數(shù)據(jù)倉庫與數(shù)據(jù)挖掘習題.doc

《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘習題.doc》由會員分享，可在線閱讀，更多相關《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘習題.doc（9頁珍藏版）》請在裝配圖網(wǎng)上搜索。

數(shù)據(jù)倉庫與數(shù)據(jù)挖掘 習題 1.1什么是數(shù)據(jù)挖掘？在你的回答中，強調(diào)以下問題： (a) 它是又一個騙局嗎？ (b) 它是一種從數(shù)據(jù)庫，統(tǒng)計學和機器學習發(fā)展的技術的簡單轉換嗎？ (c) 解釋數(shù)據(jù)庫技術發(fā)展如何導致數(shù)據(jù)挖掘 (d) 當把數(shù)據(jù)挖掘看作知識發(fā)現(xiàn)過程時，描述數(shù)據(jù)挖掘所涉及的步驟。 1.2 給出一個例子，其中數(shù)據(jù)挖掘對于一種商務的成功至關重要的。這種商務需要什么數(shù)據(jù)挖掘功能？他們能夠由數(shù)據(jù)查詢處理或簡單的統(tǒng)計分析來實現(xiàn)嗎？ 1.3 假定你是Big-University的軟件工程師，任務是設計一個數(shù)據(jù)挖掘系統(tǒng)，分析學校課程數(shù)據(jù)庫。該數(shù)據(jù)庫包括如下信息：每個學生的姓名，地址和狀態(tài)（例如，本科生或研究生），所修課程，以及他們累積的GPA（學分平均）。描述你要選取的結構。該結構的每個成分的作用是什么？ 1.4 數(shù)據(jù)倉庫和數(shù)據(jù)庫有何不同？它們有那些相似之處？ 1．5簡述以下高級數(shù)據(jù)庫系統(tǒng)和應用：面向對象數(shù)據(jù)庫，空間數(shù)據(jù)庫，文本數(shù)據(jù)庫，多媒體數(shù)據(jù)庫和WWW。 1．6 定義以下數(shù)據(jù)挖掘功能：特征化，區(qū)分，關聯(lián)，分類，預測，聚類和演變分析。使用你熟悉的現(xiàn)實生活中的數(shù)據(jù)庫，給出每種數(shù)據(jù)挖掘的例子。 1．7 區(qū)分和分類的差別是什么？特征化和聚類的差別是什么？分類和預測呢？對于每一對任務，它們有何相似之處？ 1．8 根據(jù)你的觀察，描述一種可能的知識類型，它需要由數(shù)據(jù)挖掘方法發(fā)現(xiàn)，但未在本章中列出。它需要一種不同于本章列舉的數(shù)據(jù)挖掘技術嗎？ 1. 9 描述關于數(shù)據(jù)挖掘方法和用戶交互問題的三個數(shù)據(jù)挖掘的挑戰(zhàn)。 1. 10 描述關于性能問題的兩個數(shù)據(jù)挖掘的挑戰(zhàn)。 2.1 試述對于多個異種信息源的集成，為什么許多公司寧愿使用更新驅動的方法（構造使用數(shù)據(jù)倉庫），而不愿使用查詢驅動的方法（使用包裝程序和集成程序）。描述一些情況，其中查詢驅動方法比更新驅動方法更受歡迎。 2.2 簡略比較以下概念，可以用例子解釋你的觀點 （a） 雪花模式、事實星座、星型網(wǎng)查詢模型 （b） 數(shù)據(jù)清理、數(shù)據(jù)變換、刷新 （c） 發(fā)現(xiàn)驅動數(shù)據(jù)立方體、多特征方、虛擬倉庫 2.3 假定數(shù)據(jù)倉庫包含三個維time，doctor和patient，兩個度量count 和charge，其中charge是醫(yī)生對一位病人的一次診治的收費。 （a） 列舉三種流行的數(shù)據(jù)倉庫建模模式。 （b） 使用（a）列舉的模式之一，畫出上面數(shù)據(jù)倉庫的模式圖。 （c） 由基本方體[day，doctor，patient]開始，為列出2000年每位醫(yī)生的收費總數(shù)，應當執(zhí)行哪些 OLAP操作？ （d） 為得到同樣的結果，寫一個SQL查詢。假定數(shù)據(jù)存放在關系數(shù)據(jù)庫中，其模式如下： fee（day，month，year， doctor，hospital，patient，count，charge） 2.4 假定Big_University的數(shù)據(jù)倉庫包含如下4個維student, course, semester和instructor，2個度量count和avg_grade。在最低的概念層（例如對于給定的學生、課程、學期和教師的組合），度量avg_grade存放學生的實際成績。在較高的概念層，avg_grade存放給定組合的平均成績。 （a） 為數(shù)據(jù)倉庫畫出雪花模式圖； （b） 由基本方體 [student, course, semester, instructor]開始，為列出Big_University每個學生的CS課程的平均成績，應當使用哪些OLAP操作（如由 semester上卷到y(tǒng)ear）； （c） 如果每維有5層（包括all），如student 2.5 假定數(shù)據(jù)倉庫包含4個維date，spectator，location和game，2個度量count和charge。其中charge是觀眾在給定的日期觀看節(jié)目的付費。觀眾可以是學生、成年人或老人，每類觀眾有不同的收費標準。 （a ） 畫出該數(shù)據(jù)倉庫的星型模式圖； （b） 由基本方體[date，spectator，location，game]開始，為列出2000年學生觀眾在GM-Place的總付費，應當執(zhí)行哪些OLAP操作？ （c） 對于數(shù)據(jù)倉庫，位圖索引是有用的。以該數(shù)據(jù)立方體為例，簡略討論使用位圖索引結構的優(yōu)點和問題。 2.6 為地區(qū)氣象局設計一個數(shù)據(jù)倉庫。氣象局大約有1000觀察點，散步在該地區(qū)的陸地、海洋，收集基本氣象數(shù)據(jù)，包括每小時的氣壓、溫度、降雨量。所有的數(shù)據(jù)都送到中心站，那里已收集了這種數(shù)據(jù)長達十年。你的設計應當有利于有效的查詢和聯(lián)機分析處理，有利于有效地導出多維空間的一般天氣模式。 2.7 關于數(shù)據(jù)立方體中的度量計算： （a） 根據(jù)計算數(shù)據(jù)立方體所用的聚集函數(shù)，列出度量的三種分類； （b） 對于具有三個維time，location和product的數(shù)據(jù)立方體，函數(shù)variance屬于哪一類？如果立方體被分割成一些塊，描述如何計算它； （c） 假定函數(shù)是"最高的10個銷售額"。討論如何在數(shù)據(jù)立方體里有效的計算該度量。 2.8 假定需要在數(shù)據(jù)立方體中記錄三種度量：min，average和median。給定的數(shù)據(jù)立方體允許遞增的刪除（即每次一小部分），為每種度量設計有效的計算和存儲方法。 2.9 數(shù)據(jù)倉庫實現(xiàn)的流行方法是構造一個稱為數(shù)據(jù)立方體的多維數(shù)據(jù)庫。不幸的是，這常常產(chǎn)生大的、稀疏的多維矩陣。 （a） 給出一個例子，解釋這種大的、稀疏的數(shù)據(jù)立方體； （b） 設計一種實現(xiàn)方法，可以很好的克服這種稀疏矩陣問題。注意，需要詳細解釋你的數(shù)據(jù)結構，討論空間需求量，以及如何由你的結構中檢索數(shù)據(jù)； （c） 修改你在（b）的設計，處理遞增的數(shù)據(jù)更新。給出你的新設計的理由。 2.10 假定數(shù)據(jù)倉庫包含20個維，每個維有5級粒度。 （a）用戶感興趣的主要是4個特定的維，每維有3個上卷、下鉆頻繁訪問的級。你如何設計數(shù)據(jù)立方結構，有效地對此予以支持？ （b）用戶時常想由一兩個特定的維鉆透數(shù)據(jù)立方體，到原始數(shù)據(jù)。你如何支持這一特征？ 2.11 假定基本立方體有三個維A，B，C，其單元數(shù)如下：|A|=1000000， |B|=100，|C|=1000。假定分塊將每維分成10部分。 （a）假定每維只有一層，畫出完整的立方體的格。 （b）如果每個立方單元存放一個4字節(jié)的度量，若方是稠密的，所計算的立方體有多大？ （c）指出立方體中空間需求量最小的塊計算次序，并對計算２－維平面所需要的內(nèi)存空間計算空間量。 3．1 數(shù)據(jù)的質(zhì)量可以用精確性，完整性和一致性來評估。提出兩種數(shù)據(jù)質(zhì)量的其他尺度。 3．2 在現(xiàn)實世界的數(shù)據(jù)中，元組在某些屬性上缺少值是常有的。描述處理該問題的各種方法。 3．3 假定用于分析的數(shù)據(jù)包含屬性age。數(shù)據(jù)元組中age的值如下（按遞增序）：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) 使用按箱平均值平滑對以上數(shù)據(jù)進行平滑，箱的深度是3。解釋你的步驟。評論對于給定的數(shù)據(jù)，該技術的效果 (b) 你怎樣確定數(shù)據(jù)中的孤立點？ (c) 對于數(shù)據(jù)平滑，還有那些其他方法？ 3．4 討論數(shù)據(jù)集成需要考慮的問題。 (1) 模式識別：這主要是實體識別問題 (2) 冗余：一個屬性是冗余的，即它能由另一個表導出，如果屬性或唯的命名不一致，也可能導致冗余，可以用相關分析來檢測 (3) 數(shù)據(jù)值沖突的檢測與處理：有些屬性因表示比例或編碼不同，會導致屬性不同 3．5 使用習題3。3給出的age數(shù)據(jù)，回答以下問題： (a) 使用最小-最大規(guī)范化，將age值35轉換到[0。0，1。0]區(qū)間 (b) 使用z-score規(guī)范化轉換age 值35，其中age的標準差為12。94年 (c) 使用小數(shù)定標規(guī)范化轉換age值35。 (d) 指出對于給定的數(shù)據(jù)，你愿意使用哪種方法。陳述你的理由。 3．6 使用流程圖概述如下屬性子集選擇過程 (a) 逐步向前選擇 (b) 逐步向后刪除 (c) 逐步向前選擇和逐步向后刪除的結合 3.7　使用習題3.3給出的age數(shù)據(jù) (a)畫一個寬度為10的等寬直方圖。 (b)為如下每種選樣技術勾畫例子: SRSWOR, SRSWR, 聚類選擇，分層選擇。使用長度為5的樣本和層"young"，"middle_aged"和"senior"。 3.8 對如下問題，使用偽代碼或你喜歡用的程序設計語言，給出算法： (a)對于分類數(shù)據(jù)，基于給定模式中屬性的不同值得個數(shù)，自動產(chǎn)生概念分層。 (b)對于數(shù)值數(shù)據(jù)，基于等寬劃分規(guī)則，自動產(chǎn)生概念分層。 (c)對于數(shù)值數(shù)據(jù)，基于等深劃分規(guī)則，自動產(chǎn)生概念分層。 4.1列出和描述說明數(shù)據(jù)挖掘任務的五種原語。 4.2 說明為什么概念分層在數(shù)據(jù)挖掘中是有用的。 4.3 概念分層的四種主要類型是：模式分層，集合分組分層，操作導出的分層和基于規(guī)則的分層。 a)簡略定義每種類型的分層。 b)對于每種類型的分層，給出一個不在本章中出現(xiàn)的例子。 4.4 考慮下面的由Big-University 的學生數(shù)據(jù)庫挖掘的關聯(lián)規(guī)則major (X,"science")=>status(X,"undergrad") (4.8) 假定學校的學生人數(shù)（即任務相關的元組數(shù)）為5000，其中56%的在校本科生的專業(yè)是科學，64%的學生注冊本科學位課程，70%的學生主修科學。 a) 計算規(guī)則(4.8)的支持度和置信度。 b)考慮下面的規(guī)則(4.9)： major(X,"biology")=>status(X,"undergrad") [17%,80%] (4.9) 假定主攻科學的學生30%專業(yè)為biology。與規(guī)則(4.8)對比，你認為規(guī)則(4.9)新穎嗎？ 解釋你的結論。 4.5 語句可以用于挖掘特征化，區(qū)分，關聯(lián)和分類規(guī)則。為聚類的挖掘提出一個語法定義。 4.6 論建立標準化的數(shù)據(jù)挖掘查詢語言的重要性。涉及這一任務的一些潛在好處和挑戰(zhàn)是什么？列舉一些該領域的最近提議。 4.7 下面的練習涉及定義概念分層的DMQL語法。 (a) 典型情況，對于模式date(day,month,quarter,year)，數(shù)據(jù)挖掘系統(tǒng)有一個預定義的概念分層。使用DMQL提供該概念分層的定義。 (b) 概念分層定義可能涉及多個關系。例如，iterm_hierachy可以涉及兩個關系item和supplier，由如下模式定義： item(item_ID, brand, type, place_made, supplier) supplier(name, type, headquarter_location, owner, size, assets, revenue) 5.1．對于類特征化， 基于數(shù)據(jù)立方體的實現(xiàn)與諸如面向屬性歸納的關系實現(xiàn)之間的主要不同是什么？討論哪種方法最有效，在什么條件下最有效。 5.2 假定下面的表從面向屬性的歸納導出 class &n bsp; birth--- place count &n bsp; Cannada &nbs p; 180 programmer others ; 120 &nbs p; Cannada &nbs p; 20 Dba &n bsp; others ; 80 （a） 將該表轉換成現(xiàn)實相關t-權和d-權的交叉表 （b） 將類Programmer轉換成（雙向的）量化描述規(guī)則。例如 (birth_place(X)="Canada"∧...)[t:x%,d:y%]...∨(...)([t:w%,d:z%]。?X,Programmer(X) 5.3 討論為什么需要解析特征化和如何進行。比較兩種歸納方法的結果：（I）包含相關分析和（ii）不包含相關分析。 5.4 對于數(shù)據(jù)離散的特征化，另外給出三個常用統(tǒng)計度量（未在本章說明），并討論如何在大型數(shù)據(jù)庫中有效地計算它們。 5.5 假定分析數(shù)據(jù)包含屬性age.數(shù)據(jù)元組的age值（以遞增次序）是：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 該數(shù)據(jù)的平均值是多少？中位數(shù)是多少? B 該數(shù)據(jù)的模是多少?評論數(shù)據(jù)的模態(tài)性(即雙模態(tài),三模態(tài)等). C 數(shù)據(jù)的中列數(shù)是什么 D 你能找出(粗略地)數(shù)據(jù)的第一個四分位數(shù)(q1)和第三個四分位數(shù)(Q3)嗎? E 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)-分位數(shù)圖與分位數(shù)圖的不同之處是什么? 5.6 給定由數(shù)據(jù)庫DB導出的概化關系R,假定元組的集合△ DB需要從DB中刪除，簡要給出用于R的必要刪除的增量更新過程。 5.7 簡要給出挖掘解析類比較的基于數(shù)據(jù)立方體的增量算法。 5.8 簡要給出數(shù)據(jù)立方體環(huán)境下數(shù)據(jù)離散統(tǒng)計度量的(ⅰ)并行和( ⅱ)分布式挖掘方法。 6．1 Apriori 算法使用子集支持度性質(zhì)的先驗知識 a) 證明頻繁項集的所有非空子集必須也是頻繁的。 b) 證明項集s的任意非空子集s`的支持度至少和s的支持度一樣大。 c) 給定頻繁項集l和l的子集s，證明規(guī)則"s=>(l-s)"的置信度不可能大于"s=>(l-s)"的置信度。其中，s是s的子集。 d) Apriori的一種變形將事務數(shù)據(jù)庫D中的事務劃分成n個不重疊的部分。證明在D中是頻繁的任何項集至少在D的一個部分中是頻繁的。 6．2 數(shù)據(jù)庫有4個事務。設min_sup = 60%，min_conf = 80%。 TID DATE ITEMS_BOUGHT T100 10/15/99 {K, A, D, B} T200 10/15/99 {D, A, C, E, B} T300 10/19/99 {C, A, B, E} T400 10/22/99 {B, A, D} A） 分別使用Apriori 和FP- 增長算法找出頻繁項集。比較兩種挖掘過程的有效性。 B） 列出所有強關聯(lián)規(guī)則，他們與下面的元規(guī)則匹配，其中，X 是代表顧客的變量，item 時表示項的變量： " x∈transaction, buys(X, item1)∧buys(X, item2) => buys(X, item3) [s, c] 6．3 在挖掘層交叉關聯(lián)規(guī)則時，假定發(fā)現(xiàn)項集"{IBM desktop computer, printer}"不滿足最小支持度。這一信息可以用來剪去諸如"{IBM desktop computer, b/w printer}"的"后代"項集的挖掘嗎？給出一個一般規(guī)則，解釋這一信息如何用于對搜索空間剪枝。 6．4 給出一個短例子，表明強關聯(lián)規(guī)則中的項可能實際上是負相關的。 6．5 下面的相依表匯總了超級市場的事務數(shù)據(jù)，其中，hot dogs 表示包含熱狗的事務，~hotdogs 表示不包含熱狗的事務，hamburgers 表示包含漢堡包的事務，~hamburgers 表示不包含漢堡包的事務。 Hotdogs ~hotdogs Hamburgers 2000 500 2500 ~hamburgers 1000 1500 2500 ∑ col 3000 2000 5000 A） 假定發(fā)現(xiàn)關聯(lián)規(guī)則"hotdogs=>hamburgers "。給定最小支持度閾值25% ，最小置信度閾值 50% ，該關聯(lián)規(guī)則是強的嗎？ B） 根據(jù)給定的數(shù)據(jù)，買hotdog 獨立于買hamburgers 嗎？如果不是，二者之間存在何種相關聯(lián)系？ 6．6 數(shù)據(jù)庫有4 個事務，設 min_sup = 60% ， min_conf = 80% 。 Cust_ID TID Items_bought（以brand- item_category形式） 01 T100 {Kings-Carb, Sunset-Milk, Dairyland-Cheese, best-Bread} 02 T200 {Best-Cheese, Dairyland-Milk, Goldenfarm-Apple, Tasty-Pie, Wonder-Bread} 01 T300 {Westcoast-Apple, Dairyland- Milk, Wonder-Bread, Tasty-Pie} 03 T400 {Wonder-Bread, Sunset-Milk, Dairyland-Cheese} a) 在 item_category 粒度（例如，itemi 可以是"milk" ），對于下面規(guī)則模板 " x∈transaction, buys(X, item1)∧buys(X, item2) => buys(X, item3) [s, c] 對于最大的k，列出頻繁k-項集和包含最大的k的頻繁k-項集的所有強關聯(lián)規(guī)則。 b) 在brand-item_category 粒度（例如：item 可以是"sunset-milk "），對于下面的規(guī)則模板： " x∈customer, buys(X, item1)∧buys(X, item2) => buys(X, item3) 對最大的k，列出頻繁k-項集。注意：不打印任何規(guī)則。 6.7 假定一個大型存儲具有分布在4個站點的事務數(shù)據(jù)庫。每個成員數(shù)據(jù)庫中的事務具有相同的格式Tj:{i1,...,im}；其中，Tj是事務標示符，而ik(1<=k<=m)是事務中購買的商品標識符。提出一個有效的算法，挖掘全局關聯(lián)規(guī)則（不考慮多層關聯(lián)規(guī)則）?？梢越o出你的算法的要點。你的算法不必將所有的數(shù)據(jù)移到一個站點，并且不造成過度的網(wǎng)絡通信開銷。 6.8 假定大型事務數(shù)據(jù)庫DB的頻繁項集已經(jīng)存儲。討論：如果新的事務集△DB（增量地）加進，在相同的最小支持度閾值下，如何有效地挖掘（全局）關聯(lián)規(guī)則？ 6.9 提出并給出挖掘多層關聯(lián)規(guī)則的層共享挖掘方法的要點。其中，每個項用它的層位置編碼，一次初始數(shù)據(jù)庫掃描收集每個概念層的每個項的計數(shù)，識別頻繁和子頻繁項集。將用該方法挖掘多層關聯(lián)規(guī)則與挖掘單層關聯(lián)規(guī)則的花費進行比較。 6.10 證明：包含項h和其祖先h的項集H的支持度與項集H-h的支持度相同。解釋如何將它用于層交叉關聯(lián)規(guī)則挖掘。 6.11 提出一種挖掘混合維關聯(lián)規(guī)則（多維關聯(lián)規(guī)則帶有重復謂詞）的方法。 6.12 序列模式可以用類似于關聯(lián)規(guī)則挖掘的方法挖掘。設計一個有效的算法，由事務數(shù)據(jù)庫挖掘多層序列模式。這種模式的一個例子如下："買PC的顧客在三個月內(nèi)將買Microsoft軟件"，在其上，可以下鉆，發(fā)現(xiàn)該模式的更詳細的版本，如"買Pentium PC的顧客在三個月內(nèi)將買Microsoft Office"。 6.13 商店里每種商品的價格是非負的。商店經(jīng)理只關心如下形式的規(guī)則："一件免費商品可能觸發(fā)在同一事務中$200的總購物"。陳述如何有效地挖掘這種規(guī)則。 6.14 商店里每種商品的價格是非負的。對于以下每種情況，識別它們提供的約束類型，并簡略討論如何有效地挖掘這種關聯(lián)規(guī)則。 (a) 至少包含一件Nintendo游戲。 (b) 包含一些商品，它們的單價和小于$150。 (c) 包含一件免費商品，并且其它商品的單價和至少是$200。 (d) 所有商品的平均價格在$100和$500之間。 7.1 簡述判定樹分類的主要步驟。 7.2 在判定樹歸納中，為什么樹剪枝是有用的？用一個單獨的樣本集計值剪枝的缺點是什么？ 7.3 為什么樸素貝葉斯分類稱為"樸素"的？簡述樸素貝葉斯分類的主要思想。 7.4 比較急切分類（如判定樹、貝葉斯、神經(jīng)網(wǎng)絡）相對于懶散分類（如，k-最臨近、基于案例的推理）的優(yōu)缺點。 7.5 通過對預測變量的變換，有些非線性回歸模型可以轉換成線性的。指出如何將非線性回歸方程Y=aXb轉換成可以用最小平方法求解的線性回歸方程。 7.6 什么是推進？陳述它為何能提高判定樹歸納的準確性。 的表決，這里每個分類法的表決是其準確率的函數(shù)。推進算法也可以擴充到連續(xù)值預測。 7.7 證明準確率是靈敏性和特效性度量的函數(shù)，即證明（ 7.31 ）式。 7.8 當一個數(shù)據(jù)對象可以同時屬于多個類時，很難評估分類的準確率。陳述在這種情況下，你將使用何種標準比較在相同數(shù)據(jù)上的建模的不同分類方法。 7.9 給定判定樹，你有選擇：(a)將判定樹轉換成規(guī)則，然后對結果規(guī)則剪枝，或(b) 對判定樹剪枝，然后將剪枝后的樹轉換成規(guī)則。相對于(b)，(a)的優(yōu)點是什么？ 7.10 給定k和描述每個樣本的屬性數(shù)n，寫一個k-最臨近分類算法。 7.11 下表給出課程數(shù)據(jù)庫中學生的期中和期末考試成績。 X 其中考試 Y 期末考試 72 84 50 63 81 77 74 78 94 90 86 75 59 49 83 79 65 7 7 33 52 88 74 81 90 (a) 繪數(shù)據(jù)圖。X和Y看上去具有線性聯(lián)系嗎？ (b) 使用最小二乘法，求由學生的期中成績預測學生的期末成績的方程式。 (c) 預測期中成績?yōu)?6分的學生的期末成績。 7.12 下表有雇員數(shù)據(jù)庫的訓練數(shù)據(jù)組成。數(shù)據(jù)已概化。對于給定的行， count表示department，status, age和salary在該行上具有給定值的元組數(shù)。 department Status Age Salary count sales senior 31...35 46K...50K 30 sales& nbsp;junior 26...30 26K...30K 40 sales junior 31...35 31K...35K 40 systems juni or 21...25 46K...50K 20 systems senior 31...35 66K...70K 5 systems junior 26...30 46K...50K 3 systems senior 41...45 66K...70K 3 marketing senior 36...40 46K...50K 10 marketing junior 31...35 41K...45K 4 secretary senior 46...50&nbs p;36K...40K 4 secretary junior 26...30 26K...30K 6 設salary是類標號屬性。 (a) 你將如何修改ID3算法，以便考慮每個概化數(shù)據(jù)元組（即每一行）的count？ (b) 使用你修改過的ID3算法，構造給定數(shù)據(jù)的判定樹。 (c) 給定一個數(shù)據(jù)樣本，它在屬性department,status和age上的值分別為"systems","junior"和"20...24"。該樣本的salary的樸素貝葉斯分類是什么？ (d) 為給定的數(shù)據(jù)設計一個多層前饋神經(jīng)網(wǎng)絡。標記輸入和輸出層節(jié)點。 (e) 使用上面得到的多層前饋神經(jīng)網(wǎng)絡，給定訓練實例"(sales,senior,31...35,46K...50K)",給出后向傳播算法一次迭代后的權值。指出你使用的初始權值和偏置以及學習率。 8.1 給定年齡 age 的變量的如下度量值：18 ，22 ， 25 ，42 ，28 ， 43 ，33 ，35 ， 56 ，28 通過如下的方法進行變量標準化： a) 計算age 的平均絕對誤差。 b) 計算頭四個值的z －score 。 8.2 給定兩個對象，分別用元組（22 ，1 ， 42 ，10 ）和（20 ， 0 ，36 ，8 ）表示 a) 計算兩個對象之間的歐幾里的距離 b) 計算兩個對象之間的曼哈坦距離 計算兩個對象間的明考斯基距離，q＝3。 8.3 什么是聚類？簡單描述下列聚類方法：劃分方法，層次方法，基于密度的方法，基于網(wǎng)格的方法，以及基于模型的方法。為每種方法給出例子。 8.4 假設數(shù)據(jù)挖掘的任務是將如下8 個點（用（x ， y ）代表位置）聚類為3 個簇： A1 （ 2 ，10 ），A2 （ 2 ，5 ），A3 （ 8 ，4 ）， B1 （ 5 ，8 ），B2 （ 7 ，5 ），B3 （ 6 ，4 ）， C1 （ 1 ，2 ），C2 （ 4 ，9 ） 距離函數(shù)是歐幾里的距離。假設初始選擇A1 ，B1 ， C1 分別為每個聚類的中心。請用K 平均算法給出 a) 第一次循環(huán)執(zhí)行后的三個聚類中心； b) 最后的三個簇。 8.5 人眼在判斷聚類方法對二位數(shù)據(jù)的聚類質(zhì)量上是快速而有效的。你能否設計出一個數(shù)據(jù)可視的方法類似數(shù)據(jù)聚類可視化和幫助人們判斷三維數(shù)據(jù)的聚類質(zhì)量。對更高維的數(shù)據(jù)如何？ 8.6 給出如何集成特定聚類算法的例子，例如，什么情況下一個聚類算法被用作另一個算法的預處理。 9.1異構數(shù)據(jù)庫系統(tǒng)由多個數(shù)據(jù)庫系統(tǒng)組成，這些數(shù)據(jù)庫的定義是相互獨立的，但彼此間需要一定的信息交換，能夠處理局部和全局查詢。試述在這種系統(tǒng)中如何使用基于概化的方法處理描述性挖掘查詢。 9.2對象立方體的建立，可以在執(zhí)行多維概化之前通過把面向對象的數(shù)據(jù)庫概化為結構化數(shù)據(jù)來完成。試述如何在對象立方體中處理集合值數(shù)據(jù)。 9.3 空間關聯(lián)挖掘可以至少按如下兩種方式加以實現(xiàn)：（i）基于挖掘查詢的要求，可以動態(tài)計算不同空間對象之間的空間關聯(lián)關系；（ii）預先計算出空間對象間的空間距離，使得關聯(lián)挖掘可以基于這些預計算結果求得。試述（i）如何高效實現(xiàn)上述方法；（ii）各方法的適用條件。 9.4假設某城市的交通部門需要規(guī)劃高速公路的建設，為此希望根據(jù)每天不同時刻收集到的交通數(shù)據(jù)進行有關高速公路大通方面的數(shù)據(jù)分析。 （a）設計一存儲高速公路交通信息的空間數(shù)據(jù)倉庫，可以方便地支持人們按高速公路、按一天的時間和按工作日查看平均的和高峰時間的交通流量，以及在發(fā)生重大交通事故時的交通狀況。 （b）可以從該空間數(shù)據(jù)倉庫中挖掘什么樣的信息用于支持城市規(guī)劃人員？ （c）該數(shù)據(jù)倉庫既包含了空間數(shù)據(jù)，也包含了時態(tài)數(shù)據(jù)。設計一種挖掘技術，可以高效地從該空間－時態(tài)數(shù)據(jù)倉庫挖掘有意義的模式。 9.5 多媒體中的相似檢索已經(jīng)成為多媒體數(shù)據(jù)檢索系統(tǒng)開發(fā)中的主要內(nèi)容。然而，許多多媒體數(shù)據(jù)挖掘方法只是基于孤立的簡單多媒體特征分析，如顏色、形狀、描述、關鍵字，等等。 （a）請指出將數(shù)據(jù)挖掘與基于相似性的檢索結合，可以給多媒體數(shù)據(jù)挖掘帶來重要的進步。可以用任一數(shù)據(jù)挖掘技術為例，如多維分析、分類、關聯(lián)或聚類等。 （b）請概述應用基于相似性的搜索方法增強多媒體數(shù)據(jù)中聚類質(zhì)量的實現(xiàn)技術。 9.6假設一供電站保存了按時間和按地區(qū)的能源消耗量，和每一地區(qū)每一用戶的能源使用信息。討論在這一時序數(shù)據(jù)庫中，如何解決如下問題： （a）找出星期五某一給定地區(qū)的相似的能源消耗曲線； （b）當能源消耗曲線急劇上升時，20分鐘內(nèi)會發(fā)生什么情況？ （c）如何找出可以區(qū)分穩(wěn)定能源消耗地區(qū)與不穩(wěn)定能源消耗地區(qū)的最突出特征？ 9.7假設某連鎖餐廳想挖掘出與主要體育事件相關的顧客行為，如"每當電視播出法裔加拿大人的曲棍球比賽時，肯德雞的銷量會在比賽前一小時上升20％"。 （a）給出一種找出這種模式的有效方法。 （b ）大部分與時間相關的關聯(lián)挖掘算法都使用了類Apriori算法來挖掘此類模式。6.2.4節(jié)中介紹的基于數(shù)據(jù)庫投影的頻繁模式（FP）增長方法，對挖掘頻繁項集是十分有效的?？煞駭U展FP－增長方法去找出此類與時間相關的模式？ 9.8一個電子郵件數(shù)據(jù)庫是指包含了大量電子郵件（e-mail）信息的數(shù)據(jù)庫。它可以被視為主要包含文本數(shù)據(jù)的半結構化數(shù)據(jù)庫。討論以下問題： （a）如何使一個e-mail數(shù)據(jù)庫變成結構化的，以便支持多維檢索，如按發(fā)送者、接受者、主題和時問等的檢索。 （b）從e-mail數(shù)據(jù)庫中可以挖掘什么信息？ （c ）假設對以前的一組e-mail 信息有一個粗略的對類，如junk （垃圾），unimportant （不重要），normal （一般），或important （重要），試論述一數(shù)據(jù)挖掘系統(tǒng)如何以此為訓練集來自動分類新的e-mail 消息或反分類（unclassify ）e-mail 信息。 10.1. 給出一個數(shù)據(jù)挖掘的例子,并且討論在此應用中如何使用各種不同的數(shù)據(jù)挖掘方法 10.2．假設要在市場上購買一個數(shù)據(jù)挖掘系統(tǒng) （a）考慮數(shù)據(jù)挖掘系統(tǒng)與數(shù)據(jù)庫和數(shù)據(jù)倉庫系統(tǒng)耦合方式，試述無耦合、松耦合、半緊耦合和緊耦合之間的區(qū)別； （b）行可伸縮性和列可伸縮性之間的區(qū)別是什么？ （c）當選擇一個數(shù)據(jù)挖掘系統(tǒng)時，在以上列出的諸多特征中，哪些是你要關心的？ 10.3、考察一個現(xiàn)存的商品化數(shù)據(jù)挖掘系統(tǒng)。從多個不同角度來看，分析這一系統(tǒng)的主要特征，包括可處理的數(shù)據(jù)類型，系統(tǒng)體系結構，數(shù)據(jù)源，數(shù)據(jù)挖掘功能，數(shù)據(jù)挖掘方法，與數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)的耦合度，可伸縮性，可視化工具，和圖形用戶界面。能否對該系統(tǒng)提出一些改進意見，并且概述其實現(xiàn)方法？ 10.4、提出幾種對音頻數(shù)據(jù)挖掘的實現(xiàn)方法。可否將音頻數(shù)據(jù)挖掘與可視化數(shù)據(jù)挖掘結合起來，使得數(shù)據(jù)挖掘有趣而強大？ 10.5、基于現(xiàn)有的對數(shù)據(jù)挖掘系統(tǒng)和應用的只是，你認為數(shù)據(jù)挖掘會成為一個巨大的市場嗎？數(shù)據(jù)挖掘研究與開發(fā)的瓶頸是什么？你認為目前數(shù)據(jù)挖掘的方法會贏得巨大的系統(tǒng)應用市場份額嗎？如果不是，你能提出一些建議嗎？ 10.6、直接查詢應答與智能查詢應答之間的區(qū)別是什么？假設一個用戶要查詢某度假區(qū)的旅館的價格、地址和等級。舉例來說明用直接查詢應答與智能查詢應答處理此查詢的情況。 10.7、為什么說理論基礎的建立對數(shù)據(jù)挖掘十分重要的？列出并且描述現(xiàn)在已經(jīng)提出的數(shù)據(jù)挖掘的主要理論基礎。評論一下每一種理論是如何滿足（或者不滿足）數(shù)據(jù)挖掘的理想理論框架的要求。 10.8、通用計算機加上于領域獨立的關系數(shù)據(jù)庫系統(tǒng)在過去的幾十年中，已經(jīng)形成一個巨大的市場。對數(shù)據(jù)挖掘而言，我們應該致力于開發(fā)獨立于領域的數(shù)據(jù)挖掘系統(tǒng)，還是應當開發(fā)特定領域的數(shù)據(jù)挖掘系統(tǒng)？請說出理由。