数据挖掘概念与技术CHAPTER2-了解数据

《数据挖掘概念与技术CHAPTER2-了解数据》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、DataMining:ConceptsandTechniques杨昆修译—Chapter2—JiaweiHan,MichelineKamber,andJianPeiUniversityofIllinoisatUrbana-ChampaignSimonFraserUniversity1Chapter2:了解数据数据对象和属性类型DataObjectsandAttributeTypes数据的(基本)统计描述BasicStatisticalDescriptionsofData数据可视化DataVisualization测量数据相似性和相异性MeasuringDataSimilari

2、tyandDissimilarity总结Summary2数据集合的类型记录Record关系记录数据矩阵,e.g.,数值矩阵,交叉表文档数据:文本文档:词频向量term-frequencyvector交易数据图and网络万维网社会或信息网络分子结构MolecularStructures有序的Ordered视频数据:sequenceofimages时间数据:时间序列time-series序列数据:交易序列transactionsequences遗传序列数据空间,图像imageand多媒体multimedia:Spatialdata:mapsImagedata:Videodata:

3、3结构数据的重要特征维度Dimensionality维数灾难Curseofdimensionality稀疏Sparsity只有计数Onlypresencecounts分辩率Resolution模式依赖于尺度分布Distribution中心性和分散Centralityanddispersion4数据对象数据集由数据对象构成一个数据对象代表一个实体例子:销售数据库salesdatabase:客户/顾客,商店物品,sales医学数据库:patients,treatments大学数据库:students,professors,courses又称为样本,事例,实例,数据点,对象,元组t

4、uples.数据对象由属性来描述Databaserows->dataobjects;columns->attributes.5属性属性Attribute(or维度,特征,变量):一个数据字段,表示一个数据对象的某个特征.E.g.,customer_ID,name,address类型:名词性Nominal二元的数字的Numeric:数量的Interval-scaledRatio-scaled6属性类型名词性Nominal:类别,状态,or“名目”Hair_color={auburn,black,blond,brown,grey,red,white}婚姻状态,职业occupati

5、on,IDnumbers,zipcodes二元只有2个状态的名词性属性(0and1)对称二元Symmetricbinary:同样重要的两相e.g.,gender非对称Asymmetricbinary:非同等重要e.g.,医疗检查(positivevs.negative)惯例Convention:assign1tomostimportantoutcome(e.g.,HIVpositive)顺序的Ordinal值有一个有意义的顺序(排序)但连续值之间的大小未知.Size={small,medium,large},等级,军队排名7数值属性的类型数量Quantity(integero

6、rreal-valued)区间Interval在某个同等大小的一个尺度单位上Measuredonascaleofequal-sizedunits值有序E.g.,temperatureinC˚orF˚,calendardates没有真正的零点Ratio有真正的零点可以讲值是被测量单位一个数量级(10K˚istwiceashighas5K˚).e.g.,温度在开尔文,长度,计数,货币的数量8离散vs.连续属性DiscreteAttribute一个有限的或可数无限集值E.g.,zipcodes，thesetofwordsinacollectionofdocuments有时,表示为整

7、数变量注:二元属性是离散属性的一个特殊情况ContinuousAttribute属性值为实数E.g.,temperature,height,orweight实际上，实值只能使用有限位数进行测量和代表连续属性通常表示为浮点变量9Chapter2:数据的统计描述DataObjectsandAttributeTypes数据的(基本)统计描述数据可视化测量数据相似性和相异性MeasuringDataSimilarityandDissimilaritySummary10数据的(基本)统计描述Motivation为