数据挖掘孙家泽课后答案
什么是数据挖掘？在你的回答中，强调以下问题：
数据库是软件吗1） 它是又一种噱头吗？
2） 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？
3） 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，做相同的事情。
4） 当把数据挖掘当做知识发现过程时，描述数据挖掘所涉及的步骤。
数据挖掘指从大量数据中挖掘出有趣模式和知识的过程或方法。
数据挖掘不是另一种噱头，数据挖掘的兴起是由于海量数据及其转化为有效信息和知识的需求。因此，数据挖掘作为信息技术的自然革命的一个结果。
数据挖掘比从数据库、统计学等简单转换或应用更复杂。数据挖掘是数据库、神经网络、机器学习、高性能计算、模式识别、数据可视化等的集成和综合。
机器学习与数据挖掘高度相关，机器学习模型通常非常强调准确性，而数据挖掘则强调挖掘方法在大型数据集上的有效性和可收缩性，以及处理复杂数据类型的方法，开发新的非传统方法；统计学研究数据的收集、分析、解释和表示，与数据挖掘具有天然联系；统计学方法可以用来验证数据挖掘结果等。因此可以说数据挖掘是统计学技术进步的结果；模式识别重在认识事物，数据挖掘重在发现知识，因此可以说数据挖掘是一种方法，用于模式识别。
数据挖掘作为知识发现过程时，步骤有：1）数据清理；2）数据集成；3）数据选择；4）数据转换；5）数据挖掘；6）模式评估；7）知识表示。
数据仓库与数据库有何不同？它们有哪些相似之处？
数据库是由一组内部相关的数据和一组管理和存取数据的软件程序组成；数据仓库是一个从多个数据源手机的信息存储库。不同点是数据库由表组成，数据仓库是由数据立方体的多维数据结构建模。相似点在于数据库和数据仓库都可以存储数据，都是数据分析和挖掘的信息源。
定义以下数据挖掘功能：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。
数据特征化是目标类数据的一般特性或者特征的汇总。例如可以通过收集销量在前10%的物品的信息，再进行特征汇总。
数据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。例如将销量增加10%和销量减少30%的物品放在一起进行比较。
数据分类是出描述和区分数据类或概念的模型，以便能够使用模型预测类标号位置的对象的类标号。例如出描述销量增加30%和销量减少30%的物品，通过对其特征进行描述和建模，再对一个新的物品根据其特征将其分类。
回归建立连续值函数模型，用于预测缺失的难以确定的数据值。例如补全未采样的数据。
聚类根据最大化类内相似性、最小化类间相似性的原则分析数据对象，但不进行类标号。例如可以对客户数据进行分析，以簇形式表示每个购物目标。
离点分析指研究那些与数据的一般行为或模型不一致的数据离散点，可以从中挖掘某种模式。例如使用离点分析发现信用卡使用活动。
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？这种模式能够通过简单的查询处理或统计分析得到吗？
以百货商店为例，可以使用数据挖掘去开展商业目标邮件活动，可以使用聚类方法去出商品的特定消费人的特征，进而给与该类人相似的顾客发送该商品促销邮件。此时简单的查询处理不能出特定人特征，同样，统计分析不能处理该百货商店里大量的顾客数据记录。
解释区分和分类、特征化和聚类、分类和回归之间的区别和相似之处。
区分指的是将目标类数据的一般特性和一个或多个对比类对象的一般特性进行比较，即出两者之间的特征区别；分类指的是出一种模型来描述和区分数据类型或概念，并预测类标号未知的对象的类标号。两者的相似性在于他们都要对目标类数据对象进行处理和分析，输出结果都是类别特征，这些类别是预先指定的。
特征化是对目标类数据的的一般特性或特征的汇总；聚类是指对数据对象在不考虑明确标签分类下的情况下进行分析。两者的相似处在于他们都刻画目标的总体特征。
分类用于出一种模型来描述和区分数据类型或概念，并预测类标号未知的对象的类标号；而回归则是建立一个连续值函数模型，而不是离散、无序的标号。相似点在于两者都是用函数进行预测。
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，他需要一种不同于本章列举的数据挖掘技术吗？
建立一个周期性的知识类型，在不同时间段内数据会更新和修改，但是会发生重复性动作。此时要从时间出发，使用一种新的数据挖掘技术。
以欺诈检测为例，提出两种可以用来检测离点的方法，并讨论哪种方法更可靠。
1） 使用聚类方法，在进行聚类分析之后，不同的簇代表着不同的数据类型，离散点不在簇的范围内。聚类分析是最有效的检测离点的方法。
2） 使用回归方法，基于全体数据建立一个可能的数据预测模型，如果一个值极大偏离回归值，可以认为该数据是一个离散点。
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） 处理不同的知识类型：不同的用户对不同的知识类型感兴趣，可能以不同的方式使用同一个数据库，并且需要不同的数据挖掘技术。
2） 挖掘多维空间中的知识：我们需要通过返回的结果给出和定义数据挖掘的要求，并在多维数据立方体中从不同角度和组合搜索有趣的知识模式。
3） 跨学科的背景知识：背景知识能能够有助于帮助人们去分析、发现和表达发现的模式对于多学科的作用。
与挖掘少量数据相比，挖掘海量数据的主要挑战是什么？
一方面是数据挖掘算法的有效性和可伸缩性，即数据挖掘算法的运行时间必须是可预计的、短的和可以被应用接受的。
另一方面是并行、分布式和增量挖掘算法，即海量数据引起的计算复杂性促进了并行和分布式数据密集型挖掘算法。
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某个特定引用领域中的数据挖掘的主要挑战？
在生物信息学中，由于对某些生物对象、染体序列、生物学网络和染体的数据结构可能同时存在，对数据的清理和集成、一种数据的多个数据源之间的复杂相互作用给数据挖掘带来了巨大挑战。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。