《数据挖掘概念与技术》第三版 范明 孟小峰译 课后习题答案（一）

1.1 什么是数据挖掘？在你的回答中，强调以下问题：

（a）它是又一种广告宣传吗？

（b）它是一种从数据库、统计学、机器学习和模式识别发展而来的技术的简单转换或应用 吗？

（c）我们提出了一种观点，说数据挖掘是数据库技术进化的结果。你认为数据挖掘也是机 器学习研究进化的结果吗？你能基于该学科的发展历史提出这一观点吗？针对统计学和模 式识别领域，做相同的事。

（d）当把数据挖掘看做知识发现过程时，描述数据挖掘所涉及的步骤。

答：简单地说， 数据挖掘其实就是从大量的数据中发现有用的信息， 它是从大量数据中 挖掘有趣模式和知识的过程。

数据挖掘不是一种广告宣传， 而是身处在信息时代数据如此庞 大的今天， 我们对由海量的数据转化为有用信息的迫切需要， 所以它是信息技术自然进化的 结果，而不是一种广告宣传。

数据挖掘也不是一种从数据库、 统计学、 机器学习和模式识别发展而来的技术的简单转 换或应用，它涉及到了很多领域的技术，比如统计学、机器学习、模式识别、数据库和数据 仓库、信息检索、可视化、神经网络、高性能计算、算法以及许多应用领域的大量技术。

数据挖掘起始于 20 世纪下半叶，是在当时多个学科发展的基础上发展起来的。随着数 据库技术的发展应用， 数据的积累不断膨胀， 导致简单的查询和统计已经无法满足企业的商 业需求， 所以急需一种新型的技术去获取有用的信息， 当时计算机领域的人工智能也取得了 巨大进展，进入了机器学习的阶段，人们就将两者结合起来，用数据库管理系统存储数据， 用计算机分析数据， 这两者的结合就促就以这一门新兴的学科， 所以数据挖掘不是机器学习 研究进化的结果，而是结合了机器学。

数据挖掘的步骤包括：（ 1）数据收集；（ 2）数据清洗、脱敏；（ 3）数据存储；（ 4） 数据分析；（ 5）数据可视化。

1.2 数据仓库与数据库有何不同？他们有哪相似之处？

答：数据库是按照数据结构来组织、 存储和管理数据的仓库， 它是以一定方式储存在一 起、能为多个用户共享、 具有尽可能小的冗余度的特点、 是与应用程序彼此独立的数据集合。 数据仓库， 是为企业所有级别的决策制定过程， 提供所有类型数据支持的战略集合。 它是单 个数据存储，出于分析性报告和决策支持目的而创建。

不同处：（ 1）数据库是面向事务的设计，数据仓库是面向主题设计的。

               （2）数据库一般存储在线交易数据，数据仓库存储的一般是历史数据。

               （3）数据库设计是尽量避免冗余，数据仓库在设计是有意引入冗余。

               （4）数据库是为捕获数据而设计，数据仓库是为分析数据而设计。 相似处：两者都是数据的集合。

1.3 定义下列数据挖掘功能：特征化、区分、关联和相关性分析、分类、回归、聚类、离群 点分析。使用你熟悉的现实生活中的数据库，给出每种数据挖掘功能的例子

答：特征化：目标类数据的一般特性或特征的汇总。 例如：汇总某年级学生的基本特征， 结果可能会高分段成绩信息，是否挂科等信息。 区分：将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。

例如：购买化妆品的顾客 70%在 20~40 岁之间， 受过大学教育， 而不经常购买化妆品的顾客 60%要么年龄太小要么年龄太大，没有受过大学教育。 关联和相关性： 两个变量之间的相关性， 从给定的数据集中发现频繁出现的频繁模式知 识。

例如：超市将啤酒和尿不湿放到一起。 分类：找出和区分数据类或概念地模型， 以便能够使用模型预测类标号未知的对象的类 标号。例如：学生的成绩分为高等、中等、低等。 回归： 用来预测缺失或难以获得的数值数据值，而不是离散的类标号。 例如：商品质量 与用户满意度之间的因果关系。 聚类： 将观测组织成类分层结构，把类似的事件组织在一起。

例如：将一些特征相似的 症状结合起来可能预示一种特定的疾病。 离群点分析：数据集中可能包含一些数据对象，它们与数据的一般行为或模型不一致， 这些数据对象是离群点， 离群点数据的分析就是离群点分析。 例如：将正常的付款数额与一 个消费数额极大的账号进行离群点分析，可能发现信用卡诈骗。

1.4 给出一个例子，其中数据挖掘对于工商企业的成功是至关重要的。该工商企业需要什么 数据挖掘功能 （例如， 考虑可以挖掘何种类型的模式） ？这种模式能够通过简单的查询处理 或统计分析得到吗？

答：如淘宝网，需要根据消费者的性别、年龄、职业、收入水平、兴趣爱好等进行关联 性分析， 给不同的消费者推荐不同类型， 不同类别的商品。 可以考虑关联和相关性的数据挖 掘方法。 这种模式不能通过简单的查询处理或统计分析获得， 因为每天人们在淘宝网上浏览 的信息都非常多，如果仅仅通过简单的查询处理或统计分析，是不能够完成这项工作的。

1.5 解释区分和分类、特征化和类聚、分类和回归的区别与相似处。

（1）区分和分类的区别与相似处 区别：区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比 较，而分类是找出和区分数据类或概念地模型， 以便能够使用模型预测类标号未知的对象的 类标号。 相似处：都是都数据分析的方法 （2）特征化和类聚的区别与相似处 区别：特征化是目标类数据的一般特性或特征的汇总。 聚类是将观测组织成类分层结构， 把类似的事件组织在一起。 特征化强调的是对数据进行汇总， 而聚类强调把类似的事件组织 在一起，而不是将其汇总在一起。 相似处：处理的数据都要是有相似之处的。

（3）分类和回归的区别与相似处 区别：分类是找出和区分数据类或概念地模型， 以便能够使用模型预测类标号未知的对 象的类标号。 回归是用来预测缺失或难以获得的数值数据值， 而不是离散的类标号。 分类预 测类别是离散的、无序的标号，而回归是建立连续值函数模型。 相似处：都是对数据进行预测。

1.6 根据你的观察，描述一个可能的知识类型，它需要由数据挖掘方法发现，但未在本章中 列出。它需要一种不同于本章列举的数据挖掘技术吗？

答：建立一个周期性的知识类型， 在不同的时间段， 数据都会进行更新， 修改，变化等， 这个就需要一种新的数据挖掘技术。

1.7 离群点经常被当做噪声丢弃。然而，一个人的垃圾可能是另一个人的宝贝。列如，信用卡交易中的异常可能帮助我们检测信用卡的欺诈使用。 以欺诈检测为例， 提出两种可以用来 检测离群点的方法，并讨论哪种方法更可靠。

（1）基于近邻性的检验方法，包括基于距离和基于密度的方法，如果一个人的信用卡 消费情况与他近邻的消费情况差异太大，这说明他是离群点。

（ 2）基于类聚的方法，基于 类聚的方法通过考察对象与簇之间的关系检测离群点， 离群点是一个对象， 它属于小的偏远 簇，或不属于任何一个簇， 如果一个人的消费情况与所有人的消费情况不一样， 则说明这个 人就是信用卡诈骗。

1.8 描述三个关于数据挖掘方法和用户交互问题的数据挖掘挑战。

（1）数据挖掘的过程是高度交互的，用户访问网页非常灵活，这就需要构建灵活的用 户界面和探索式挖掘环境。

（2）结合背景知识：应该把背景知识、约束、规则和关于所研究领域的其他信息结合 到发现过程中。

（3）数据挖掘结果的表示和可视化：数据挖掘系统如何生动、灵活地提供数据挖掘结 果，使所发现的知识容易理解，也是数据挖掘的一大挑战

1.9 与挖据少量数据（例如，几百个元祖的数据集合）相比，挖掘海量数据（例如，数十亿 个元祖）的主要挑战是什么？

（1）可伸缩性；在处理大量的数据时，必定要求算法等技术的可伸缩性。

（2）高维性；随着数据的不断膨胀，数据的属性也在不断地增加，具有时间和空间分 量的数据集也趋向于高维度，这也需要数据分析的方法更加地复杂。

（3）异种数据和复杂数据；随州信息技术的不断进步，人们接触的数据也越来越多样 化和复杂化。 （4）数据的安全性也是挖掘海量数据的一大挑战。

1.10 概述在诸如流 /传感器数据分析、时空数据分析或生物信息学等某个特定应用领域中的 数据挖掘的主要挑战。

主要挑战：由于现有的技术条件有限，对于流 /传感器的数据分析、时空数据分析、生 物信息学等领域的数据挖掘来说， 如何找寻挖掘这些数据的技术和方法， 如何处理、 分析这 些数据对于数据挖掘来说是一项巨大的挑战。