析：時(shí)間序列分析旨在分析時(shí)間序列數(shù)據(jù)的統(tǒng)計(jì)特性和進(jìn)行預(yù)測(cè)。常用的模型包括：自回歸（AR）模型（A），它假設(shè)當(dāng)前值依賴于過(guò)去值；移動(dòng)平均（MA）模型（B），它假設(shè)當(dāng)前值依賴于過(guò)去的誤差；自回歸移動(dòng)平均（ARIMA）模型（C），它是AR模型和MA模型的組合，并允許包含差分以處理非平穩(wěn)性；指數(shù)平滑模型（D），如簡(jiǎn)單指數(shù)平滑、霍爾特線性趨勢(shì)模型、霍爾特-溫特斯季節(jié)性模型，它們?yōu)榻谟^測(cè)賦予更大的權(quán)重；線性回歸模型（E）雖然可以用于時(shí)間序列數(shù)據(jù)的擬合，但它通常不直接考慮時(shí)間序列的滯后依賴結(jié)構(gòu)（除非顯式引入滯后變量），因此在時(shí)間序列分析中不是最核心或最常用的模型，尤其是在處理自相關(guān)性時(shí)。因此，AR模型、MA模型、ARIMA模型和指數(shù)平滑模型是時(shí)間序列分析中常用的模型。11.數(shù)據(jù)預(yù)處理的主要任務(wù)包括（）A.數(shù)據(jù)清洗B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.特征工程E.模型訓(xùn)練答案：ABC解析：數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘流程中的關(guān)鍵步驟，旨在提高數(shù)據(jù)的質(zhì)量和可用性，為后續(xù)的數(shù)據(jù)分析和模型構(gòu)建做好準(zhǔn)備。其主要任務(wù)包括數(shù)據(jù)清洗（處理缺失值、噪聲、異常值等）、數(shù)據(jù)集成（合并來(lái)自不同數(shù)據(jù)源的數(shù)據(jù)）、數(shù)據(jù)變換（將數(shù)據(jù)轉(zhuǎn)換成適合挖掘的形式，如歸一化、標(biāo)準(zhǔn)化、離散化等）以及數(shù)據(jù)規(guī)約（減少數(shù)據(jù)規(guī)模）。特征工程雖然與特征選擇、特征提取等相關(guān)，有時(shí)也被視為廣義數(shù)據(jù)預(yù)處理的一部分，但其本身更側(cè)重于創(chuàng)造新的、更有信息的特征。模型訓(xùn)練是數(shù)據(jù)挖掘流程中應(yīng)用預(yù)處理后數(shù)據(jù)構(gòu)建模型的階段，不屬于預(yù)處理任務(wù)。因此，數(shù)據(jù)清洗、數(shù)據(jù)集成和數(shù)據(jù)變換是數(shù)據(jù)預(yù)處理的核心任務(wù)。12.以下哪些屬于監(jiān)督學(xué)習(xí)方法（）A.決策樹B.支持向量機(jī)C.K近鄰D.神經(jīng)網(wǎng)絡(luò)E.聚類分析答案：ABCD解析：監(jiān)督學(xué)習(xí)算法需要使用帶有標(biāo)簽（監(jiān)督）的訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)輸入和輸出之間的映射關(guān)系，從而能夠?qū)π碌?、未見過(guò)的數(shù)據(jù)進(jìn)行預(yù)測(cè)或分類。決策樹（A）、支持向量機(jī)（B）、K近鄰（C）、神經(jīng)網(wǎng)絡(luò)（D）都是典型的監(jiān)督學(xué)習(xí)算法，它們通過(guò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)的標(biāo)簽來(lái)做出預(yù)測(cè)。聚類分析（E）是一種無(wú)監(jiān)督學(xué)習(xí)方法，其目的是將數(shù)據(jù)點(diǎn)分組，不需要預(yù)先的標(biāo)簽信息。因此，A、B、C、D都屬于監(jiān)督學(xué)習(xí)方法。13.在關(guān)聯(lián)規(guī)則挖掘中，評(píng)價(jià)一個(gè)規(guī)則A->B好壞的指標(biāo)通常有（）A.支持度B.置信度C.Lift值D.卡方檢驗(yàn)E.基尼系數(shù)答案：ABC解析：在關(guān)聯(lián)規(guī)則挖掘（如Apriori算法）中，通常使用三個(gè)主要指標(biāo)來(lái)評(píng)價(jià)一個(gè)規(guī)則（如A->B）的有趣性或好壞：支持度（A）、置信度（B）和提升度（C）。支持度衡量規(guī)則A->B在整個(gè)數(shù)據(jù)集中出現(xiàn)的頻率，置信度衡量包含A的記錄中同時(shí)包含B的比例，提升度衡量規(guī)則A->B相對(duì)于B本身獨(dú)立出現(xiàn)的強(qiáng)度?？ǚ綑z驗(yàn)（D）有時(shí)用于在生成頻繁項(xiàng)集時(shí)進(jìn)行剪枝，以減少后續(xù)計(jì)算，它不是評(píng)價(jià)單個(gè)規(guī)則好壞的指標(biāo)?；嵯禂?shù)（E）是分類問(wèn)題中衡量不純度的一個(gè)指標(biāo)，主要用于決策樹等分類算法。因此，評(píng)價(jià)關(guān)聯(lián)規(guī)則好壞的主要指標(biāo)是支持度、置信度和提升度。14.以下哪些屬于無(wú)監(jiān)督學(xué)習(xí)方法（）A.K-means聚類B.DBSCAN聚類C.層次聚類D.主成分分析E.支持向量機(jī)答案：ABCD解析：無(wú)監(jiān)督學(xué)習(xí)算法處理沒有標(biāo)簽（非監(jiān)督）的數(shù)據(jù)，旨在發(fā)現(xiàn)數(shù)據(jù)中隱藏的結(jié)構(gòu)、模式或關(guān)系。K-means聚類（A）、DBSCAN聚類（B）、層次聚類（C）都是常用的聚類算法，屬于無(wú)監(jiān)督學(xué)習(xí)。主成分分析（D）是一種降維技術(shù)，它尋找數(shù)據(jù)的主要變異方向，減少數(shù)據(jù)的維度，同時(shí)保留大部分信息，也屬于無(wú)監(jiān)督學(xué)習(xí)范疇。支持向量機(jī)（E）是一種典型的監(jiān)督學(xué)習(xí)算法，需要標(biāo)簽數(shù)據(jù)來(lái)訓(xùn)練模型進(jìn)行分類或回歸。因此，A、B、C、D都是無(wú)監(jiān)督學(xué)習(xí)方法。15.數(shù)據(jù)預(yù)處理中處理缺失值的方法主要有（）A.刪除含有缺失值的記錄B.使用均值或中位數(shù)填充C.使用眾數(shù)填充D.使用回歸方法預(yù)測(cè)缺失值E.將缺失值視為一個(gè)特殊的類別答案：ABCDE解析：處理數(shù)據(jù)集中缺失值的常用方法有多種，主要包括：刪除含有缺失值的記錄（列表刪除法）；使用全局統(tǒng)計(jì)值（如均值、中位數(shù)、眾數(shù)）填充缺失值；使用模型（如回歸、K近鄰、基于插值的統(tǒng)計(jì)模型）預(yù)測(cè)缺失值；將缺失值本身作為一個(gè)特殊的取值類別處理（尤其是在分類問(wèn)題中）。因此，A、B、C、D、E都是處理缺失值的有效方法。16.評(píng)估分類模型性能的指標(biāo)通常有（）A.準(zhǔn)確率B.精確率C.召回率D.F1分?jǐn)?shù)E.均方誤差答案：ABCD解析：評(píng)估分類模型性能的常用指標(biāo)包括總體性能指標(biāo)（如準(zhǔn)確率）和針對(duì)特定類別或問(wèn)題的指標(biāo)。準(zhǔn)確率（A）表示分類正確的樣本占總樣本的比例。精確率（B）表示被模型預(yù)測(cè)為正類的樣本中，實(shí)際為正類的比例。召回率（C）表示實(shí)際為正類的樣本中，被模型正確預(yù)測(cè)為正類的比例。F1分?jǐn)?shù)（D）是精確率和召回率的調(diào)和平均數(shù)，綜合考慮了兩者的表現(xiàn)。均方誤差（E）是回歸模型評(píng)估中常用的指標(biāo)，用于衡量預(yù)測(cè)值與真實(shí)值之間的平均平方差，不適用于分類模型的評(píng)估。因此，準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)是評(píng)估分類模型性能的常用指標(biāo)。17.決策樹算法的優(yōu)點(diǎn)包括（）A.易于理解和解釋B.對(duì)數(shù)據(jù)預(yù)處理要求不高C.可以處理混合類型的數(shù)據(jù)D.不易受噪聲數(shù)據(jù)影響E.計(jì)算效率高答案：ABC解析：決策樹算法的優(yōu)點(diǎn)主要有：模型表示直觀，易于理解和解釋（A）；能夠處理混合類型的數(shù)據(jù)（數(shù)值型和類別型），無(wú)需進(jìn)行復(fù)雜的預(yù)處理（C）；對(duì)數(shù)據(jù)分布的假設(shè)較少，對(duì)數(shù)據(jù)預(yù)處理的要求相對(duì)不高（B）。然而，決策樹算法也有其缺點(diǎn)，比如容易過(guò)擬合（D選項(xiàng)錯(cuò)誤，因?yàn)樗鼘?shí)際上容易過(guò)擬合）、對(duì)噪聲數(shù)據(jù)敏感、并且計(jì)算復(fù)雜度可能較高（尤其是構(gòu)建大的樹時(shí)），不一定是計(jì)算效率高的算法（E選項(xiàng)錯(cuò)誤）。因此，易于理解和解釋、對(duì)數(shù)據(jù)預(yù)處理要求不高、可以處理混合類型的數(shù)據(jù)是其主要優(yōu)點(diǎn)。18.關(guān)聯(lián)規(guī)則挖掘中，生成頻繁項(xiàng)集的方法通常采用（）A.Apriori算法B.FP-Growth算法C.Eclat算法D.序列模式挖掘E.決策樹歸納答案：ABC解析：關(guān)聯(lián)規(guī)則挖掘的首要步驟是找出數(shù)據(jù)中頻繁出現(xiàn)的項(xiàng)集（滿足最小支持度閾值的項(xiàng)集）。生成這些頻繁項(xiàng)集的常用算法主要有：Apriori算法（A），它基于反項(xiàng)集性質(zhì)，采用逐層搜索的方法；FP-Growth算法（B），它利用頻繁模式樹（FP-Tree）來(lái)高效地挖掘頻繁項(xiàng)集，避免多次掃描數(shù)據(jù)庫(kù)；Eclat算法（C），它采用基于閉鏈的性質(zhì)進(jìn)行高效挖掘。序列模式挖掘（D）是挖掘數(shù)據(jù)項(xiàng)序列中頻繁出現(xiàn)的序列模式，與生成頻繁項(xiàng)集不同。決策樹歸納（E）是分類算法。因此，Apriori、FP-Growth和Eclat是生成頻繁項(xiàng)集的常用方法。19.聚類分析中，衡量聚類效果的評(píng)價(jià)指標(biāo)可以是（）A.輪廓系數(shù)B.DB指數(shù)C.誤差平方和（SSE）D.相關(guān)系數(shù)E.調(diào)整蘭德指數(shù)（ARI）答案：ABCE解析：評(píng)價(jià)聚類分析結(jié)果好壞的指標(biāo)有很多，主要分為內(nèi)部評(píng)價(jià)指標(biāo)（基于簇內(nèi)和簇間距離或分布）和外部評(píng)價(jià)指標(biāo)（當(dāng)有真實(shí)標(biāo)簽時(shí)使用）。內(nèi)部指標(biāo)中，輪廓系數(shù)（A）綜合考慮了簇內(nèi)緊密度和簇間分離度，是常用的內(nèi)部評(píng)價(jià)指標(biāo)。DB指數(shù)（B）衡量簇的緊密度和分離度，也是常用的內(nèi)部指標(biāo)。誤差平方和（SSE）（C）是K-means算法中使用的目標(biāo)函數(shù)，其值越小通常表示聚類效果越好，可以作為一種評(píng)價(jià)標(biāo)準(zhǔn)而非獨(dú)立的聚類效果度量。調(diào)整蘭德指數(shù)（ARI）（E）是一種常用的外部評(píng)價(jià)指標(biāo)，用于評(píng)估聚類結(jié)果與真實(shí)類別標(biāo)簽的一致性。相關(guān)系數(shù)（D）主要用于衡量?jī)蓚€(gè)變量之間的線性關(guān)系強(qiáng)度，不是評(píng)價(jià)聚類效果的標(biāo)準(zhǔn)指標(biāo)。因此，輪廓系數(shù)、DB指數(shù)、SSE（作為評(píng)價(jià)標(biāo)準(zhǔn)時(shí)）和調(diào)整蘭德指數(shù)都可以用來(lái)衡量聚類效果。20.時(shí)間序列分析中，常用的模型包括（）A.AR模型B.MA模型C.ARIMA模型D.指數(shù)平滑模型E.線性回歸模型答案：ABCD解析：時(shí)間序列分析旨在分析時(shí)間序列數(shù)據(jù)的統(tǒng)計(jì)特性和進(jìn)行預(yù)測(cè)。常用的模型包括：自回歸（AR）模型（A），它假設(shè)當(dāng)前值依賴于過(guò)去值；移動(dòng)平均（MA）模型（B），它假設(shè)當(dāng)前值依賴于過(guò)去的誤差；自回歸移動(dòng)平均（ARIMA）模型（C），它是AR模型和MA模型的組合，并允許包含差分以處理非平穩(wěn)性；指數(shù)平滑模型（D），如簡(jiǎn)單指數(shù)平滑、霍爾特線性趨勢(shì)模型、霍爾特-溫特斯季節(jié)性模型，它們?yōu)榻谟^測(cè)賦予更大的權(quán)重；線性回歸模型（E）雖然可以用于時(shí)間序列數(shù)據(jù)的擬合，但它通常不直接考慮時(shí)間序列的滯后依賴結(jié)構(gòu)（除非顯式引入滯后變量），因此在時(shí)間序列分析中不是最核心或最常用的模型，尤其是在處理自相關(guān)性時(shí)。因此，AR模型、MA模型、ARIMA模型和指數(shù)平滑模型是時(shí)間序列分析中常用的模型。三、判斷題1.數(shù)據(jù)挖掘的目標(biāo)是從大量數(shù)據(jù)中發(fā)現(xiàn)潛在的模式和規(guī)律，而模式識(shí)別的目標(biāo)是將輸入數(shù)據(jù)映射到特定的類別。（）答案：正確解析：數(shù)據(jù)挖掘和模式識(shí)別都是利用計(jì)算技術(shù)從數(shù)據(jù)中提取信息的過(guò)程，但側(cè)重點(diǎn)不同。數(shù)據(jù)挖掘更側(cè)重于發(fā)現(xiàn)隱藏在數(shù)據(jù)中的未知模式、關(guān)聯(lián)和趨勢(shì)，其目標(biāo)通常是探索性的，旨在理解數(shù)據(jù)背后的現(xiàn)象。模式識(shí)別則更側(cè)重于對(duì)輸入數(shù)據(jù)進(jìn)行分類或識(shí)別，將其歸入預(yù)定義的類別中，其目標(biāo)通常是預(yù)測(cè)性的或分類性的。因此，數(shù)據(jù)挖掘發(fā)現(xiàn)模式，模式識(shí)別進(jìn)行分類，這種描述是符合它們各自核心目標(biāo)的。題目表述正確。2.缺失值處理中，刪除含有缺失值的記錄是一種簡(jiǎn)單但不一定有效的方法，尤其當(dāng)缺失數(shù)據(jù)較多時(shí)。（）答案：正確解析：刪除含有缺失值的記錄（列表刪除法）確實(shí)是一種簡(jiǎn)單易行的處理方法，但它會(huì)導(dǎo)致數(shù)據(jù)量的減少，如果缺失數(shù)據(jù)比例較高，可能會(huì)造成大量信息丟失，影響分析結(jié)果的準(zhǔn)確性和模型的泛化能力。此外，如果缺失不是隨機(jī)發(fā)生的，刪除記錄可能會(huì)導(dǎo)致樣本選擇偏差。因此，這種方法雖然簡(jiǎn)單，但在缺失數(shù)據(jù)較多或缺失機(jī)制復(fù)雜時(shí)，不一定是最有效或最優(yōu)的選擇。題目表述正確。3.決策樹算法在處理高維數(shù)據(jù)時(shí)，性能會(huì)顯著下降，這主要是因?yàn)榫S度災(zāi)難的影響。（）答案：錯(cuò)誤解析：決策樹算法本身在處理高維數(shù)據(jù)時(shí)，并不一定會(huì)像某些算法（如K近鄰）那樣受到維度災(zāi)難的嚴(yán)重影響。雖然過(guò)多的特征可能會(huì)引入噪聲，降低決策樹的泛化能力，但決策樹通過(guò)遞歸地選擇最優(yōu)特征進(jìn)行分裂，能夠相對(duì)有效地處理高維數(shù)據(jù)，并且不需要像K近鄰那樣計(jì)算所有數(shù)據(jù)點(diǎn)之間的距離。因此，說(shuō)決策樹在處理高維數(shù)據(jù)時(shí)性能會(huì)“顯著下降”是不準(zhǔn)確的，或者說(shuō)其下降程度遠(yuǎn)小于維度災(zāi)難對(duì)某些算法的影響。題目表述錯(cuò)誤。4.關(guān)聯(lián)規(guī)則挖掘中，支持度表示一個(gè)項(xiàng)集在所有交易中出現(xiàn)的頻率。（）答案：正確解析：關(guān)聯(lián)規(guī)則挖掘中的支持度（Support）是用來(lái)衡量一個(gè)項(xiàng)目集（項(xiàng)集）在數(shù)據(jù)集中出現(xiàn)的頻繁程度。具體來(lái)說(shuō)，一個(gè)項(xiàng)集的支持度等于包含該項(xiàng)集的交易數(shù)占所有交易總數(shù)的比例。例如，項(xiàng)集{A,B}的支持度就是同時(shí)包含A和B的交易在總交易中的百分比。因此，支持度確實(shí)表示了一個(gè)項(xiàng)集在所有交易中出現(xiàn)的頻率。題目表述正確。5.K-means聚類算法需要預(yù)先指定簇的數(shù)量K，并且對(duì)初始聚類中心的選取比較敏感。（）答案：正確解析：K-means聚類算法的一個(gè)關(guān)鍵步驟是確定簇的數(shù)量K。選擇合適的K值對(duì)聚類結(jié)果有顯著影響，通常需要根據(jù)實(shí)際情況或使用一些啟發(fā)式方法（如肘部法則）來(lái)確定。此外，K-means算法屬于迭代算法，其最終得到的簇的劃分結(jié)果可能會(huì)受到初始聚類中心選取的影響，不同的初始中心可能導(dǎo)致收斂到不同的局部最優(yōu)解。題目表述正確。6.評(píng)價(jià)分類模型性能時(shí)，準(zhǔn)確率高的模型一定比準(zhǔn)確率低的模型更好。（）答案：錯(cuò)誤解析：分類模型的評(píng)價(jià)不能僅僅看準(zhǔn)確率。雖然準(zhǔn)確率是一個(gè)重要的指標(biāo)，但它不能完全反映模型的性能，尤其是在數(shù)據(jù)類別不平衡的情況下。例如，如果一個(gè)數(shù)據(jù)集中90%的樣本屬于A類，10%屬于B類，一個(gè)簡(jiǎn)單的模型將所有樣本都預(yù)測(cè)為A類，其準(zhǔn)確率也是90%，但這顯然不是一個(gè)好的模型，因?yàn)樗耆珶o(wú)法識(shí)別B類樣本。因此，還需要考慮其他指標(biāo)，如精確率、召回率、F1分?jǐn)?shù)等，或者根據(jù)具體問(wèn)題調(diào)整不同的權(quán)重。題目表述錯(cuò)誤。7.樸素貝葉斯分類器假設(shè)所有特征之間相互獨(dú)立。（）答案：正確解析：樸素貝葉斯分類器的核心假設(shè)是特征之間相互獨(dú)立，即假設(shè)在給定類別的情況下，各個(gè)特征之間是獨(dú)立的。這個(gè)假設(shè)被稱為“樸素”假設(shè)，是樸素貝葉斯名字的由來(lái)。盡管這個(gè)假設(shè)在現(xiàn)實(shí)中往往不成立，但樸素貝葉斯算法在許多實(shí)際應(yīng)用中，尤其是在文本分類等領(lǐng)域，表現(xiàn)仍然相當(dāng)不錯(cuò)。題目表述正確。8.聚類分析是一種無(wú)監(jiān)督學(xué)習(xí)方法，它不需要事先知道數(shù)據(jù)的類別標(biāo)簽。（）答案：正確解析：聚類分析的目標(biāo)是將數(shù)據(jù)點(diǎn)根據(jù)它們的相似性劃分為不同的組（簇），使得組內(nèi)數(shù)據(jù)盡可能相似，組間數(shù)據(jù)盡可能不同。這個(gè)過(guò)程完全不需要事先知道數(shù)據(jù)的類別標(biāo)簽，因?yàn)樗歉鶕?jù)數(shù)