數(shù)據(jù)挖掘?qū)д撜n后習題答案-第二章

數(shù)據(jù)挖掘?qū)д撜n后習題答案-第?章最近在讀《IntroductiontoDataMining》這本書，發(fā)現(xiàn)課后答案只有英?版，于是打算結(jié)合??的理解將答案翻譯?下，其中難免有錯誤，歡迎?家指正和討論。侵刪。第?章字段3×3≈字段2。字段2和字段3很有可能包含相同的信息，盡管從?個很?的樣本中得出結(jié)論是?常不可靠的?為。（a）?元的，定性的，序數(shù)的（b）連續(xù)的，定量的，?率的（c）離散的，定性的，序數(shù)的（d）連續(xù)的，定量的，?率的（?如描述?了半圈就是?個?度中?例的概念）（e）離散的，定性的，序數(shù)的（f）連續(xù)的，定量的，?率的/區(qū)間的（取決于海平?的概念定義）（g）離散的，定量的，?率的（h）離散的，定性的，標稱的（i）離散的，定性的，序數(shù)的（j）離散的，定性的，序數(shù)的（k）連續(xù)的，定量的，?率的/區(qū)間的（l）離散的，定量的，?率的（這個離散我也很疑惑，難道不可以有實數(shù)的密度嗎）（m）離散的，定性的，標稱的（a）當然是?板對了。銷售主管錯的很離譜，就好?說?部?億票房電影差評數(shù)??部?百萬票房電影差評多，但是評論數(shù)根本不是?個量級的，因此應(yīng)該?差評率=差評數(shù)/評論數(shù)這個概念來評估滿意度，各?電影?站也是這么做的。（b）毫?意義。理由同上。（a）是的。假如出現(xiàn)1>2，2>3，3>1的情況那不就傻了。（b）當1>2，2>3這種已經(jīng)能建?序數(shù)的情況下，就不做第三次?較了；當1>2，2<3這種情況才做第三次?較。這種創(chuàng)建序數(shù)度量的?法通常來說不太準確，因為?較的維度可能不太?樣，?如1>2是因為1價格?2便宜，?2>3是因為2質(zhì)量?3好。通過學?的學號來預(yù)測學?哪?年畢業(yè)。（a）Q=A:001Q=B:011Q=C:101Q=D:111…………Q=A:00100QQQQ=A:00=B:01=C:10=D:11100100100100（b）400個?對稱的?進制屬性。??溫。?檔-詞矩陣第i?第j列的元素表?單詞j在?檔i中出現(xiàn)的次數(shù)。?部分?檔都只包含了??部分?零元素，因此，?論是在描述?個?檔還是?較?檔的不同時，零元素都是?意義的。所以說?檔-詞矩陣有?對稱離散的特征。如果以TF-IDF算法（以詞頻和逆?檔頻率相乘得到的值當作矩陣元素，某個詞越重要則TF-IDF值越?，可見第16題）應(yīng)?到單詞上，并且規(guī)范化?檔的L范數(shù)=1，這樣的?檔-詞矩陣就是2連續(xù)的，但這樣的轉(zhuǎn)換并不影響之前就為0的元素，因此它還是?對稱的，0元素仍?意義。觀測科學并不能控制觀察到的數(shù)據(jù)的質(zhì)量。舉個例?，?如已經(jīng)可以使?現(xiàn)在的地球軌道衛(wèi)星技術(shù)了，但是測量海洋表?溫度仍然還是依靠船舶，類似的，測量天?的數(shù)據(jù)也依靠地?上的基站。因此，可?的數(shù)據(jù)是必不可少的。在這層意義上，觀測科學的數(shù)據(jù)分析?作與數(shù)據(jù)挖掘?分類似。浮點數(shù)精度是最?的精度。更直接地說，精度通常?來表?有效數(shù)字的數(shù)量，單精度只能表?有效數(shù)字低于32位的值，約等于?進制的九位數(shù)字。通常使?32位（64位）的時候?qū)嶋H表?精度是低于32位（64位）的。（1）?本?件我們可以直接通過?本編輯器查看，但?進制?件我們?法看懂（計算機專家除外）（2）跨系統(tǒng)或項?時?本?件更加便攜。（3）?本?件更容易修改。（a）根據(jù)定義，噪聲并不令?感興趣。但離群點有研究的意義。（b）可能。隨機數(shù)據(jù)的失真通常歸咎于離群點。（c）并不。（d）不，離群點只代表?類和正常點不同的點。（e）可以。（a）第?，在最近鄰列表中，重復(fù)元素的順序取決于算法細節(jié)和集合中元素順序。第?，如果有很多的重復(fù)元素，返回的列表中可能只有重復(fù)元素。第三，?個元素可能不是它??的最近鄰。（b）去重復(fù)。這些屬性都是數(shù)值型的，但是都有?泛的取值范圍，這取決于測量的刻度。此外，這些屬性都是對稱的。將歐??得距離標準化會更合適。第?種抽獎是分層抽樣，可以保證從每組抽出的元素相等。第?組是簡單隨機抽樣，但從平均意義上來說，從每組中抽出的元素和第?種?案?樣。（a）如果?個詞僅出現(xiàn)在?個?檔中，會賦予它最?的權(quán)重；如果出現(xiàn)在每個?檔中，則權(quán)重為0。（b）每個?檔中都出現(xiàn)的詞不能區(qū)分?檔，因此，這樣的變換可以更好地區(qū)分?檔。（a）（a2，b2)（b）y=x2（a）L=3Jaccard=2/51（b）漢明距離更類似于簡單匹配系數(shù)，實際上，SMC=1-漢明距離/位數(shù)。Jaccard相似度更類似于余弦度量，因為兩者都忽略了0-0匹配。（c）Jaccard度量更合適，因為兩者都沒有的基因（即0-0匹配）并不能?來?較有機體的相似性，我們更加關(guān)注1-1匹配。（d）漢明距離更合適。因為我們關(guān)注兩者不同的基因（即1-0和0-1匹配）。(a)cos(x,y)=1;corr(x,y)=0/0;Euclidean(x,y)=2(b)cos(x,y)=0;corr(x,y)=-1;Euclidean(x,y)=2;Jaccard=0?cos(x,y)=0;corr(x,y)=0;Euclidean(x,y)=2(d)cos(x,y)=0.75;corr(x,y)=0.25;Jaccard=0.6(e)cos(x,y)=0;corr(x,y)=0（a）[-1，1]。在很多情況下只有?負的屬性值，這時的范圍是[0,1]。（b）不?定。例如x=(1,0),y=(2,0)（c）當x與y的均值為0時，cos(x,y)與corr(x,y)相等。（d）基于這100000點，兩者有相反的關(guān)系。如果余弦相似度=1，則歐??得距離=0；如果歐??得距離?較?，則余弦相似度接近于0。注意所有的數(shù)據(jù)點都來?正的象限，因此所有的余弦值都為?負的。（e）同上。（f）（g）（a）顯然，d(A,B)≥0。當A=B時，d(A,B)=0。（b）d(A,B)=d(B,A)也很顯然。（c）?先,d(A,B)=size(A)+size(B)-2size(A∩B)則d(A,B)+d(B,C)=size(A)+size?+2size(B)-2size(A∩B)-2size(B∩C)?size(A∩B)≤size(B),size(B∩C)≤size(B)?size(A∩B)≤size(B),size(B∩C)≤size(B)所以d(A,B)+d(B,C)≥size(A)+size?+2size(B)-2size(B)=size(A)+size?≥size(A)+size?-2size(A∩C)=d(A,C)三?不等式證畢。對于第?個應(yīng)?對時間序列聚類，具有?的正相關(guān)性的時間序列應(yīng)該放在?起，因此?較合適。對于第?個應(yīng)?，需要考慮強的負相關(guān)關(guān)系，因此取絕對值更加合適，即sim=|corr|。假設(shè)s是在區(qū)間[0，1]取值的相似性度量，d=(1-s)/s，d=-logs。（a）兩兩?較，取最?的鄰近度或者最?的鄰近度；基于所有的點算出?個歐??得空間?的質(zhì)?，取所有點到質(zhì)?的距離之和或取平均值。（b）分別算出兩個點集的質(zhì)?，定義兩個質(zhì)?的距離就是兩個點集的距離。（c）?個?法是計算每個點到另?個對象集中所有點的距離取平均值，另?個?法是取最?值或最?值。（a）可以參考第四章的Hint算法。d(y,z)≤d(y,x)+d(x,z)如果d(x,y)≤ε/2，d(x,z)≤ε/2，那么d(y,z)?需計算。d(y,z)≥d(y,x)-d(x,z)如果d(y,x)-d(x,z)≥ε，那么d(y,z)?需計算。（b）如果x,y之間距離為0那么就?需其他計算了，如果x與y距離較?的話，就需要更多的計算。（c）設(shè)x,y是S‘?的點，x*和y*是S’?距離x,y最近的點。如果d(x*,y*)+2ε≤β，那么d(x,y)≤β.如果d(x*,y*)-2ε≤β，那么d(x,y)≥β.（a）由J(x,y)≤1，?即得d(x,y)≥0;J(x,x)=1時有d(x,y)=0.（b）由J(x,y)=J(y,x)，?即得d(x,y)=d(y,x)