數(shù)據(jù)倉庫與數(shù)據(jù)挖掘考試習(xí)題匯總 3

數(shù)據(jù)倉庫與數(shù)據(jù)挖掘考試習(xí)題匯總3數(shù)據(jù)倉庫與數(shù)據(jù)挖掘考試習(xí)題匯總3數(shù)據(jù)倉庫與數(shù)據(jù)挖掘考試習(xí)題匯總3數(shù)據(jù)倉庫與數(shù)據(jù)挖掘考試習(xí)題匯總3編制僅供參考審核批準(zhǔn)生效日期地址：電話：傳真:郵編:1、數(shù)據(jù)倉庫就是一個面向主題的、集成的、相對穩(wěn)定的、反映歷史變化的數(shù)據(jù)集合。2、元數(shù)據(jù)是描述數(shù)據(jù)倉庫內(nèi)數(shù)據(jù)的結(jié)構(gòu)和建立方法的數(shù)據(jù)，它為訪問數(shù)據(jù)倉庫提供了一個信息目錄，根據(jù)數(shù)據(jù)用途的不同可將數(shù)據(jù)倉庫的元數(shù)據(jù)分為技術(shù)元數(shù)據(jù)和業(yè)務(wù)元數(shù)據(jù)兩類。3、數(shù)據(jù)處理通常分成兩大類：聯(lián)機(jī)事務(wù)處理和聯(lián)機(jī)分析處理。4、多維分析是指以“維”形式組織起來的數(shù)據(jù)（多維數(shù)據(jù)集）采取切片、切塊、鉆取和旋轉(zhuǎn)等各種分析動作，以求剖析數(shù)據(jù)，使擁護(hù)能從不同角度、不同側(cè)面觀察數(shù)據(jù)倉庫中的數(shù)據(jù)，從而深入理解多維數(shù)據(jù)集中的信息。5、ROLAP是基于關(guān)系數(shù)據(jù)庫的OLAP實現(xiàn)，而MOLAP是基于多維數(shù)據(jù)結(jié)構(gòu)組織的OLAP實現(xiàn)。6、數(shù)據(jù)倉庫按照其開發(fā)過程，其關(guān)鍵環(huán)節(jié)包括數(shù)據(jù)抽取、數(shù)據(jù)存儲于管理和數(shù)據(jù)表現(xiàn)等。7、數(shù)據(jù)倉庫系統(tǒng)的體系結(jié)構(gòu)根據(jù)應(yīng)用需求的不同，可以分為以下4種類型：兩層架構(gòu)、獨立型數(shù)據(jù)集合、以來型數(shù)據(jù)結(jié)合和操作型數(shù)據(jù)存儲和邏輯型數(shù)據(jù)集中和實時數(shù)據(jù)倉庫。8、操作型數(shù)據(jù)存儲實際上是一個集成的、面向主題的、可更新的、當(dāng)前值的（但是可“揮發(fā)”的）、企業(yè)級的、詳細(xì)的數(shù)據(jù)庫，也叫運營數(shù)據(jù)存儲。9、“實時數(shù)據(jù)倉庫”以為著源數(shù)據(jù)系統(tǒng)、決策支持服務(wù)和倉庫倉庫之間以一個接近實時的速度交換數(shù)據(jù)和業(yè)務(wù)規(guī)則。10、從應(yīng)用的角度看，數(shù)據(jù)倉庫的發(fā)展演變可以歸納為5個階段：以報表為主、以分析為主、以預(yù)測模型為主、以運營導(dǎo)向為主和以實時數(shù)據(jù)倉庫和自動決策為主。1、調(diào)和數(shù)據(jù)是存儲在企業(yè)級數(shù)據(jù)倉庫和操作型數(shù)據(jù)存儲中的數(shù)據(jù)。2、抽取、轉(zhuǎn)換、加載過程的目的是為決策支持應(yīng)用提供一個單一的、權(quán)威數(shù)據(jù)源。因此，我們要求ETL過程產(chǎn)生的數(shù)據(jù)（即調(diào)和數(shù)據(jù)層）是詳細(xì)的、歷史的、規(guī)范的、可理解的、即時的和質(zhì)量可控制的。3、數(shù)據(jù)抽取的兩個常見類型是靜態(tài)抽取和增量抽取。靜態(tài)抽取用于最初填充數(shù)據(jù)倉庫，增量抽取用于進(jìn)行數(shù)據(jù)倉庫的維護(hù)。4、粒度是對數(shù)據(jù)倉庫中數(shù)據(jù)的綜合程度高低的一個衡量。粒度越小，細(xì)節(jié)程度越高，綜合程度越低，回答查詢的種類越多。5、使用星型模式可以從一定程度上提高查詢效率。因為星型模式中數(shù)據(jù)的組織已經(jīng)經(jīng)過預(yù)處理，主要數(shù)據(jù)都在龐大的事實表中。6、維度表一般又主鍵、分類層次和描述屬性組成。對于主鍵可以選擇兩種方式：一種是采用自然鍵，另一種是采用代理鍵。7、雪花型模式是對星型模式維表的進(jìn)一步層次化和規(guī)范化來消除冗余的數(shù)據(jù)。8、數(shù)據(jù)倉庫中存在不同綜合級別的數(shù)據(jù)。一般把數(shù)據(jù)分成4個級別：早期細(xì)節(jié)級、當(dāng)前細(xì)節(jié)級、輕度綜合級和高度綜合級。1、SQLServerSSAS提供了所有業(yè)務(wù)數(shù)據(jù)的同意整合試圖，可以作為傳統(tǒng)報表、在線分析處理、關(guān)鍵性能指示器記分卡和數(shù)據(jù)挖掘的基礎(chǔ)。2、數(shù)據(jù)倉庫的概念模型通常采用信息包圖法來進(jìn)行設(shè)計，要求將其5個組成部分（包括名稱、維度、類別、層次和度量）全面地描述出來。3、數(shù)據(jù)倉庫的邏輯模型通常采用星型圖法來進(jìn)行設(shè)計，要求將星型的各類邏輯實體完整地描述出來。4、按照事實表中度量的可加性情況，可以把事實表對應(yīng)的事實分為4種類型：事務(wù)事實、快照事實、線性項目事實和事件事實。5、確定了數(shù)據(jù)倉庫的粒度模型以后，為提高數(shù)據(jù)倉庫的使用性能，還需要根據(jù)擁護(hù)需求設(shè)計聚合模型。6、在項目實施時，根據(jù)事實表的特點和擁護(hù)的查詢需求，可以選用時間、業(yè)務(wù)類型、區(qū)域和下屬組織等多種數(shù)據(jù)分割類型。7、當(dāng)維表中的主鍵在事實表中沒有與外鍵關(guān)聯(lián)時，這樣的維稱為退化維。它于事實表并無關(guān)系，但有時在查詢限制條件（如訂單號碼、出貨單編號等）中需要用到。8、維度可以根據(jù)其變化快慢分為元變化維度、緩慢變化維度和劇烈變化維度三類。9、數(shù)據(jù)倉庫的數(shù)據(jù)量通常較大，且數(shù)據(jù)一般很少更新，可以通過設(shè)計和優(yōu)化索引結(jié)構(gòu)來提高數(shù)據(jù)存取性能。10、數(shù)據(jù)倉庫數(shù)據(jù)庫常見的存儲優(yōu)化方法包括表的歸并與簇文件、反向規(guī)范化引入冗余、表的物理分割（分區(qū)）。第四章1、關(guān)聯(lián)規(guī)則的經(jīng)典算法包括Apriori算法和FP-growth算法,其中FP-grownth算法的效率更高。2、如果L2={{a,b},{a,c},{a,d},{b,c},{b,d}},則連接產(chǎn)生的C3={{a,b,c},{a,b,d},{a,c,d},{b,c,d}}再經(jīng)過修剪，C3={{a,b,c},{a,b,d}}3、設(shè)定supmin=50%,交易集如則L1={A}，{B}，{C}L2={A,C}T1ABCT2ACT3ADT4BEF1、分類的過程包括獲取數(shù)據(jù)、預(yù)處理、分類器設(shè)計和分類決策。2、分類器設(shè)計階段包含三個過程：劃分?jǐn)?shù)據(jù)集、分類器構(gòu)造和分類器測試。3、分類問題中常用的評價準(zhǔn)則有精確度、查全率和查準(zhǔn)率和集合均值。4、支持向量機(jī)中常用的核函數(shù)有多項式核函數(shù)、徑向基核函數(shù)和S型核函數(shù)。1、聚類分析包括連續(xù)型、二值離散型、多值離散型和混合類型4種類型描述屬性的相似度計算方法。2、連續(xù)型屬性的數(shù)據(jù)樣本之間的距離有歐氏距離、曼哈頓距離和明考斯基距離。3、劃分聚類方法對數(shù)據(jù)集進(jìn)行聚類時包含三個要點：選種某種距離作為數(shù)據(jù)樣本減的相似性度量、選擇評價聚類性能的準(zhǔn)則函數(shù)和選擇某個初始分類，之后用迭代的方法得到聚類結(jié)果，使得評價聚類的準(zhǔn)則函數(shù)取得最優(yōu)值。4、層次聚類方法包括凝聚型和分解型兩中層次聚類方法。1、數(shù)據(jù)倉庫的組成？P2 數(shù)據(jù)倉庫數(shù)據(jù)庫，數(shù)據(jù)抽取工具，元數(shù)據(jù)，訪問工具，數(shù)據(jù)集市，數(shù)據(jù)倉庫管理，信息發(fā)布系統(tǒng)2、數(shù)據(jù)挖掘技術(shù)對聚類分析的要求有哪幾個方面？P131 可伸縮性；處理不同類型屬性的能力；發(fā)現(xiàn)任意形狀聚類的能力；減小對先驗知識和用戶自定義參數(shù)的依賴性；處理噪聲數(shù)據(jù)的能力；可解釋性和實用性3、數(shù)據(jù)倉庫在存儲和管理方面的特點與關(guān)鍵技術(shù)？P7

數(shù)據(jù)倉庫面對的是大量數(shù)據(jù)的存儲與管理 并行處理 針對決策支持查詢的優(yōu)化 支持多維分析的查詢模式4、常見的聚類算法可以分為幾類？P132

基于劃分的聚類算法，基于層次的聚類算法，基于密度的聚類算法，基于網(wǎng)格的聚類算法，基于模型的聚類算法等。5、一個典型的數(shù)據(jù)倉庫系統(tǒng)的組成？P12 數(shù)據(jù)源、數(shù)據(jù)存儲與管理、OLAP服務(wù)器、前端工具與應(yīng)用數(shù)據(jù)倉庫常見的存儲優(yōu)化方法？P71

表的歸并與簇文件；反向規(guī)范化，引入冗余；表的物理分割。數(shù)據(jù)倉庫發(fā)展演變的5個階段？P20

以報表為主

以分析為主

以預(yù)測模型為主

以運行向?qū)橹饕詫崟r數(shù)據(jù)倉庫、自動決策應(yīng)用為主ID3算法主要存在的缺點？P116

（1）ID3算法在選擇根結(jié)點和各內(nèi)部結(jié)點中的分枝屬性時，使用信息增益作為評價標(biāo)準(zhǔn)。信息增益的缺點是傾向于選擇取值較多的屬性，在有些情況下這類屬性可能不會提供太多有價值的信息。

（2）ID3算法只能對描述屬性為離散型屬性的數(shù)據(jù)集構(gòu)造決策樹。簡述數(shù)據(jù)倉庫ETL軟件的主要功能和對產(chǎn)生數(shù)據(jù)的目標(biāo)要求。P30

ETL軟件的主要功能:

數(shù)據(jù)的抽取，數(shù)據(jù)的轉(zhuǎn)換，數(shù)據(jù)的加載

對產(chǎn)生數(shù)據(jù)的目標(biāo)要求：

詳細(xì)的、歷史的、規(guī)范化的、可理解的、即時的、質(zhì)量可控制的簡述分類器設(shè)計階段包含的3個過程?！?/p>

劃分?jǐn)?shù)據(jù)集，分類器構(gòu)造，分類器測試什么是數(shù)據(jù)清洗？P33★

數(shù)據(jù)清洗是一種使用模式識別和其他技術(shù)，在將原始數(shù)據(jù)轉(zhuǎn)換和移到數(shù)據(jù)倉庫之前來升級原始數(shù)據(jù)質(zhì)量的技術(shù)。支持度和置信度的計算公式及數(shù)據(jù)計算（P90）

找出所有的規(guī)則XY,使支持度和置信度分別大于門限支持度：事務(wù)中X和Y同時發(fā)生的比例,P(X?Y)置信度：項集X發(fā)生時，Y同時發(fā)生的條件概率P(Y|X)

Example:

13、利用信息包圖設(shè)計數(shù)據(jù)倉庫概念模型需要確定的三方面內(nèi)容。P57 確定指標(biāo)，確定維度，確定類別14、K-近鄰分類方法的操作步驟（包括算法的輸入和輸出）。P128

15、什么是技術(shù)元數(shù)據(jù)，主要包含的內(nèi)容？P29

技術(shù)元數(shù)據(jù)是描述關(guān)于數(shù)據(jù)倉庫技術(shù)細(xì)節(jié)的數(shù)據(jù)，應(yīng)用于開發(fā)、管理和維護(hù)DW，包含：DW結(jié)構(gòu)的描述,如DW的模式、視圖、維、層次結(jié)構(gòu)和導(dǎo)出數(shù)據(jù)的定義，數(shù)據(jù)集市的位置和內(nèi)容等業(yè)務(wù)系統(tǒng)、DW和數(shù)據(jù)集市的體系結(jié)構(gòu)和模式匯總算法。包括度量和維定義算法，數(shù)據(jù)粒度、主題領(lǐng)域、聚合、匯總和預(yù)定義的查詢和報告。由操作型業(yè)務(wù)環(huán)境到數(shù)據(jù)倉庫業(yè)務(wù)環(huán)境的映射。包括源數(shù)據(jù)和他們的內(nèi)容、數(shù)據(jù)分割、數(shù)據(jù)提取、清洗、轉(zhuǎn)換規(guī)則和數(shù)據(jù)刷新規(guī)則及安全（用戶授權(quán)和存取控制）16、業(yè)務(wù)元數(shù)據(jù)主要包含的內(nèi)容？P29 業(yè)務(wù)元數(shù)據(jù)：從業(yè)務(wù)角度描述了DW中的數(shù)據(jù)，提供了介于使用者和實際系統(tǒng)之間的語義層，主要包括：使用者的業(yè)務(wù)屬于所表達(dá)的數(shù)據(jù)模型、對象名和屬性名訪問數(shù)據(jù)的原則和數(shù)據(jù)的來源系統(tǒng)提供的分析方法及公式和報表的信息。17、K-means算法的基本操作步驟（包括算法的輸入和輸出）。P138★18、數(shù)據(jù)從集結(jié)區(qū)加載到數(shù)據(jù)倉庫中的主要方法？P36SQL命令（如Insert或Update）由DW供應(yīng)商或第三方提供專門的加載工具由DW管理員編寫自定義程序19、多維數(shù)據(jù)模型中的基本概念：維，維類別，維屬性，粒度P37 維：人們觀察數(shù)據(jù)的特定角度，是考慮問題的一類屬性，如時間維或產(chǎn)品維維類別：也稱維分層。即同一維度還可以存在細(xì)節(jié)程度不同的各個類別屬性（如時間維包括年、季度、月等）維屬性：是維的一個取值，是數(shù)據(jù)線在某維中位置的描述。粒度：DW中數(shù)據(jù)綜合程度高低的一個衡量。粒度低，細(xì)節(jié)程度高，回答查詢的種類多單選題

1.某超市研究銷售紀(jì)錄數(shù)據(jù)后發(fā)現(xiàn)，買啤酒的人很大概率也會購買尿布，這種屬于數(shù)據(jù)挖掘的哪類問題(

A)

A.關(guān)聯(lián)規(guī)則發(fā)現(xiàn)B.聚類

C.分類D.自然語言處理

2.以下兩種描述分別對應(yīng)哪兩種對分類算法的評價標(biāo)準(zhǔn)

(A)

(a)警察抓小偷，描述警察抓的人中有多少個是小偷的標(biāo)準(zhǔn)。

(b)描述有多少比例的小偷給警察抓了的標(biāo)準(zhǔn)。

A.Precision,RecallB.Recall,Precision

A.Precision,ROCD.Recall,ROC

3.將原始數(shù)據(jù)進(jìn)行集成、變換、維度規(guī)約、數(shù)值規(guī)約是在以下哪個步驟的任務(wù)(

C)

A.頻繁模式挖掘B.分類和預(yù)測C.數(shù)據(jù)預(yù)處理D.數(shù)據(jù)流挖掘

4.當(dāng)不知道數(shù)據(jù)所帶標(biāo)簽時，可以使用哪種技術(shù)促使帶同類標(biāo)簽的數(shù)據(jù)與帶其他標(biāo)簽的數(shù)據(jù)相分離(

B)

A.分類B.聚類C.關(guān)聯(lián)分析D.隱馬爾可夫鏈

5.什么是KDD

(A)

A.數(shù)據(jù)挖掘與知識發(fā)現(xiàn)B.領(lǐng)域知識發(fā)現(xiàn)

C.文檔知識發(fā)現(xiàn)D.動態(tài)知識發(fā)現(xiàn)

6.使用交互式的和可視化的技術(shù)，對數(shù)據(jù)進(jìn)行探索屬于數(shù)據(jù)挖掘的哪一類任務(wù)（

A）

A.探索性數(shù)據(jù)分析B.建模描述

C.預(yù)測建模D.尋找模式和規(guī)則

7.為數(shù)據(jù)的總體分布建模；把多維空間劃分成組等問題屬于數(shù)據(jù)挖掘的哪一類任務(wù)(

B)

A.探索性數(shù)據(jù)分析B.建模描述

C.預(yù)測建模D.尋找模式和規(guī)則

8.建立一個模型，通過這個模型根據(jù)已知的變量值來預(yù)測其他某個變量值屬于數(shù)據(jù)挖掘的哪一類任務(wù)(

C)

A.根據(jù)內(nèi)容檢索B.建模描述

C.預(yù)測建模D.尋找模式和規(guī)則

9.用戶有一種感興趣的模式并且希望在數(shù)據(jù)集中找到相似的模式，屬于數(shù)據(jù)挖掘哪一類任務(wù)(

A)

A.根據(jù)內(nèi)容檢索B.建模描述

C.預(yù)測建模D.尋找模式和規(guī)則

11.下面哪種不屬于數(shù)據(jù)預(yù)處理的方法

(D)

A變量代換B離散化C聚集D估計遺漏值

12.假設(shè)12個銷售價格記錄組已經(jīng)排序如下：5,10,11,13,15,35,50,55,72,92,204,215使用如下每種方法將它們劃分成四個箱。等頻（等深）劃分時，15在第幾個箱子內(nèi)

(B)

A第一個B第二個C第三個D第四個

13.上題中，等寬劃分時（寬度為50），15又在哪個箱子里

(A)

A第一個B第二個C第三個D第四個

14.下面哪個不屬于數(shù)據(jù)的屬性類型：(D)

A標(biāo)稱B序數(shù)C區(qū)間D相異

15.在上題中，屬于定量的屬性類型是：(C)

A標(biāo)稱B序數(shù)C區(qū)間D相異

16.只有非零值才重要的二元屬性被稱作：(C)

A計數(shù)屬性B離散屬性C非對稱的二元屬性D對稱屬性

17.以下哪種方法不屬于特征選擇的標(biāo)準(zhǔn)方法：(D)

A嵌入B過濾C包裝D抽樣

18.下面不屬于創(chuàng)建新屬性的相關(guān)方法的是：(B)

A特征提取B特征修改C映射數(shù)據(jù)到新的空間D特征構(gòu)造

19.考慮值集{1、2、3、4、5、90}，其截斷均值（p=20%）是(C)

A2B3C3.5D5

20.下面哪個屬于映射數(shù)據(jù)到新的空間的方法

(A)

A傅立葉變換B特征加權(quán)C漸進(jìn)抽樣D維歸約

21.熵是為消除不確定性所需要獲得的信息量，投擲均勻正六面體骰子的熵是：(B)

A1比特B2.6比特C3.2比特D3.8比特

22.假設(shè)屬性income的最大最小值分別是12000元和98000元。利用最大最小規(guī)范化的方法將屬性的值映射到0至1的范圍內(nèi)。對屬性income的73600元將被轉(zhuǎn)化為：(D)

A0.821B1.224C1.458D0.716

23.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）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70,問題：使用按箱平均值平滑方法對上述數(shù)據(jù)進(jìn)行平滑，箱的深度為3。第二個箱子值為：(A)

A18.3B22.6C26.8D27.9

24.考慮值集{12243324556826}，其四分位數(shù)極差是：(A)

A31B24C55D3

25.一所大學(xué)內(nèi)的各年紀(jì)人數(shù)分別為：一年級200人，二年級160人，三年級130人，四年級110人。則年級屬性的眾數(shù)是：(A)

A一年級B二年級C三年級D四年級

26.下列哪個不是專門用于可視化時間空間數(shù)據(jù)的技術(shù)：(B)

A等高線圖B餅圖C曲面圖D矢量場圖

27.在抽樣方法中，當(dāng)合適的樣本容量很難確定時，可以使用的抽樣方法是：(D)

A有放回的簡單隨機(jī)抽樣B無放回的簡單隨機(jī)抽樣C分層抽樣D漸進(jìn)抽樣

28.數(shù)據(jù)倉庫是隨著時間變化的,下面的描述不正確的是(C)

A.數(shù)據(jù)倉庫隨時間的變化不斷增加新的數(shù)據(jù)內(nèi)容;

B.捕捉到的新數(shù)據(jù)會覆蓋原來的快照;

C.數(shù)據(jù)倉庫隨事件變化不斷刪去舊的數(shù)據(jù)內(nèi)容;

D.數(shù)據(jù)倉庫中包含大量的綜合數(shù)據(jù),這些綜合數(shù)據(jù)會隨著時間的變化不斷地進(jìn)行重新綜合.

29.關(guān)于基本數(shù)據(jù)的元數(shù)據(jù)是指:(D)

A.基本元數(shù)據(jù)與數(shù)據(jù)源,數(shù)據(jù)倉庫,數(shù)據(jù)集市和應(yīng)用程序等結(jié)構(gòu)相關(guān)的信息;

B.基本元數(shù)據(jù)包括與企業(yè)相關(guān)的管理方面的數(shù)據(jù)和信息;

C.基本元數(shù)據(jù)包括日志文件和簡歷執(zhí)行處理的時序調(diào)度信息;

D.基本元數(shù)據(jù)包括關(guān)于裝載和更新處理,分析處理以及管理方面的信息.

30.下面關(guān)于數(shù)據(jù)粒度的描述不正確的是:(C)

A.粒度是指數(shù)據(jù)倉庫小數(shù)據(jù)單元的詳細(xì)程度和級別;

B.數(shù)據(jù)越詳細(xì),粒度就越小,級別也就越高;

C.數(shù)據(jù)綜合度越高,粒度也就越大,級別也就越高;

D.粒度的具體劃分將直接影響數(shù)據(jù)倉庫中的數(shù)據(jù)量以及查詢質(zhì)量.

31.有關(guān)數(shù)據(jù)倉庫的開發(fā)特點,不正確的描述是:(A)

A.數(shù)據(jù)倉庫開發(fā)要從數(shù)據(jù)出發(fā);

B.數(shù)據(jù)倉庫使用的需求在開發(fā)出去就要明確;

C.數(shù)據(jù)倉庫的開發(fā)是一個不斷循環(huán)的過程,是啟發(fā)式的開發(fā);

D.在數(shù)據(jù)倉庫環(huán)境中,并不存在操作型環(huán)境中所固定的和較確切的處理流,數(shù)據(jù)倉庫中數(shù)據(jù)分析和處理更靈活,且沒有固定的模式

32.在有關(guān)數(shù)據(jù)倉庫測試,下列說法不正確的是:(D)

A.在完成數(shù)據(jù)倉庫的實施過程中,需要對數(shù)據(jù)倉庫進(jìn)行各種測試.測試工作中要包括單元測試和系統(tǒng)測試.

B.當(dāng)數(shù)據(jù)倉庫的每個單獨組件完成后,就需要對他們進(jìn)行單元測試.

C.系統(tǒng)的集成測試需要對數(shù)據(jù)倉庫的所有組件進(jìn)行大量的功能測試和回歸測試.

D.在測試之前沒必要制定詳細(xì)的測試計劃.

33.OLAP技術(shù)的核心是:(D)

A.在線性;

B.對用戶的快速響應(yīng);

C.互操作性.

D.多維分析;

34.關(guān)于OLAP的特性,下面正確的是:(D)

(1)快速性(2)可分析性(3)多維性(4)信息性(5)共享性

A.(1)(2)(3)

B.(2)(3)(4)

C.(1)(2)(3)(4)

D.(1)(2)(3)(4)(5)

35.關(guān)于OLAP和OLTP的區(qū)別描述,不正確的是:(C)

A.OLAP主要是關(guān)于如何理解聚集的大量不同的數(shù)據(jù).它與OTAP應(yīng)用程序不同.

B.與OLAP應(yīng)用程序不同,OLTP應(yīng)用程序包含大量相對簡單的事務(wù).

C.OLAP的特點在于事務(wù)量大,但事務(wù)內(nèi)容比較簡單且重復(fù)率高.

D.OLAP是以數(shù)據(jù)倉庫為基礎(chǔ)的,但其最終數(shù)據(jù)來源與OLTP一樣均來自底層的數(shù)據(jù)庫系統(tǒng),兩者面對的用戶是相同的.

36.OLAM技術(shù)一般簡稱為”數(shù)據(jù)聯(lián)機(jī)分析挖掘”,下面說法正確的是:(D)

A.OLAP和OLAM都基于客戶機(jī)/服務(wù)器模式,只有后者有與用戶的交互性;

B.由于OLAM的立方體和用于OLAP的立方體有本質(zhì)的區(qū)別.

C.基于WEB的OLAM是WEB技術(shù)與OLAM技術(shù)的結(jié)合.

D.OLAM服務(wù)器通過用戶圖形借口接收用戶的分析指令,在元數(shù)據(jù)的知道下,對超級立方體作一定的操作.

37.關(guān)于OLAP和OLTP的說法,下列不正確的是:(A)

A.OLAP事務(wù)量大,但事務(wù)內(nèi)容比較簡單且重復(fù)率高.

B.OLAP的最終數(shù)據(jù)來源與OLTP不一樣.

C.OLTP面對的是決策人員和高層管理人員.

D.OLTP以應(yīng)用為核心,是應(yīng)用驅(qū)動的.

38.設(shè)X={1，2，3}是頻繁項集，則可由X產(chǎn)生__(C)__個關(guān)聯(lián)規(guī)則。

A、4B、5C、6D、7

40.概念分層圖是__(B)__圖。

A、無向無環(huán)B、有向無環(huán)C、有向有環(huán)D、無向有環(huán)

41.頻繁項集、頻繁閉項集、最大頻繁項集之間的關(guān)系是：(C)

A、頻繁項集頻繁閉項集=最大頻繁項集

B、頻繁項集=頻繁閉項集最大頻繁項集

C、頻繁項集頻繁閉項集最大頻繁項集

D、頻繁項集=頻繁閉項集=最大頻繁項集

42.考慮下面的頻繁3-項集的集合：{1，2，3}，{1，2，4}，{1，2，5}，{1，3，4}，{1，3，5}，{2，3，4}，{2，3，5}，{3，4，5}假定數(shù)據(jù)集中只有5個項，采用合并策略，由候選產(chǎn)生過程得到4-項集不包含（C）

A、1，2，3，4B、1，2，3，5C、1，2，4，5D、1，3，4，5

43.下面選項中t不是s的子序列的是(C)

A、s=<{2,4},{3,5,6},{8}>t=<{2},{3,6},{8}>

B、s=<{2,4},{3,5,6},{8}>t=<{2},{8}>

C、s=<{1,2},{3,4}>t=<{1},{2}>

D、s=<{2,4},{2,4}>t=<{2},{4}>

44.在圖集合中發(fā)現(xiàn)一組公共子結(jié)構(gòu)，這樣的任務(wù)稱為(B)

A、頻繁子集挖掘B、頻繁子圖挖掘C、頻繁數(shù)據(jù)項挖掘D、頻繁模式挖掘

45.下列度量不具有反演性的是(D)

A、系數(shù)B、幾率C、Cohen度量D、興趣因子

46.下列__(A)__不是將主觀信息加入到模式發(fā)現(xiàn)任務(wù)中的方法。

A、與同一時期其他數(shù)據(jù)對比

B、可視化

C、基于模板的方法

D、主觀興趣度量

47.下面購物籃能夠提取的3-項集的最大數(shù)量是多少（C）

ID購買項

1牛奶，啤酒，尿布

2面包，黃油，牛奶

3牛奶，尿布，餅干

4面包，黃油，餅干

5啤酒，餅干，尿布

6牛奶，尿布，面包，黃油

7面包，黃油，尿布

8啤酒，尿布

9牛奶，尿布，面包，黃油

10啤酒，餅干

A、1B、2C、3D、4

48.以下哪些算法是分類算法，A，DBSCANB，C4.5C,K-MeanD,EM（B）

49.以下哪些分類方法可以較好地避免樣本的不平衡問題，A，KNNB，SVMC，BayesD，神經(jīng)網(wǎng)絡(luò)（A）

50.決策樹中不包含一下哪種結(jié)點，A,根結(jié)點（rootnode)B,內(nèi)部結(jié)點（internalnode）C,外部結(jié)點（externalnode）D,葉結(jié)點（leafnode）(C)

51.不純性度量中Gini計算公式為（其中c是類的個數(shù)）(A)

A,B,C,D,（A）

53.以下哪項關(guān)于決策樹的說法是錯誤的(C)

A.冗余屬性不會對決策樹的準(zhǔn)確率造成不利的影響

B.子樹可能在決策樹中重復(fù)多次

C.決策樹算法對于噪聲的干擾非常敏感

D.尋找最佳決策樹是NP完全問題

54.在基于規(guī)則分類器的中，依據(jù)規(guī)則質(zhì)量的某種度量對規(guī)則排序，保證每一個測試記錄都是由覆蓋它的“最好的”規(guī)格來分類，這種方案稱為(B)

A.基于類的排序方案

B.基于規(guī)則的排序方案

C.基于度量的排序方案

D.基于規(guī)格的排序方案。

55.以下哪些算法是基于規(guī)則的分類器(A)

A.C4.5B.KNNC.Na?veBayesD.ANN

56.如果規(guī)則集R中不存在兩條規(guī)則被同一條記錄觸發(fā)，則稱規(guī)則集R中的規(guī)則為（C）；

A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則

57.如果對屬性值的任一組合，R中都存在一條規(guī)則加以覆蓋，則稱規(guī)則集R中的規(guī)則為(B)A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則

58.如果規(guī)則集中的規(guī)則按照優(yōu)先級降序排列，則稱規(guī)則集是(D)

A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則

59.如果允許一條記錄觸發(fā)多條分類規(guī)則，把每條被觸發(fā)規(guī)則的后件看作是對相應(yīng)類的一次投票，然后計票確定測試記錄的類標(biāo)號，稱為（A）

A,無序規(guī)則B，窮舉規(guī)則C，互斥規(guī)則D，有序規(guī)則

60.考慮兩隊之間的足球比賽：隊0和隊1。假設(shè)65%的比賽隊0勝出，剩余的比賽隊1獲勝。隊0獲勝的比賽中只有30%是在隊1的主場，而隊1取勝的比賽中75%是主場獲勝。如果下一場比賽在隊1的主場進(jìn)行隊1獲勝的概率為(C)

A，0.75B,0.35C,0.4678D,0.5738

61.以下關(guān)于人工神經(jīng)網(wǎng)絡(luò)（ANN）的描述錯誤的有(A)

A，神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)中的噪聲非常魯棒B，可以處理冗余特征C，訓(xùn)練ANN是一個很耗時的過程D，至少含有一個隱藏層的多層神經(jīng)網(wǎng)絡(luò)

62.通過聚集多個分類器的預(yù)測來提高分類準(zhǔn)確率的技術(shù)稱為(A)

A,組合(ensemble)B,聚集(aggregate)C，合并(combination)D，投票(voting)

63.簡單地將數(shù)據(jù)對象集劃分成不重疊的子集，使得每個數(shù)據(jù)對象恰在一個子集中，這種聚類類型稱作（B）A、層次聚類B、劃分聚類C、非互斥聚類D、模糊聚類

64.在基本K均值算法里，當(dāng)鄰近度函數(shù)采用（A）的時候，合適的質(zhì)心是簇中各點的中位數(shù)。

A、曼哈頓距離B、平方歐幾里德距離C、余弦距離D、Bregman散度

65.（C）是一個觀測值，它與其他觀測值的差別如此之大，以至于懷疑它是由不同的機(jī)制產(chǎn)生的。

A、邊界點B、質(zhì)心C、離群點D、核心點

66.BIRCH是一種（B）。

A、分類器B、聚類算法C、關(guān)聯(lián)分析算法D、特征選擇算法

67.檢測一元正態(tài)分布中的離群點，屬于異常檢測中的基于（A）的離群點檢測。A、統(tǒng)計方法B、鄰近度C、密度D、聚類技術(shù)

68.（C）將兩個簇的鄰近度定義為不同簇的所有點對的平均逐對鄰近度，它是一種凝聚層次聚類技術(shù)。

A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Ward方法

69.（D）將兩個簇的鄰近度定義為兩個簇合并時導(dǎo)致的平方誤差的增量，它是一種凝聚層次聚類技術(shù)。

A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Ward方法

70.DBSCAN在最壞情況下的時間復(fù)雜度是（B）。

A、O(m)B、O(m2)C、O(logm)D、O(m*logm)

71.在基于圖的簇評估度量表里面，如果簇度量為proximity(Ci,C)，簇權(quán)值為mi，那么它的類型是（C）。

A、基于圖的凝聚度B、基于原型的凝聚度C、基于原型的分離度D、基于圖的凝聚度和分離度

72.關(guān)于K均值和DBSCAN的比較，以下說法不正確的是（A）。

A、K均值丟棄被它識別為噪聲的對象，而DBSCAN一般聚類所有對象。

B、K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。

C、K均值很難處理非球形的簇和不同大小的簇，DBSCAN可以處理不同大小和不同形狀的簇。

D、K均值可以發(fā)現(xiàn)不是明顯分離的簇，即便簇有重疊也可以發(fā)現(xiàn)，但是DBSCAN會合并有重疊的簇。

73.以下是哪一個聚類算法的算法流程：①構(gòu)造k－最近鄰圖。②使用多層圖劃分算法劃分圖。③repeat：合并關(guān)于相對互連性和相對接近性而言，最好地保持簇的自相似性的簇。④until：不再有可以合并的簇。（C）。

A、MSTB、OPOSSUMC、ChameleonD、Jarvis－Patrick（JP）

74.考慮這么一種情況：一個對象碰巧與另一個對象相對接近，但屬于不同的類，因為這兩個對象一般不會共享許多近鄰，所以應(yīng)該選擇（D）的相似度計算方法。

A、平方歐幾里德距離B、余弦距離C、直接相似度D、共享最近鄰

75.以下屬于可伸縮聚類算法的是（A）。

A、CUREB、DENCLUEC、CLIQUED、OPOSSUM

76.以下哪個聚類算法不是屬于基于原型的聚類（D）。

A、模糊c均值B、EM算法C、SOMD、CLIQUE

77.關(guān)于混合模型聚類算法的優(yōu)缺點，下面說法正確的是（B）。

A、當(dāng)簇只包含少量數(shù)據(jù)點，或者數(shù)據(jù)點近似協(xié)線性時，混合模型也能很好地處理。

B、混合模型比K均值或模糊c均值更一般，因為它可以使用各種類型的分布。

C、混合模型很難發(fā)現(xiàn)不同大小和橢球形狀的簇。

D、混合模型在有噪聲和離群點時不會存在問題。

78.以下哪個聚類算法不屬于基于網(wǎng)格的聚類算法（D）。

A、STINGB、WaveClusterC、MAFIAD、BIRCH

79.一個對象的離群點得分是該對象周圍密度的逆。這是基于（C）的離群點定義。

A．概率B、鄰近度C、密度D、聚類

80.下面關(guān)于Jarvis－Patrick（JP）聚類算法的說法不正確的是（D）。

A、JP聚類擅長處理噪聲和離群點，并且能夠處理不同大小、形狀和密度的簇。

B、JP算法對高維數(shù)據(jù)效果良好，尤其擅長發(fā)現(xiàn)強(qiáng)相關(guān)對象的緊致簇。

C、JP聚類是基于SNN相似度的概念。

D、JP聚類的基本時間復(fù)雜度為O(m)。

三、判斷題

1.數(shù)據(jù)挖掘的主要任務(wù)是從數(shù)據(jù)中發(fā)現(xiàn)潛在的規(guī)則，從而能更好的完成描述數(shù)據(jù)、預(yù)測數(shù)據(jù)等任務(wù)。(對)

2.數(shù)據(jù)挖掘的目標(biāo)不在于數(shù)據(jù)采集策略，而在于對于已經(jīng)存在的數(shù)據(jù)進(jìn)行模式的發(fā)掘。（對）3.圖挖掘技術(shù)在社會網(wǎng)絡(luò)分析中扮演了重要的角色。（對）

4.模式為對數(shù)據(jù)集的全局性總結(jié)，它對整個測量空間的每一點做出描述；模型則對變量變化空間的一個有限區(qū)域做出描述。（錯）

5.尋找模式和規(guī)則主要是對數(shù)據(jù)進(jìn)行干擾，使其符合某種規(guī)則以及模式。（錯）

6.離群點可以是合法的數(shù)據(jù)對象或者值。（對）

7.離散屬性總是具有有限個值。（錯）

8.噪聲和偽像是數(shù)據(jù)錯誤這一相同表述的兩種叫法。（錯）

9.用于分類的離散化方法之間的根本區(qū)別在于是否使用類信息。（對）

10.特征提取技術(shù)并不依賴于特定的領(lǐng)域。（錯）

11.序列數(shù)據(jù)沒有時間戳。（對）

12.定量屬性可以是整數(shù)值或者是連續(xù)值。（對）

13.可視化技術(shù)對于分析的數(shù)據(jù)類型通常不是專用性的。（錯）

14.DSS主要是基于數(shù)據(jù)倉庫.聯(lián)機(jī)數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的應(yīng)用。（對）

15.OLAP技術(shù)側(cè)重于把數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行分析、轉(zhuǎn)換成輔助決策信息，是繼數(shù)據(jù)庫技術(shù)發(fā)展之后迅猛發(fā)展起來的一種新技術(shù)。（對）

16.商業(yè)智能系統(tǒng)與一般交易系統(tǒng)之間在系統(tǒng)設(shè)計上的主要區(qū)別在于：后者把結(jié)構(gòu)強(qiáng)加于商務(wù)之上，一旦系統(tǒng)設(shè)計完畢，其程序和規(guī)則不會輕易改變；而前者則是一個學(xué)習(xí)型系統(tǒng)，能自動適應(yīng)商務(wù)不斷變化的要求。（對）

17.數(shù)據(jù)倉庫中間層OLAP服務(wù)器只能采用關(guān)系型OLAP（錯）

18．?dāng)?shù)據(jù)倉庫系統(tǒng)的組成部分包括數(shù)據(jù)倉庫，倉庫管理，數(shù)據(jù)抽取，分析工具等四個部分.(錯)Web數(shù)據(jù)挖掘是通過數(shù)據(jù)庫仲的一些屬性來預(yù)測另一個屬性,它在驗證用戶提出的假設(shè)過程中提取信息.（錯）

21.關(guān)聯(lián)規(guī)則挖掘過程是發(fā)現(xiàn)滿足最小支持度的所有項集代表的規(guī)則。（錯）

22.利用先驗原理可以幫助減少頻繁項集產(chǎn)生時需要探查的候選項個數(shù)（對）。

23.先驗原理可以表述為：如果一個項集是頻繁的，那包含它的所有項集也是頻繁的。（錯

24.如果規(guī)則不滿足置信度閾值，則形如的規(guī)則一定也不滿足置信度閾值，其中是X的子集。（對）

25.具有較高的支持度的項集具有較高的置信度。（錯）

26.聚類（clustering）是這樣的過程：它找出描述并區(qū)分?jǐn)?shù)據(jù)類或概念的模型(或函數(shù))，以便能夠使用模型預(yù)測類標(biāo)記未知的對象類。（錯）

27.分類和回歸都可用于預(yù)測，分類的輸出是離散的類別值，而回歸的輸出是連續(xù)數(shù)值。(對)對于SVM分類算法，待分樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對分類結(jié)果沒有影響。（對）

29.Bayes法是一種在已知后驗概率與類條件概率的情況下的模式分類方法，待分樣本的分類結(jié)果取決于各類域中樣本的全體。(錯)

30.分類模型的誤差大致分為兩種：訓(xùn)練誤差（trainingerror）和泛化誤差（generalizationerror）.(對)

31.在決策樹中，隨著樹中結(jié)點數(shù)變得太大，即使模型的訓(xùn)練誤差還在繼續(xù)減低，但是檢驗誤差開始增大，這是出現(xiàn)了模型擬合不足的問題。（錯）

32.SVM是這樣一個分類器，他尋找具有最小邊緣的超平面，因此它也經(jīng)常被稱為最小邊緣分類器（minimalmarginclassifier）(錯)

33.在聚類分析當(dāng)中，簇內(nèi)的相似性越大，簇間的差別越大，聚類的效果就越差。（錯）

34.聚類分析可以看作是一種非監(jiān)督的分類。（對）

35.K均值是一種產(chǎn)生劃分聚類的基于密度的聚類算法，簇的個數(shù)由算法自動地確定。（錯

36.給定由兩次運行K均值產(chǎn)生的兩個不同的簇集，誤差的平方和最大的那個應(yīng)該被視為較優(yōu)。（錯）

37.基于鄰近度的離群點檢測方法不能處理具有不同密度區(qū)域的數(shù)據(jù)集。（對）

38.如果一個對象不強(qiáng)屬于任何簇，那么該對象是基于聚類的離群點。（對）

39.從點作為個體簇開始，每一步合并兩個最接近的簇，這是一種分裂的層次聚類方法。（錯）40.DBSCAN是相對抗噪聲的，并且能夠處理任意形狀和大小的簇。（對）二.簡答題1.預(yù)測與分類的區(qū)別是什么?分類是預(yù)測數(shù)據(jù)對象的離散類別，預(yù)測是用于數(shù)據(jù)對象的連續(xù)取值2.數(shù)據(jù)分類由哪幾步過程組成?第一步，建立一個模型，描述指定的數(shù)據(jù)類集或概念集；第二步，使用模型進(jìn)行分類。3.ID3算法的核心是什么?在決策樹各級節(jié)點上選擇屬性時，用信息增益作為屬性的選擇標(biāo)準(zhǔn)，以使得在每一個葉節(jié)點進(jìn)行測試時能獲得關(guān)于被測試記錄最大的類別信息。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。

①樸素貝葉斯分類假定一個屬性值對給定類的影響?yīng)毩⒂谄渌鼘傩缘闹?。該假定稱作類條件獨立。做此假定是為了簡化所需計算，并在此意義下稱為“樸素的”。②設(shè)為一個類別未知的數(shù)據(jù)樣本，H為某個假設(shè)，若數(shù)據(jù)樣本X屬于一個特定的類別C，分類問題就是決定P（H|X），即在獲得數(shù)據(jù)樣本X時假設(shè)成立的概率。神經(jīng)網(wǎng)絡(luò)的優(yōu)點和缺點分別是什么?優(yōu)點：其對噪音數(shù)據(jù)的高承受能力，以及它對未經(jīng)過訓(xùn)練的數(shù)據(jù)的分類能力。缺點：需要很長的訓(xùn)練時間，因而對于有足夠長訓(xùn)練時間的應(yīng)用更合適。典型的數(shù)據(jù)挖掘系統(tǒng)主要由哪幾部分組成？數(shù)據(jù)庫，數(shù)據(jù)倉庫或其他信息庫；數(shù)據(jù)庫或數(shù)據(jù)倉庫服務(wù)器；知識庫；數(shù)據(jù)挖掘引擎；圖形用戶界面7.OLAP與OLTP的全稱分別是什么它們兩者之間的區(qū)別是什么

聯(lián)機(jī)事務(wù)處理OLTP(on-linetransactionprocessing)；聯(lián)機(jī)分析處理OLAP(on-lineanalyticalprocessing)；OLTP和OLAP的區(qū)別：用戶和系統(tǒng)的面向性:OLTP面向顧客，而OLAP面向市場；數(shù)據(jù)內(nèi)容：OLTP系統(tǒng)管理當(dāng)前數(shù)據(jù)，而OLAP管理歷史的數(shù)據(jù)；數(shù)據(jù)庫設(shè)計：OLTP系統(tǒng)采用實體-聯(lián)系（ER)模型和面向應(yīng)用的數(shù)據(jù)庫設(shè)計，而OLAP系統(tǒng)通常采用星形和雪花模型；視圖：OLTP系統(tǒng)主要關(guān)注一個企業(yè)或部門內(nèi)部的當(dāng)前數(shù)據(jù)，而OLAP系統(tǒng)主要關(guān)注匯總的統(tǒng)一的數(shù)據(jù)；訪問模式：OLTP訪問主要有短的原子事務(wù)組成，而OLAP系統(tǒng)的訪問大部分是只讀操作，盡管許多可能是復(fù)雜的查詢。8.數(shù)據(jù)倉庫與數(shù)據(jù)集市的區(qū)別是什么？數(shù)據(jù)倉庫收集了關(guān)于整個組織的主題信息，因此是企業(yè)范圍的。對于數(shù)據(jù)倉庫，通常使用星座模式，因為它能對多個相關(guān)的主題建模；數(shù)據(jù)集市是數(shù)據(jù)倉庫的一個部門子集，它針對選定的主題，因此是部門范圍的。對于數(shù)據(jù)集市，流行星型或雪花模式，因為它們都適合對單個主題建模。不完整數(shù)據(jù)的產(chǎn)生原因有哪些？有些屬性的內(nèi)容有時沒有(2)有些數(shù)據(jù)當(dāng)時被認(rèn)為是不必要的(3)由于誤解或檢測設(shè)備失靈導(dǎo)致相關(guān)數(shù)據(jù)沒有記錄下來(4)與其他記錄內(nèi)容不一致而被刪除(5)歷史記錄或?qū)?shù)據(jù)的修改被忽略了。10.噪聲數(shù)據(jù)的產(chǎn)生原因有哪些？(1)數(shù)據(jù)采集設(shè)備有問題(2)在數(shù)據(jù)錄入過程中發(fā)生了人為或計算機(jī)錯誤(3)數(shù)據(jù)傳輸過程中發(fā)生錯誤(4)由于命名規(guī)則或數(shù)據(jù)代碼不同而引起的不一致。11.對遺漏數(shù)據(jù)有哪些處理方法?忽略該條記錄；手工填補(bǔ)遺漏值；利用默認(rèn)值填補(bǔ)遺漏值；利用均值填補(bǔ)遺漏值；利用同類別均值填補(bǔ)遺漏值；利用最可能的值填充遺漏值。12.數(shù)據(jù)消減的主要策略有哪些？數(shù)據(jù)立方合計；維數(shù)消減；數(shù)據(jù)壓縮；數(shù)據(jù)塊消減；離散化與概念層次生成。數(shù)據(jù)源對象可以創(chuàng)建幾種不同的安全認(rèn)證選項？4種：使用特定用戶名和密碼；使用服務(wù)賬戶；使用當(dāng)前用戶的憑據(jù)；默認(rèn)值。數(shù)據(jù)挖掘?qū)垲惖牡湫鸵笥心男靠缮炜s性；處理不同類型屬性的能力；發(fā)現(xiàn)任意形狀的聚類；用于決定輸入?yún)?shù)的領(lǐng)域知識最小化；處理“噪聲”數(shù)據(jù)的能力；對于輸入記錄的順序不敏感；高維度；基于約束的聚類。簡述下列聚類算法劃分方法：給定一個n個對象或元組的數(shù)據(jù)庫，一個劃分方法構(gòu)造數(shù)據(jù)的k個劃分，每個劃分表示一個聚類，并且k<n。層次方法：對給定數(shù)據(jù)對象集合進(jìn)行層次的分解?；诿芏鹊姆椒ǎ褐灰桥R近區(qū)域的密度超過某個閥值，就繼續(xù)聚類。基于網(wǎng)格的方法：把對象空間量化為有限數(shù)目的單元?；谀Ｐ偷姆椒ǎ涸噲D優(yōu)化給定的數(shù)據(jù)和某些數(shù)學(xué)模型之間的適應(yīng)性。三.計算題1.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）：13,15,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,33,35,35,35,35,36,40,45,46,52,70(a)使用按箱平均值平滑對以上數(shù)據(jù)進(jìn)行平滑，箱的深度為3。(b)使用按箱邊界值平滑對以上數(shù)據(jù)進(jìn)行平滑，箱的深度為3。例題如下操作：*price的排序后數(shù)據(jù)(美元):4,8,9,15,21,21,24,25,26,28, 29,34*劃分為（等深的）箱: -箱1:4,8,9,15 -箱2:21,21,24,25 -箱3:26,28,29,34*用箱平均值平滑:-箱1:9,9,9,9 -箱2:23,23,23,23 -箱3:29,29,29,29*用箱邊界值平滑: -Bin1:4,4,4,15 -Bin2:21,21,25,25 -Bin3:26,26,26,342.使用以下age數(shù)據(jù)：13,15,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,33,35,35,35,35,36,40,45,46,52,70，回答以下問題：(a)使用min-max規(guī)范化，將age值35轉(zhuǎn)換到[0.0,1.0]區(qū)間。(b)使用z-score規(guī)范化轉(zhuǎn)換age值35，其中，age的標(biāo)準(zhǔn)偏差為12.94年。(c)使用小數(shù)定標(biāo)規(guī)范化轉(zhuǎn)換age值35。(d)畫一個寬度為10的等寬的直方圖。例題如下操作：1.大最小規(guī)格化：規(guī)格化對原始數(shù)據(jù)進(jìn)行線性變換。假定minA和maxA分別為屬性A的最小和最大值，最大最小規(guī)格化方法通過計算將A的值v映射到區(qū)間[new_minA，new_maxA]中的v’。例3.1假定屬性income的最小與最大值分別為$12,000和$98,000。我們想映射income（income值為$73,600）到區(qū)間［0，1］。2.零均值規(guī)格化：屬性A的值基于A的平均值和標(biāo)準(zhǔn)差規(guī)范化。A的值v被規(guī)范化為v’，由下式計算：其中，A和σA分別為屬性A的平均值和標(biāo)準(zhǔn)差。當(dāng)屬性A的最大和最小值未知，或局外者左右了最小最大規(guī)格化時，該方法是有用的。例3.2假定屬性income的平均值和標(biāo)準(zhǔn)差分別為$54,000和$16,000。使用零均值規(guī)格化方法，值$73,600被轉(zhuǎn)換為什么?3.數(shù)點規(guī)格化：屬性A的小數(shù)點位置進(jìn)行規(guī)范化。小數(shù)點的移動位數(shù)依賴于A的最大絕對值。A的值v被規(guī)范化為v’，由下式計算：其中，j是使得Max(|v’|)<1的最小整數(shù)。例3.3假定A的值由-986到917。A的最大絕對值為986。為使用十基數(shù)變換規(guī)格化方法，-986被規(guī)范化為多少?用1,000（即，j=3）除每個值。這樣，-986被規(guī)范化為-0.986。填空：數(shù)據(jù)倉庫的四個基本特征是指數(shù)據(jù)倉庫中的數(shù)據(jù)是面向主題的、集成的、不可更新的和隨時間不斷變化的。OLAP的實現(xiàn)方式有以下兩種：基于關(guān)系數(shù)據(jù)庫系統(tǒng)的實現(xiàn)和基于基于多維數(shù)據(jù)庫系統(tǒng)的實現(xiàn)。數(shù)據(jù)從操作型環(huán)境到數(shù)據(jù)倉庫過程中，通常需要進(jìn)行的處理操作有抽取、轉(zhuǎn)化、分析和模式化處理。數(shù)據(jù)倉庫中數(shù)據(jù)的分割是指把數(shù)據(jù)分散到各自的物理單元中，他們能獨立的處理。。數(shù)據(jù)分割后的數(shù)據(jù)單元稱為分片，數(shù)據(jù)分片的類型有水平分片、垂直分片、混合分片和導(dǎo)出分片等。數(shù)據(jù)倉庫系統(tǒng)是多種技術(shù)的綜合體，它是由數(shù)據(jù)倉庫,管理部分和分析工具三部分組成。聚集函數(shù)分為三種類型，分別是分布的、代數(shù)的、和整體的。粒度是數(shù)據(jù)倉庫的重要概念，粒度越小，數(shù)據(jù)的細(xì)節(jié)程度越高，可以回答查詢的種類就越少，但是查詢效率將會很低；提高粒度將會提高查詢效率，在數(shù)據(jù)倉庫中通常采用多重粒度。問答題：操作型數(shù)據(jù)和分析型數(shù)據(jù)的主要區(qū)別是什么？面向分析，分析驅(qū)動面向分析，分析驅(qū)動面向應(yīng)用，事務(wù)驅(qū)動面向決策人員，支持管理需要面向操作人員，支持日常操作用戶數(shù)量相對較少用戶數(shù)量大響應(yīng)時間合理對響應(yīng)時間要求高一次處理的數(shù)據(jù)量大一次處理的數(shù)據(jù)量小周期性更新經(jīng)常更新歷史數(shù)據(jù)當(dāng)前數(shù)據(jù)綜合性數(shù)據(jù)細(xì)節(jié)性數(shù)據(jù)數(shù)據(jù)庫/數(shù)據(jù)倉庫數(shù)據(jù)(分析型)數(shù)據(jù)庫數(shù)據(jù)(操作型)OLAPOLTP你是如何理解數(shù)據(jù)倉庫的數(shù)據(jù)是不可更新的，數(shù)據(jù)倉庫的數(shù)據(jù)又是隨時間不斷變化的。從數(shù)據(jù)的使用方式上來看，數(shù)據(jù)倉庫的數(shù)據(jù)是不可更新的，這是指當(dāng)數(shù)據(jù)被存放到數(shù)據(jù)倉庫中之后，最終用戶只能通過分析工具進(jìn)行查詢、分析，而不能修改其中存儲的數(shù)據(jù)。數(shù)據(jù)倉庫的數(shù)據(jù)不可更新并不是說數(shù)據(jù)從進(jìn)入數(shù)據(jù)倉庫之后就永遠(yuǎn)不變，是隨時間變化而定期地被更新，從而保證前端分析結(jié)論的時間有效性。舉例說明數(shù)據(jù)倉庫有哪三類聚集函數(shù)。聚集函數(shù)分成三類：分布的：一個聚集函數(shù)是分布的，如果它能以如下分布方式進(jìn)行計算：設(shè)數(shù)據(jù)被劃分為n個集合，函數(shù)在每一部分上的計算得到一個聚集值。如果將函數(shù)用于n個聚集值得到的結(jié)果，與將函數(shù)用于所有數(shù)據(jù)得到的結(jié)果一樣，則該函數(shù)可以用分布方式計算。例如，count()代數(shù)的：一個聚集函數(shù)是代數(shù)的，如果它能夠由一個具有M（其中，M是一個整數(shù)界）個參數(shù)的代數(shù)函數(shù)計算，而每個參數(shù)都可以用一個分布聚集函數(shù)求得。例如，avg()整體的：一個聚集函數(shù)是整體的，如果描述它的子聚集所需的存儲沒有一個常數(shù)界。即，不存在一個具有M個（其中，M是常數(shù)）參數(shù)的代數(shù)函數(shù)進(jìn)行這一計算。整體函數(shù)的常見例子包括median(),mode()（即，最常出現(xiàn)的項），和rank()。為什么說naiveBayesian分類法是na?ve的？

樸素貝葉斯分類器是一種應(yīng)用基于獨立假設(shè)的貝葉斯定理的簡單概率分類器.更精確的描述這種潛在的概率模型為獨立特征模型。這種方法采用忽略了因數(shù)之間的關(guān)系，簡化處理,把各屬性彼此獨立請簡述數(shù)據(jù)倉庫的體系結(jié)構(gòu)。數(shù)據(jù)倉庫系統(tǒng)的體系結(jié)構(gòu)的分類（1）兩層架構(gòu)（GenericTwo-LevelArchitecture）。（2）獨立型數(shù)據(jù)集市（IndependentDataMart）。（3）依賴型數(shù)據(jù)集市和操作型數(shù)據(jù)存儲（DependentDataMartandOperationalDataStore）。（4）邏輯型數(shù)據(jù)集市和實時數(shù)據(jù)倉庫（LogicalDataMartandReal-TimeDataWarehouse）舉例說明多維分析操作（drill-down，roll-up）的含義是什么？鉆取(drill)各粒度級別(維的層次)之間的訪問。上卷(drillup)是指沿某一個維的概念分層向上歸約。下鉆(drilldown)是上卷的逆向操作，它是沿某一個維的概念分層向下或者引入新的維來實現(xiàn)。鉆過（drill_across）是指對多個事實表進(jìn)行查詢。鉆透（drillthrough）是指對立方體操作時，；利用數(shù)據(jù)庫關(guān)系，鉆透立方體的底層，進(jìn)入后端的關(guān)系表。旋轉(zhuǎn)(pivoting)平面數(shù)據(jù)的坐標(biāo)軸轉(zhuǎn)換即對多維數(shù)據(jù)集改變其顯示的維方向。試述常用的數(shù)值屬性離散化方法離散化方法的研究，已經(jīng)提出了等頻劃分、等寬劃分和適應(yīng)離散法等。1、等寬劃分：在最小值和最大值之間平均劃分成N個區(qū)間（N用戶給定）,假定A和B分別是最大值和最小值，則每個區(qū)間的寬度為W=（B-A）/N，區(qū)間的邊界線分別為A，A+W，A+2W，......，A+（N-1）W，A+NW=B2、等頻劃分：把整個區(qū)域分為N個區(qū)間，每個區(qū)間有大約相同數(shù)目的例子如：N=10，則每個區(qū)間中有大約10%的例子這兩種離散化方法都與分類信息無關(guān)當(dāng)屬性值分布不均勻時，不能很好表示數(shù)據(jù)分布向數(shù)據(jù)倉庫追加數(shù)據(jù)時，捕捉數(shù)據(jù)變化常用的途徑有哪些？數(shù)據(jù)倉庫的數(shù)據(jù)初裝完成以后，再向數(shù)據(jù)倉庫輸入數(shù)據(jù)的過程稱為數(shù)據(jù)追加變化數(shù)據(jù)的捕獲時標(biāo)法：加標(biāo)識DELTA法：對更新作記錄前后映象法：兩次快照的對比日志法：利用DBMS的日志，需改進(jìn)簡要說明事務(wù)處理環(huán)境不適宜DSS應(yīng)用的原因？（1）事務(wù)處理和分析處理的性能特性不同。（2）數(shù)據(jù)集成問題。（3）數(shù)據(jù)動態(tài)集成問題。（4）歷史數(shù)據(jù)問題。（5）數(shù)據(jù)的綜合問題。舉例說明多維分析操作（切片、切塊、旋轉(zhuǎn)）的含義是什么？切片和切塊(sliceanddice)在多維數(shù)組的某一維選定一個維成員的動作稱為切片。在多維數(shù)組的某一維上選定某一區(qū)間的維成員的動作稱為切塊旋轉(zhuǎn)是改變一個報告或頁面顯示的維方向,以用戶容易理解的角度來觀察數(shù)據(jù)數(shù)據(jù)挖掘的步驟是什么？確定挖掘?qū)ο?，?zhǔn)備數(shù)據(jù)，建立模型，數(shù)據(jù)挖掘，結(jié)果分析，知識應(yīng)用階段簡要說明數(shù)據(jù)倉庫環(huán)境中元數(shù)據(jù)的內(nèi)容。元數(shù)據(jù)（MetaData）——“關(guān)于數(shù)據(jù)的數(shù)據(jù)”，是指在數(shù)據(jù)倉庫建設(shè)過程中產(chǎn)生的有關(guān)數(shù)據(jù)源定義、目標(biāo)定義、轉(zhuǎn)換規(guī)則等關(guān)鍵數(shù)據(jù)，是定義數(shù)據(jù)倉庫對象的數(shù)據(jù)。如傳統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)字典就是一種元數(shù)據(jù)。企業(yè)的數(shù)據(jù)庫體系化環(huán)境的四個層次是什么它們之間的關(guān)系是什么

數(shù)據(jù)庫的體系化環(huán)境,是在一個企業(yè)或組織內(nèi)部，由各面向應(yīng)用的OLTP數(shù)據(jù)庫及各級面向主題的數(shù)據(jù)倉庫所組成的完整的數(shù)據(jù)環(huán)境四層體系化環(huán)境:操作型環(huán)境——OLTP,全局級——數(shù)據(jù)倉庫,部門級——局部倉庫,個人級——個人倉庫，用于啟發(fā)式的分析簡要說明數(shù)據(jù)倉庫設(shè)計的步驟。數(shù)據(jù)倉庫的設(shè)計可以分為以下幾個步驟：◆明確主題◆概念模型設(shè)計所要完成的工作：界定系統(tǒng)邊界,確定主要的主題域及其內(nèi)容◆技術(shù)準(zhǔn)備工作這一階段的工作包括：技術(shù)評估，技術(shù)環(huán)境準(zhǔn)備。形成技術(shù)評估報告、軟硬件配置方案、系統(tǒng)(軟、硬件)總體設(shè)計方案?！暨壿嬆Ｐ驮O(shè)計進(jìn)行的工作主要：分析主題域，確定當(dāng)前要裝載的主題確定粒度層次劃分確定數(shù)據(jù)分割策略關(guān)系模式定義◆物理模型設(shè)計這一步所做的工作：確定數(shù)據(jù)的存儲結(jié)構(gòu)---RAID技術(shù)確定索引策略——B樹索引位圖索引等確定數(shù)據(jù)存放位置——磁帶磁盤等確定存儲分配優(yōu)化◆數(shù)據(jù)倉庫生成通過專用的數(shù)據(jù)抽取工具或者通過自行編程實現(xiàn)數(shù)據(jù)抽取、轉(zhuǎn)換和裝載?！魯?shù)據(jù)倉庫運行與維護(hù)建立DSS應(yīng)用，使用數(shù)據(jù)倉庫理解需求，調(diào)整和完善系統(tǒng)，維護(hù)數(shù)據(jù)倉庫。簡要說明異常點挖掘有哪些方法？簡述采用決策樹方法進(jìn)行分類的過程。決策樹是以實例為基礎(chǔ)的歸納學(xué)習(xí)算法。它從一組無次序、無規(guī)則的元組中推理出決策樹表示形式的分類規(guī)則。它采用自頂向下的遞歸方式，在決策樹的內(nèi)部結(jié)點進(jìn)行屬性值的比較，并根據(jù)不同的屬性值從該結(jié)點向下分支，葉結(jié)點是要學(xué)習(xí)劃分的類。從根到葉結(jié)點的一條路徑就對應(yīng)著一條合取規(guī)則，整個決