數(shù)據(jù)挖掘課設(shè)報告

XI`ANTECHNOLOGICALUNIVERSITY課程設(shè)計匯報課程名稱數(shù)據(jù)挖掘?qū)I(yè)：信息管理與信息系統(tǒng)班級：130513姓名：賈丹丹學(xué)號：指導(dǎo)教師：李剛成績：年1月3日序言數(shù)據(jù)挖掘就是從大量的數(shù)據(jù)中挖掘出有用的信息。它是根據(jù)人們的特定規(guī)定，從浩如煙海的數(shù)據(jù)中找出所需的信息來，供人們的特定需求使用。據(jù)國外專家預(yù)測，伴隨數(shù)據(jù)量的日益積累和計算機的廣泛應(yīng)用，在此后的5—內(nèi)，數(shù)據(jù)挖掘?qū)⒃谥袊纬梢环N新型的產(chǎn)業(yè)。數(shù)據(jù)挖掘，在人工智能領(lǐng)域，習(xí)慣上又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)(KnowledgeDiscoveryinDatabase,KDD)，也有人把數(shù)據(jù)挖掘視為數(shù)據(jù)庫中知識發(fā)現(xiàn)過程的一種基本環(huán)節(jié)。知識發(fā)現(xiàn)過程由如下三個階段構(gòu)成：（1）數(shù)據(jù)準備（2）數(shù)據(jù)挖掘（3）成果體現(xiàn)和解釋。數(shù)據(jù)挖掘可以與顧客或知識庫交互。數(shù)據(jù)挖掘是通過度析每個數(shù)據(jù)，從大量數(shù)據(jù)中尋找其規(guī)律的技術(shù)，重要有數(shù)據(jù)準備、規(guī)律尋找和規(guī)律表達3個環(huán)節(jié)。數(shù)據(jù)準備是從有關(guān)的數(shù)據(jù)源中選用所需的數(shù)據(jù)并整合成用于數(shù)據(jù)挖掘的數(shù)據(jù)集；規(guī)律尋找是用某種措施將數(shù)據(jù)集所含的規(guī)律找出來；規(guī)律表達是盡量以顧客可理解的方式（如可視化）將找出的規(guī)律表達出來。數(shù)據(jù)挖掘中的分類反應(yīng)同類事物共同性質(zhì)的特性型知識和不一樣事物之間的差異型特性知識。最為經(jīng)典的分類措施是基于決策樹的分類措施。它是從實例集中構(gòu)造決策樹，是一種有指導(dǎo)的學(xué)習(xí)措施。該措施先根據(jù)訓(xùn)練子集（又稱為窗口）形成決策樹。假如該樹不能對所有對象給出對的的分類，那么選擇某些例外加入到窗口中，反復(fù)該過程一直到形成對的的決策集。最終止果是一棵樹，其葉結(jié)點是類名，中間結(jié)點是帶有分枝的屬性，該分枝對應(yīng)當屬性的某一也許值。

目錄TOC\o"1-2"\h\u1業(yè)務(wù)理解 12數(shù)據(jù)理解 12.1英文版數(shù)聽闡明 12.2數(shù)據(jù)的讀入 22.3瀏覽數(shù)據(jù)內(nèi)容 22.4指定各個變量的作用 32.5觀測各變量的數(shù)據(jù)分布特性 43數(shù)據(jù)準備 43.1對數(shù)據(jù)進行重新分類 43.2對數(shù)據(jù)進行平衡處理 64建立決策樹模型 64.1C5.0，CART,CHAID算法簡介 74.2模型建立 84.3模型計算成果 144.4模型成果分析 175模型評估 186總結(jié) 20附錄1:zoo.date 21附錄2:s 241業(yè)務(wù)理解動物園動物數(shù)量大，種類多，對動物園的動物根據(jù)它們的特性進行分類，以便于觀測和分析動物的特性，進而愈加合理的管理動物以及為未來查找動物信息提供參照。2數(shù)據(jù)理解該數(shù)據(jù)集是從UCI網(wǎng)站上獲得的一份有關(guān)動物園的動物的數(shù)據(jù)。該數(shù)據(jù)是搜集的動物園中99種動物的特性，包括hair，feathers，eggs，milk，airborne，aquatic，Predator，toothed，backbone，breathes，venomous，fins，legs，tail，domestic，catsize?，F(xiàn)需運用數(shù)據(jù)挖掘?qū)⑦@些動物進行分類，提成7種類型。2.1英文版數(shù)聽闡明Source:Creator:

RichardForsyth

Donor:

RichardS.Forsyth

8GrosvenorAvenue

MapperleyPark

NottinghamNG35DX

DataSetInformation:Asimpledatabasecontaining17Boolean-valuedattributes.The"type"attributeappearstobetheclassattribute.Hereisabreakdownofwhichanimalsareinwhichtype:(Ifinditunusualthatthereare2instancesof"frog"andoneof"girl"!)

Class#--Setofanimals:

1--(41)aardvark,antelope,bear,boar,buffalo,calf,cavy,cheetah,deer,dolphin,elephant,fruitbat,giraffe,girl,goat,gorilla,hamster,hare,leopard,lion,lynx,mink,mole,mongoose,opossum,oryx,platypus,polecat,pony,porpoise,puma,pussycat,raccoon,reindeer,seal,sealion,squirrel,vampire,vole,wallaby,wolf

2--(20)chicken,crow,dove,duck,flamingo,gull,hawk,kiwi,lark,ostrich,parakeet,penguin,pheasant,rhea,skimmer,skua,sparrow,swan,vulture,wren

3--(5)pitviper,seasnake,slowworm,tortoise,tuatara

4--(13)bass,carp,catfish,chub,dogfish,haddock,herring,pike,piranha,seahorse,sole,stingray,tuna

5--(4)frog,frog,newt,toad

6--(8)flea,gnat,honeybee,housefly,ladybird,moth,termite,wasp

7--(10)clam,crab,crayfish,lobster,octopus,scorpion,seawasp,slug,starfish,wormAttributeInformation:1.animalname:Uniqueforeachinstance

2.hair:Boolean

3.feathers:Boolean

4.eggs:Boolean

5.milk:Boolean

6.airborne:Boolean

7.aquatic:Boolean

8.predator:Boolean

9.toothed:Boolean

10.backbone:Boolean

11.breathes:Boolean

12.venomous:Boolean

13.fins:Boolean

14.legs:Numeric(setofvalues:{0,2,4,5,6,8})

15.tail:Boolean

16.domestic:Boolean

17.catsize:Boolean

18.type:Numeric(integervaluesinrange[1,7])RelevantPapers:Forsyth'sPC/BEAGLEUser'sGuide.2.2數(shù)據(jù)的讀入將數(shù)據(jù)讀入Modeler中。在源選項卡中選擇可變文獻節(jié)點并設(shè)置節(jié)點參數(shù)。在文獻選項卡中指定從文獻zoo.txt中讀入數(shù)據(jù)。2.3瀏覽數(shù)據(jù)內(nèi)容在輸出選項卡中選擇表節(jié)點，添加到數(shù)據(jù)流中。執(zhí)行該節(jié)點生成數(shù)據(jù)表。在瀏覽數(shù)據(jù)時發(fā)現(xiàn)兩個錯誤項，數(shù)據(jù)中有兩個frog和一種gril，則刪除一種frog和gril?！颈怼抗?jié)點的輸出成果2.4指定各個變量的作用其中animalname，hair，feathers，eggs，milk，airborne，aquatic，Predator，toothed，backbone，breathes，venomous，fins，legs，tail，domestic，catsize為模型的輸入變量，type為模型的目的變量。在字段選項選項卡中選擇【類型】節(jié)點，添加到數(shù)據(jù)流中，設(shè)置參數(shù)指定變量角色?！绢愋汀抗?jié)點的參數(shù)2.5觀測各變量的數(shù)據(jù)分布特性在輸出選項卡中選擇數(shù)據(jù)審核節(jié)點，添加到數(shù)據(jù)流中。執(zhí)行節(jié)點生成數(shù)據(jù)表。【數(shù)據(jù)審核】節(jié)點的輸出成果可以看出，該份數(shù)據(jù)有99個樣本，除animalname以外均為數(shù)值型變量，除animalname、legs、type以外均是布爾值。Modeler對此計算，輸出最小值、最大值、均值、原則差、偏態(tài)系數(shù)等基本描述記錄量。數(shù)據(jù)顯示，legs最大值與最小值差距較大。從數(shù)值型變量的柱形圖可以看出屬于type1的數(shù)量最多。數(shù)據(jù)質(zhì)量理想。3數(shù)據(jù)準備3.1對數(shù)據(jù)進行重新分類針對該數(shù)據(jù)，hair，feathers，eggs，milk，airborne，aquatic，Predator，toothed，backbone，breathes，venomous，fins，tail，domestic，catsize屬性為與否有hair，feathers，eggs，milk，airborne，aquatic，Predator，toothed，backbone，breathes，venomous，fins，tail，domestic，catsize，因此取值0和1不規(guī)范，應(yīng)將取值0和1調(diào)整為No和Yes?！局匦路诸悺康摹驹O(shè)置】選項卡在輸出選項卡中選擇【表】節(jié)點，連接到【重新分類】節(jié)點，執(zhí)行【表】節(jié)點生成重新分類后的數(shù)據(jù)表，如下：【表】節(jié)點的輸出成果3.2對數(shù)據(jù)進行平衡處理觀測數(shù)據(jù)發(fā)現(xiàn)，屬于type1的數(shù)據(jù)較多，屬于其他type的數(shù)據(jù)相對較少，因此進行樣本平衡處理?！酒胶狻康摹驹O(shè)置】選項卡在輸出選項卡中選擇【表】節(jié)點，連接到【平衡】節(jié)點，執(zhí)行【表】節(jié)點生成平衡處理后的數(shù)據(jù)表，如下圖：【表】節(jié)點的輸出成果4建立決策樹模型使用C5.0，CART,CHAID三種算法建立模型：4.1C5.0，CART,CHAID算法簡介（1）C5.0：C5.0是決策樹模型中的算法，79年由JRQuinlan發(fā)展，并提出了ID3算法，重要針對離散型屬性數(shù)據(jù)，其后又不停的改善，形成C4.5，它在ID3基礎(chǔ)上增長了隊持續(xù)屬性的離散化。C5.0是C4.5應(yīng)用于大數(shù)據(jù)集上的分類算法，重要在執(zhí)行效率和內(nèi)存使用方面進行了改善。C5.0是經(jīng)典的決策樹模型算法之一，可生成多分支的決策樹，目的變量為分類變量，使用C5.0算法可以生成決策樹或者規(guī)則集。C5.0模型根據(jù)能偶帶來的最大信息增益的字段拆分樣本。第一次拆分確定的樣本子集隨即再次拆分，一般是根據(jù)另一種字段進行拆分，這一過程反復(fù)進行指導(dǎo)樣本子集不能在被拆分為止。最終，重新緝拿眼最低層次的拆分，哪些對模型值沒有明顯奉獻的樣本子集被提出或者修剪。長處：C5.0模型在面對數(shù)據(jù)遺漏和輸入字段諸多的問題時非常穩(wěn)?。籆5.0模型比某些其他類型的模型易于理解，模型退出的規(guī)則有非常直觀的解釋；C5.0也提供強大技術(shù)以提高分類的精度。C5.0算法選擇分支變量的根據(jù)：以信息熵的下降速度作為確定最佳分支變量和分割閥值的根據(jù)。（2）CART：CART(ClassificationAndRegressionTree)算法采用一種二分遞歸分割的技術(shù)，將目前的樣本集分為兩個子樣本集，使得生成的的每個非葉子節(jié)點均有兩個分支。因此，CART算法生成的決策樹是構(gòu)造簡潔的二叉樹。

CART算法檢查每個變量和該變量所有也許的劃分值來發(fā)現(xiàn)最佳的劃分，對離散值如{x,y,x}，則在該屬性上的劃分有三種情({{x,y},{z}},{{x,z},y},{{y,z},x})，空集和全集的劃分除外；對于持續(xù)值處理引進“分裂點”的思想，假設(shè)樣本集中某個屬性共n個持續(xù)值，則有n-1個分裂點，每個“分裂點”為相鄰兩個持續(xù)值的均值(a[i]+a[i+1])/2。將每個屬性的所有劃分按照他們能減少的雜質(zhì)（合成物中的異質(zhì)，不一樣成分）量來進行排序。CART算法常常采用事后剪枝措施：該措施是通過在完全生長的樹上剪去分枝實現(xiàn)的，通過刪除節(jié)點的分支來剪去樹節(jié)點。最下面未被剪枝的節(jié)點成為樹葉。（3）CHAID：CHAID（Chi-Square

Automatic

Interaction

Detection）提供了一種在多種自變量中自動搜索能產(chǎn)生最大差異的變量方案。CHAID分析可以生成非二進制樹，即有些分割有兩個以上的分支。CHAID模型需要一種單一的目的和一種或多種輸入字段。還可以指定重量和頻帶領(lǐng)域。

CHAID分析，卡方自動交互檢測，是一種用卡方記錄，以確定最佳的分割，建立決策樹的分類措施。CHAID算法以因變量為根結(jié)點，對每個自變量（只能是分類或有序變量，也就是離散性的，假如是持續(xù)變量，如年齡，收入要定義成分類或有序變量）進行分類，計算分類的卡方值(Chi-Square-Test)。假如幾種變量的分類均明顯，則比較這些分類的明顯程度（P值的大?。?，然后選擇最明顯的分類法作為子節(jié)點。

CHIAD可以自動歸并自變量中類別，使之明顯性到達最大。最終的每個葉結(jié)點就是一種細分市場。4.2模型建立(1)在【建?！窟x項卡中選擇【C5.0】、【C&R樹R】、【CHAID(C)】節(jié)點，添加到數(shù)據(jù)流中。設(shè)置各算法的重要參數(shù)。【C5.0】的【模型】選項卡【C5.0】的【分析】選項卡【C&R樹】的【構(gòu)建選項】選項卡（一）【C&R樹】的【構(gòu)建選項】選項卡（二）【C&R樹】的【構(gòu)建選項】選項卡（三）【C&R樹】的【構(gòu)建選項】選項卡（四）【C&R樹】的【構(gòu)建選項】選項卡（六）【CHAID】的【構(gòu)建選項】選項卡（一）【CHAID】的【構(gòu)建選項】選項卡（二）【CHAID】的【構(gòu)建選項】選項卡（三）【CHAID】的【構(gòu)建選項】選項卡（四）【CHAID】的【構(gòu)建選項】選項卡（五）(2)建立的數(shù)據(jù)流如圖所示：動物分類的數(shù)據(jù)流4.3模型計算成果C5.0算法分析成果的文字形式如下圖：C5.0算法分析成果的圖形形式如下圖：CART算法分析成果的文字形式如下圖：CART算法分析成果的圖形形式如下圖：CHAID算法分析成果的文字形式如下圖：CHAID算法分析成果的圖形形式如下圖：4.4模型成果分析（1）C5.0算法模型成果分析該模型找出了10個影響原因:feathers,tail,backbone,milk,fins,legs,predator,airborne其中feathers是最重要的屬性，其中l(wèi)egs,predator,fins是不重要的屬性。因此，對一種動物進行歸類時，首先看它與否有feathers。當feathers為有時，則直接屬于type2，不用考慮其他原因，假如沒有feathers，再看它與否有backbone,假如有backbone，再看它與否有milk,假如有milk,則屬于type1,假如沒有milk，再看它與否有fins,假如有fins,則直接屬于type4,假如沒有fins,再看它與否有tail，假如有tail,則屬于type3,假如沒有tail，則直接屬于type5，假如沒有backbone，再看它與否有airborne,假如有airborne,則直接屬于type6,假如沒有airborne,再看它與否有predator，假如有predator,則屬于type7，假如沒有predator，再看它的legs與否為0，假如它的legs為0，則屬于type7，假如它的legs為2,4,5,6,8，則屬于type,6。（2）CART算法模型成果分析該模型找出了3個影響原因:feathers,legs,airborne,其中feathers是最重要的屬性,與feathers比較，其他屬性遠遠不如feathers重要。當feathers為有時，則直接屬于type2，不用考慮其他原因，假如無feathers,則直接屬于type1。（3）CHAID算法模型成果分析該模型找出了10個影響原因:legs,hair，aquatic,fins,toothed,其中l(wèi)egs最重要，其中fins和toothed是最不重要的屬性。當當腿的數(shù)量等于0時，再看它與否有hair,假如有，則直接屬于type1，不用考慮其他原因，假如沒有hair,則看它收否有toothed,假如沒有則直接屬于type7,假如有toothed,再看它與否有fins,假如沒有，則屬于type3,假如有，則屬于type4。當腿的數(shù)量等于2時，再看它與否有hair,假如沒有，則直接屬于type2，不用考慮其他原因，假如有hair,則直接屬于type1。當腿的數(shù)量等于4時，再看它與否有hair,假如有，則直接屬于type1，不用考慮其他原因，假如沒有hair,則看它收否有aquatic,假如沒有則直接屬于type3,假如有aquatic,再看它與否有toothed,假如沒有，則屬于type7,假如有，則屬于type5。當腿的數(shù)量等于5或者8時，則直接屬于type7，不再考慮其他原因。當腿的數(shù)量等于6時，再看它與否有aquatic,假如沒有，則直接屬于type6，假如有aquatic,則直接屬于type7。5模型評估在節(jié)點工具箱的【輸出】選項卡中選擇【分析】節(jié)點，與模型成果節(jié)點相連。執(zhí)行分析節(jié)點，得到分析成果。C5.0的分析成果如下圖：CART的分析成果如下圖：CHAID的分析成果如下圖：可以看出，C5.0和CHAID算法建立的模型對的預(yù)測精度分別到達了98.75%和100%，模型比較理想。CART算法建立的模型對的預(yù)測精度為51.25%，模型不理想。6總結(jié)用數(shù)據(jù)挖掘技術(shù)對審計數(shù)據(jù)加以分析，總結(jié)出某些正常模式，用來進行異常檢測，將有助于提高入侵檢測系統(tǒng)的檢測精確性和完備性。在本課設(shè)中用到了決策樹分類分析措施，使用了決策樹算法中的C5.0、CART、CHAID三種算法，成果各不相似，預(yù)測的精確性也不一樣，由此可見每種數(shù)據(jù)挖掘的措施均有其側(cè)重點，對于現(xiàn)實的數(shù)據(jù)挖掘處理，不大也許使用單一的數(shù)據(jù)挖掘措施就能得到滿意的成果，而要綜合應(yīng)用多種措施取多種措施之長補其之短，對數(shù)據(jù)進行挖掘才能得到滿意的成果。通過這次的課程設(shè)計，使我對數(shù)據(jù)挖掘技術(shù)有了一種整體的認識。同樣在建立模型的時候也碰到了這樣或那樣的問題。但在自己認真的思索和查找資料，艱難的完畢了這次課設(shè)。這讓我對數(shù)據(jù)挖掘技術(shù)后來的深入學(xué)習(xí)打下了良好的基礎(chǔ)。附錄1:zoo.dateaardvark,1,0,0,1,0,0,1,1,1,1,0,0,4,0,0,1,1antelope,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,1,1bass,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,0,4bear,1,0,0,1,0,0,1,1,1,1,0,0,4,0,0,1,1boar,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1buffalo,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,1,1calf,1,0,0,1,0,0,0,1,1,1,0,0,4,1,1,1,1carp,0,0,1,0,0,1,0,1,1,0,0,1,0,1,1,0,4catfish,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,0,4cavy,1,0,0,1,0,0,0,1,1,1,0,0,4,0,1,0,1cheetah,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1chicken,0,1,1,0,1,0,0,0,1,1,0,0,2,1,1,0,2chub,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,0,4clam,0,0,1,0,0,0,1,0,0,0,0,0,0,0,0,0,7crab,0,0,1,0,0,1,1,0,0,0,0,0,4,0,0,0,7crayfish,0,0,1,0,0,1,1,0,0,0,0,0,6,0,0,0,7crow,0,1,1,0,1,0,1,0,1,1,0,0,2,1,0,0,2deer,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,1,1dogfish,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,1,4dolphin,0,0,0,1,0,1,1,1,1,1,0,1,0,1,0,1,1dove,0,1,1,0,1,0,0,0,1,1,0,0,2,1,1,0,2duck,0,1,1,0,1,1,0,0,1,1,0,0,2,1,0,0,2elephant,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,1,1flamingo,0,1,1,0,1,0,0,0,1,1,0,0,2,1,0,1,2flea,0,0,1,0,0,0,0,0,0,1,0,0,6,0,0,0,6frog,0,0,1,0,0,1,1,1,1,1,0,0,4,0,0,0,5frog,0,0,1,0,0,1,1,1,1,1,1,0,4,0,0,0,5fruitbat,1,0,0,1,1,0,0,1,1,1,0,0,2,1,0,0,1giraffe,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,1,1girl,1,0,0,1,0,0,1,1,1,1,0,0,2,0,1,1,1gnat,0,0,1,0,1,0,0,0,0,1,0,0,6,0,0,0,6goat,1,0,0,1,0,0,0,1,1,1,0,0,4,1,1,1,1gorilla,1,0,0,1,0,0,0,1,1,1,0,0,2,0,0,1,1gull,0,1,1,0,1,1,1,0,1,1,0,0,2,1,0,0,2haddock,0,0,1,0,0,1,0,1,1,0,0,1,0,1,0,0,4hamster,1,0,0,1,0,0,0,1,1,1,0,0,4,1,1,0,1hare,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,0,1hawk,0,1,1,0,1,0,1,0,1,1,0,0,2,1,0,0,2herring,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,0,4honeybee,1,0,1,0,1,0,0,0,0,1,1,0,6,0,1,0,6housefly,1,0,1,0,1,0,0,0,0,1,0,0,6,0,0,0,6kiwi,0,1,1,0,0,0,1,0,1,1,0,0,2,1,0,0,2ladybird,0,0,1,0,1,0,1,0,0,1,0,0,6,0,0,0,6lark,0,1,1,0,1,0,0,0,1,1,0,0,2,1,0,0,2leopard,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1lion,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1lobster,0,0,1,0,0,1,1,0,0,0,0,0,6,0,0,0,7lynx,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1mink,1,0,0,1,0,1,1,1,1,1,0,0,4,1,0,1,1mole,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,0,1mongoose,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1moth,1,0,1,0,1,0,0,0,0,1,0,0,6,0,0,0,6newt,0,0,1,0,0,1,1,1,1,1,0,0,4,1,0,0,5octopus,0,0,1,0,0,1,1,0,0,0,0,0,8,0,0,1,7opossum,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,0,1oryx,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,1,1ostrich,0,1,1,0,0,0,0,0,1,1,0,0,2,1,0,1,2parakeet,0,1,1,0,1,0,0,0,1,1,0,0,2,1,1,0,2penguin,0,1,1,0,0,1,1,0,1,1,0,0,2,1,0,1,2pheasant,0,1,1,0,1,0,0,0,1,1,0,0,2,1,0,0,2pike,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,1,4piranha,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,0,4pitviper,0,0,1,0,0,0,1,1,1,1,1,0,0,1,0,0,3platypus,1,0,1,1,0,1,1,0,1,1,0,0,4,1,0,1,1polecat,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1pony,1,0,0,1,0,0,0,1,1,1,0,0,4,1,1,1,1porpoise,0,0,0,1,0,1,1,1,1,1,0,1,0,1,0,1,1puma,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1pussycat,1,0,0,1,0,0,1,1,1,1,0,0,4,1,1,1,1raccoon,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1reindeer,1,0,0,1,0,0,0,1,1,1,0,0,4,1,1,1,1rhea,0,1,1,0,0,0,1,0,1,1,0,0,2,1,0,1,2scorpion,0,0,0,0,0,0,1,0,0,1,1,0,8,1,0,0,7seahorse,0,0,1,0,0,1,0,1,1,0,0,1,0,1,0,0,4seal,1,0,0,1,0,1,1,1,1,1,0,1,0,0,0,1,1sealion,1,0,0,1,0,1,1,1,1,1,0,1,2,1,0,1,1seasnake,0,0,0,0,0,1,1,1,1,0,1,0,0,1,0,0,3seawasp,0,0,1,0,0,1,1,0,0,0,1,0,0,0,0,0,7skimmer,0,1,1,0,1,1,1,0,1,1,0,0,2,1,0,0,2skua,0,1,1,0,1,1,1,0,1,1,0,0,2,1,0,0,2slowworm,0,0,1,0,0,0,1,1,1,1,0,0,0,1,0,0,3slug,0,0,1,0,0,0,0,0,0,1,0,0,0,0,0,0,7sole,0,0,1,0,0,1,0,1,1,0,0,1,0,1,0,0,4sparrow,0,1,1,0,1,0,0,0,1,1,0,0,2,1,0,0,2squirrel,1,0,0,1,0,0,0,1,1,1,0,0,2,1,0,0,1starfish,0,0,1,0,0,1,1,0,0,0,0,0,5,0,0,0,7stingray,0,0,1,0,0,1,1,1,1,0,1,1,0,1,0,1,4swan,0,1,1,0,1,1,0,0,1,1,0,0,2,1,0,1,2termite,0,0,1,0,0,0,0,0,0,1,0,0,6,0,0,0,6toad,0,0,1,0,0,1,0,1,1,1,0,0,4,0,0,0,5tortoise,0,0,1,0,0,0,0,0,1,1,0,0,4,1,0,1,3tuatara,0,0,1,0,0,0,1,1,1,1,0,0,4,1,0,0,3tuna,0,0,1,0,0,1,1,1,1,0,0,1,0,1,0,1,4vampire,1,0,0,1,1,0,0,1,1,1,0,0,2,1,0,0,1vole,1,0,0,1,0,0,0,1,1,1,0,0,4,1,0,0,1vulture,0,1,1,0,1,0,1,0,1,1,0,0,2,1,0,1,2wallaby,1,0,0,1,0,0,0,1,1,1,0,0,2,1,0,1,1wasp,1,0,1,0,1,0,0,0,0,1,1,0,6,0,0,0,6wolf,1,0,0,1,0,0,1,1,1,1,0,0,4,1,0,1,1worm,0,0,1,0,0,0,0,0,0,1,0,0,0,0,0,0,7wren,0,1,1,0,1,0,0,0,1,1,0,0,2,1,0,0,2附錄2:s1.Title:Zoodatabase2.SourceInformation--Creator:RichardForsyth--Donor:RichardS.Forsyth8GrosvenorAvenueMapperleyParkNottinghamNG35DX--Date:5/15/19903.PastUsage:--NoneknownotherthanwhatisshowninForsyth'sPC/BEAGLEUser'sGuide.4.RelevantInformation:--Asimpledatabasecontaining17Boolean-valuedattributes.The"type"attributeappearstobetheclassattribute.Hereisabreakdownofwhichanimalsareinwhichtype:(Ifinditunusualthatthereare2instancesof"frog"andoneof"girl"!)Class#Setofanimals:1(41)aardvark,antelope,bear,boar,buffalo,calf,cavy,cheetah,deer,dolphin,elephant,fruitbat,giraffe,girl,goat,gorilla,hamster,hare,leopard,lion,lynx,mink,mole,mongoose,opossum,oryx,platypus,p