原《数据挖掘》习题doc.docx
《原《数据挖掘》习题doc.docx》由会员分享，可在线阅读，更多相关《原《数据挖掘》习题doc.docx（17页珍藏版）》请在冰豆网上搜索。
原《数据挖掘》习题doc
chi
1.讨论下列每项活动是否是数据挖掘任务：
（fgh是）
（a）根据性别划分公司的顾客。
（b）根据可赢利性划分公司的顾客。
（c）计算公司的总销售额。
（d）按学生的标识号对学生数据库排序。
（e）预测掷一对骰子的结果。
（f）使用历史记录预测某公司未来的股票价格。
（g）监视病人心率的异常变化。
（h）监视地震活动的地震波。
⑴提取声波的频率。
2.（chi）数据挖掘可以在很多数据源上进行，如关系数据库，空间数据库，多媒体数据库，文本数据库等。
3.（chi）数据挖掘一定可以得到有趣的强关联规则。
4.（chi）为了提高挖掘质量，通常要进行数据预处理，包括数据清理、集成、选择、变换等。
5.（ch5）｛发烧，上呼吸道感染｝是
（2）项集
6.企业要建立预测模型，需准备建模数据集，以下四条描述建模数据集正确的是（B）o
A数据越多越好
B尽可能多的适合的数据
C数据越少越好
D以上三条都正确
7.数据挖掘算法以（D）形式来组织数据。
A行B列C记录D表格
Ch2
8.（ch2）
假定用于分析的数据包含属性age。
数据元组中age的值如
下（按递增序）：
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,求：
1）使用按箱平均值平滑对以上数据进行平滑，箱的深
度是3。
解释你的步骤。
2）使用按箱边界值平滑对以上数据进行平滑，箱的深
度是3。
解释你的步骤。
7、P983.4（ch3）
假定大学的数据仓库包含4个维｛student学生、course课程、semester学期、instructor教师｝,2个度量count和avg_grade0在最低的概念层（例如对于给定的学生、课程、学期和教师组合），度量avg_grade存放学生的实际成绩。
为数据仓库画出雪花模式图
8、P983.5（ch3）
假定数据仓库包含4个维date,spectator,location和game,2个度量count和chargeo其中，change是观众在给定的日期观看节目的付费。
观众可以是学生、成年人或老人，每类观众有不同的收费标准。
画出该数据仓库的星形模式图
10、（ch5）
数据库有4个事物。
设min_s叩=60%,min_conf=80%
TID
日期
购买的物品
T100
99/10/15
{K,A,D,B}
T200
99/10/15
{D,A,C,E,B}
T300
99/10/19
{C,A,B,E}
T400
99/10/22
{B,A,D}
a）使用Apriori算法找出最大得频繁项集
b）列出所有强关联规则（带支持度s和置信度c）
11.（参P229）
假定希望分析爱喝咖啡和爱喝茶得人之间得关系。
收集一组
人关于饮料偏爱的信息，汇总如下：
咖啡
不喝咖
啡
汇总
茶
150
50
200
不喝茶
650
150
800
汇总
800
200
1000
若支持度和置信度阈值分别为10%，50%,评估关联规则
｛茶｝——>｛咖啡｝。
（负相关）
12.（ch5,参P224）
有如下事务数据集。
试挖掘频繁项集。
（最小支持度为2）
TID
项
1
（a,b}
2
（bed}
3
{acde}
4
（ade}
5
（abc}
6
（abed}
7
{a}
8
（abc}
9
（abd}
10
（bee}
结果:
后缀
频繁项集
e
{e},（de},（ade},（ce},（ae}
d
{d},（cd},（bed},（acd},（bd},（abd},（ad}
c
{c},（be},{abc}（ac}
b
（b}（ab}
a
{a}
13.（ch5,参P256,17）
假定有一个购物篮数据集，包含100个事务和20个项。
如果项a的支持度为25%,项b得支持度为90%,且项集{ab}得支持度为20%o令最小支持度阈值和最小置信度阈值分别为10%和60%。
1）计算关联{a}——>{b}的置信度。
根据置信度度量，这条规则是有趣的么？
（这条规则是否是强关联规则？
）（80%,是）
2）{a}——>{b}是否有趣？
（负相关，无趣）
11.求出下表的强关联规则（ch5）
ID
Pl
P2
P3
P4
1
bread
cheese
butter
water
2
water
milk
bread
noodle
3
orange
noodle
meat
beer
4
fish
softdrink
frozenmeal
bread
12、（ch6）
下表给出某门课程若干学生期中和期末考试成绩
期中725081749486598365338881
期末846377789075497977527490
绘数据图。
X和Y看上去具有线性联系吗？
13.（ch6）
下表是对是否购买计算机的调查表，请根据ID3算法画出
是否购买计算机的决策树。
计
数
年龄
收
入
学生
/\.、、人
信誉
归类：
买
计算
机？
64
青
高
否
良
不买
64
青
高
否
优
不买
128
中
高
否
良
买
60
老
中
否
良
买
64
老
低
是
良
买
64
老
低
是
优
不买
64
中
低
是
优
买
128
青
中
否
良
不买
64
青
低
是
良
买
132
老
中
是
良
买
64
青
中
是
优
买
32
中
中
否
优
买
32
中
高
是
良
买
63
老
中
否
优
不买
1
老
中
否
优
买
14.预测拖欠银行贷款的贷款者（参P94）
TID
有房
婚姻状
况
年收入
拖欠贷
款
1
是
单身
125K
否
2
否
已婚
100K
否
3
否
单身
70K
否
4
是
已婚
120K
否
5
否
离异
95K
是
6
否
已婚
60K
否
7
是
离异
220K
否
8
否
单身
85K
是
9
否
已婚
75K
否
10
否
单身
90K
是
一客户信息如下：
X=（有房二否，婚姻状况二已婚，年收入
=120K）
用贝叶斯分类法，预测记录的拖欠贷款类别。
（否）
可能的分裂
年收入
点
60
65
0.82647
70
72.5
0.76355
75
80
0.68966
85
87.5
0.87549
90
92.5
0.84644
95
97.5
0.5
100
110
0.68966
120
122.5
0.76355
125
172.5
0.82647
220
原数据集合修正为:
TID
有房
婚姻
状况
年收入
拖欠
贷款
1
是
单身
125K（>97.5）
否
2
否
已婚
100K（>97.5）
否
3
否
单身
70K（<=97.5）
否
4
是
已婚
120K（>97.5）
否
5
否
离异
95K（v=97.5）
是
6
否
已婚
60K（<=97.5）
否
7
是
离异
220K（>97.5）
否
8
否
单身
85K（<=97.5）
是
9
否
已婚
75K（<=97.5）
否
10
否
单身
90K（<=97.5）
是
P（是）=0.3p（否）=0.7
M是ix）=〃（xi是），（是）〃（否ix）顼xi否），（否）
P（x）P（X）
p（XI是）=p（有房=否|是）p（婚姻状况=已婚I是）p（年收入=1201是）=100%*0*0=0
〃01是）=〃（有房=否1否）〃（婚姻状况=已婚I否）p（年收入=1201否）=4/7*4/7*4/7=18.66%
所以，他可能不拖欠贷款
最佳分裂点：
97.5
15.（CH6,参P122）
考虑如下二元分类问题的训练样本:
顾客ID
性别
车型
衬衣尺
码
类
1
男
家用
小
C0
2
男
运动
中
CO
3
男
运动
中
C0
4
男
运动
大
CO
5
男
运动
加大
co
6
男
运动
加大
co
7
女
运动
小
co
8
女
运动
小
co
9
女
运动
中
co
10
女
豪华
大
co
11
男
家用
大
Cl
12
男
家用
加大
Cl
13
男
家用
中
Cl
14
男
豪华
加大
Cl
15
女
豪华
小
Cl
16
女
豪华
小
Cl
17
女
豪华
中
Cl
18
女
豪华
中
Cl
19
女
豪华
中
Cl
20
女
豪华
大
Cl
1）计算整个训练样本集得GINI指标（0.5）
2）计算属性顾客ID的GINI指标（0）
3）计算属性性别的GINI指标（0.5）
4）那个属性更好？
性别、车型还是衬衣尺码？
（车型，因
为其GINI指标最低）
16.（CH6,参P122）
考虑如下二元分类问题的训练样本:
实例
标号
al
a2
a3
目标
类
1
T
T
1
+
2
T
T
6
+
3
T
F
5
—
4
F
F
4
+
5
F
T
7
-
6
F
T
3
-
7
F
F
8
-
8
T
F
7
+
9
F
T
5
-
1）整个训练样本集关于类属性得炳是多少？
（0.9911）
2）关于这些训练样本,al和a2的信息增益是多少？
（0.2294,
0.0072）
3）对于连续属性a3,计算所有可能的划分的信息增益
Q9
Classlabel
Splitpoint
Entropy
InfoGain
1.0
+
2.0
0.8484
0.1427
3.0
-
3.5
0.9885
0.0026
4.0
+
4.5
0.9183
0.0728
5.0
5.0
-
5.5
0.9839
0.0072
6.0
+
6.5
0.9728
0.0183
7.0
7.0
+
7.5
0.8889
0.1022
2.0是最佳分裂点。
4）根据信息增益，那个是最佳划分？
（在al,a2,a3中）（al）
5）WGINI指标，那个是最佳划分？
（在al,a2,a3中）（al）
17.考虑如下二元分类问题得数据集（CH6,参P123）
A
B
类标号
T
F
+
T
T
+
T
T
+
T
F
-
T
T
+
F
F
+
F
F
+
F
F
+
T
T
+
T
F
+
1）计算按照属性A、B划分时得信息增益。
决策树归纳算法
将会选择那个属性？
（GA=0.2813.GB=0.2565A）
2）计算按照属性A、B划分时的GINI指标。
决策树归纳算
法将会选择那个属性？
（不纯度降低：
0.1371,0.1633,（B）
18.已知下表：
（CH6,参P124）
A
B
C
实例数
+
—
T
T
T
5
0
F
T
T
0
20
T
F
T
20
0
F
F
T
0
5
T
T
F
0
0
F
T
F
25
0
T
F
F
0
0
F
F
F
0
25
试建立一颗两层的决策树
19.（CH6,参，P139）贝叶斯分类
考虑两队之间的足球比赛：
对0和1.假设65%的比赛队0胜出，剩余得比赛队1获胜。
队0获胜得比赛中只有30%是在队1的主场，而对1取胜的比赛中75%是主场获胜。
如果下一场比赛在队1的主场进行，哪一支球队最有可能胜出呢？
（队1）
x：
东道主（0,1）y：
胜利者（0,1）
队0取胜得概率：
p（y=0）=0.65
队1取胜得概率：
p（y=l）=0.35
对1取胜的比赛中75%是主场获胜：
队1获胜时作为东道
主的概率：
p（x=lly=l）=0.75
队0获胜得比赛中只有30%是在队1的主场：
即队0取胜
时队1作为东道主得概率：
P（x=lly=0）=0.3
比较P（y=l|x=l）和P（y=Olx=l）
p（x=l|y=l）p（y=l）0.75x0.350.2625
p（y=11x=1）===
p（x=1）P（X=1）P（X=1）
/nIP（x=11J7=0）p（y=0）0.3x0.650.195
p（y=U11=1）===
p（x=1）p（x=1）p（x=1）
P（y=llx=l）>P（y=0lx=l）所以，队1可能取胜。
20.（ch6,参P195,8）
考虑下列数据集：
实例
A
B
C
类
1
0
0
1
-
2
1
0
1
+
3
0
1
0
-
4
1
0
0
-
5
1
0
1
+
6
0
0
1
+
7
1
1
0
-
8
0
0
0
-
9
0
1
0
+
10
1
1
1
+
1）估计条件概率P（A=1I+）,P（B=1I+）,P（C=1I+）,P（A=1I-）,
P（B=1I-）,P（C=1I-）
（0.6,0.4,0.8,0.4,0.4,0.2）
2）根据1）中的条件概率，使用朴素贝叶斯分类方法预测测
试样本（A=1,B=1,C=1）得类标号。
（+）
3）比较P（A=1）,P（B=1）和P（A=1,B=1）,陈述AB之间的关系。
（独立）
14、（ch7）
假设数据集D含有9个数据对象（用2维空间的点表示）：
Al（3,2）,A2（3,9）,A3（8,6）,Bl（9,5）,B2（2,4）,B3（3,10）,Cl（2,6）,
C2（9,6）,C3（2,2）
采用k-均值方法进行聚类，距离函数采用欧几里德距离，取
k=3,假设初始的三个簇质心为A1,B1,和Cl,求：
（1）第一次循环结束时的三个簇的质心。
（2）最后求得的三个簇。
A2A3
B2
B3
C2
C3
A1
V49
V41
V5
V64V52VI
ClV10V36V4V17V49V16
第一次循环结束时：
（A1,C3）质心为（2.5,2）或（3,2）（B1,A3,C2），质心为:
（8.7,5.7）或（9,6）
（C1,A2,B2,B3）,质心为：
（2.7,8.3）或
（3,8）
平方误差E=28
第二次循环
A1
A2
A3
B1
B2
B3
C1
C2
C3
3,2
0
V49
V41
V45
V
5
V64
V17
V52
1
9,6
V
52
V45
1
1
V
53
"65
"49
0
V65
3,7
V
V25
V26
V40
V
V9
V2
V37
V26
2510
第二次循环结束时：
（A1,B2,C3）质心为（2.3,2.7）或（2,3）
（A3,B1,C2），质心为：
（8.7,5.7）或（9,6）
（A2,B3,C1）,质心为：
（2.5,7.25）或
（3,7）
平方误差E=21
第三次循环
AlA2A3BlB2B3ClC2C3
2,3
V2
V37
V45
V53
V
1
V50
V9
V58
1
9,6
V
52
V45
1
1
V
53
V65
V49
0
V65
3,7
V
25
V4
V26
V40
V
10
V9
V2
"37
V37
第三次循环结束时：
（A1,B2,C3）质心为（2.3,2.7）或（2,3）不变
（A3,B1,C2），质心为:
（8.7,5.7）或（9,6）不变
（A2,B3,C1）,质心为：
（2.5,7.25）或
（3,7）不变
平方误差E=21不变
15.（ch7）
已知四个点的坐标如下:
占八、、
X坐标
Y坐标
P1
0
2
P2
2
0
P3
3
1
P4
5
1
其欧几里德距离矩阵:
P1
P2
P3
P4
P1
0
P2
2.8
0
P3
3.2
1.4
0
P4
5.1
3.2
2
0
试进行单链、全链聚类，并画出树形图。
答案：
单链：
Pl
P2,p3
P4
P1
0
P2,p3
2.8
0
P4
5.1
2
0
Pl
P2,p3,p4
Pl
0
P2,p3,p4
2.8
0
P2,p3P2,P3,P4p2,p2,p4,pl
全链：
第一步同单链
Pl
P2,p3
P4
Pl
0
P2,p3
3.2
0
P45.13.20
P2,p3P2,P3,P4p2,p2,p4,pl
或：
P2,p3P2,P3,P1p2,p2,pl,p4
16.请将下列属性分类：
（ch7）
1）用AM和PM表示的时间（序数变量）
2）按度测出得。
和360之间的角度（区间标度变量）
3）奥运会上授予得铜牌、银牌和金牌（序数）
4）学生的性别（二元）
5）用如下值表示得透光能力：
不透明、半透明、透明（序数）
6）外套寄存号码（当你出席一个活动时，你常常可以将你的外套交给某个人，然后他给你一个号码，你可以在离开时来取）（名义）
17.计算下表表示的混淆矩阵得隔和纯度
族
娱乐
财经
国外
都市
国内
体育
合计
#1
1
1
0
11
4
676
693
#2
27
89
333
827
253
33
1562
#3
326
465
8
105
16
29
949
合计
354
555
341
943
273
738
3204
iwmvVIBIVVIIIVVIVIIIIIWIIIHIVIbHVIVIVVb11
Cluster
Entertainment
Financial
Foreign
Metro
National
Sports
Total
Entropy
Purity
#1
1
1
0
11
4
676
693
0.20
0.98
#2
27
89
333
82?
253
33
1562
1.M
0.53
#3
326
465
8
105
16
29
W
1.70
0.49
Total
物
555
341
W
273
738
搠
144
0.61
18.已知四个点的相异度矩阵:
占八、、
Pl
P2
P3
P4
Pl
0
P2
0.2
0
P3
0.35
0.3
0
P4
0.45
0.4
0.1
0
试进行单链、全链聚类，并画出树形图。
升级会员 