数据挖掘概念与技术习题答案-第3章.docx

《数据挖掘概念与技术习题答案-第3章.docx》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、数据挖掘概念与技术（原书第3版）第三章课后习题及解答3.7习题3.1数据质量可以从多方面评估，包括准确性、完整性和一致性问题。对于以上每个问题，讨论数据质量的评估如何依赖于数据的应用目的，给出例子。提出数据质量的两个其他尺度。答：数据的质量依赖于数据的应用。准确性和完整性：如对于顾客的地址信息数据，有部分缺失或错误，对于市场分析部门，这部分数据有80%是可以用的，就是质量比较好的数据，而对于需要一家家拜访的销售而言，有错误地址的数据，质量就很差了。一致性：在不涉及多个数据库的数据时，商品的编码是否一致并不影响数据的质量，但涉及多个数据库时，

2、就会影响。数据质量的另外三个尺度是时效性，可解释性，可信性。3.2在现实世界的数据中，某些属性上缺失值得到元组是比较常见的。讨论处理这一问题的方法。答：对于有缺失值的元组，当前有6种处理的方法：（1）忽略元组：当缺少类标号时通常这么做（假定挖掘任务涉及分类）。除非元组有多个属性缺少值，否则该方法不是很有效。当每个属性缺失值的百分比变化很大时，它的性能特别差。采用忽略元组，你不能使用该元组的剩余属性值。这些数据可能对手头的任务是有利的。（2）人工填写缺失值：一般来说，该方法很费时，并且当数据集很大、缺失值很多时，该方法可能行不通。（3）使用一

3、个全局常量填充缺失值：将缺失的属性值用同一个常量（如“unknown”或-）替换。如果缺失值都用“unknown”替换，则挖掘程序可能误以为它们形成了一个有趣的概念，因为它们都具有相同的值——“unknown”。因此，尽管该方法简单，但是并不十分可靠。（4）使用属性的中心度量（如均值或中位数）填充缺失值：第2章讨论了中心趋势度量，它们指示数据分布的“中间”值。对于正常的（对称的）数据分布，可以使用均值，而倾斜分布的数据则应使用中位数。。（5）使用与给定元组属同一类的所有样本的属性均值或中位数（6）使用最可能的值填充缺水值：可以用回归、使用贝

4、叶斯形式化方法的基于推理的工具或决策树归纳确定。3.3在习题2.2中，属性age包括如下值（以递增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，25，30，33，33，35，35，35，35，36，40，45，46，52，70.(a)使用深度为3的箱，用箱均值光滑以上的数据。说明你的步骤，讨论这种技术对给定数据的效果。答：首先将排好序的age数据划分到大小为3的等频的箱中，如下：13，15，16；16，19，20；20，21，22；22，25，25；25，25，30；33，33，35；35，35，35；

5、36，40，45；46，52，70.其次用箱均值光滑数据：13，15，16；16，19，20；20，21，22；22，25，25；25，25，30；33，33，35；35，35，35；36，40，45；46，52，70.14.7，14.7，14.7；18.3，18.3，18.3；21，21，21；24，24，24；26.7，26.7，26.7；33.7，33.7，33.7；35，35，35；40.3，40.3，40.3；56，56，56箱均值光滑技术确实使给定的数据光滑了。(b)如何确定该数据中的离群点？答：可以用聚类来检测离群点。聚类将类

6、似的值组织成群或“簇”，直观的，落在簇之外的值被视为离群点。(c)还有什么其他方法来光滑数据？答：还可以用回归来光滑数据。3.4讨论数据集成需要考虑的问题。答：1.实体识别问题；2.冗余和相关分析；3.元组重复；4.数据值冲突的检测与处理。3.5如下规范化方法的值域是什么？（a）最小-最大规范化（b）z分数规范化（c）z分数规范化，使用均值绝对偏差而不是标准差（d）小数定标规范化答：（a）最小-最大规范化：[指定的最小,最大值]（b）z分数规范化：(-∞，+∞)（c）z分数规范化，使用均值绝对偏差而不是标准差：(-∞，+∞)（d）小数定标规

7、范化：（-1，1）3.6使用如下方法规范化如下数据组：200，300，400，600，1000（a）另min=0，max=1，最小-最大规范化（b）z分数规范化（c）z分数规范化，使用均值绝对偏差而不是标准差（d）小数定标规范化答：（a）另min=0，max=1，最小-最大规范化200变为0300变为（300-200）/（1000-200）*（1-0）+0=0.125400变为（400-200）/（1000-200）*（1-0）+0=0.25600变为（600-200）/（1000-200）*（1-0）+0=0.51000变为（1000-2

8、00）/（1000-200）*（1-0）+0=1规范化后的数据组为：0，0.125，0.25，0.5，1（b）z分数规范化求得数据组均值为500，标准差为316.2200变为-0