数据挖掘期末.docxVIP

一)概述 为什么要数据挖掘( Data Mining )？ 存在可以广泛使用的大量数据， 并且迫切需要将数据转转换成有用的信息和知识 什么是数据挖掘？ 数据挖掘( Data Mining )是指从大量数据中提取或“挖掘”知识 对何种数据进行数据挖掘？ 关系数据库、数据仓库、事务数据库 空间数据 超文本和多媒体数据 时间序列数据 流数据 二)数据预处理 为什么要预处理数据？ 为数据挖掘过程提供干净、准确、简洁的数据，提高数据挖掘的效率和准确性， 是数据挖掘中非常重要的环节； 数据库和数据仓库中的原始数据可能存在以下问题： 定性数据需要数字化表示 不完整 含噪声 度量单位不同 维度高 数据的描述 度量数据的中心趋势：均值、加权均值、中位数、众数 度量数据的离散程度：全距、四分位数、方差、标准差 基本描述数据汇总的图形显示：直方图、散点图 度量数据的中心趋势 集中趋势：一组数据向其中心值靠拢的倾向和程度。 集中趋势测度：寻找数据水平的代表值或中心值。 常用的集中趋势的测度指标： 均值： 缺点：易受极端值的影响 中位数 ：对于不对称的数据，数据中心的一个较好度量是中位数 特点：对一组数据是唯一的。不受极端值的影响。 众数：一组数据中出现次数最多的变量值。 特点：不受极端值的影响。有的数据无众数或有多个众数。 度量数据的离散程度 反映各变量值远离其中心值的程度(离散程度)，从另一个侧面说明了集中趋势 测度值的代表程度。 常用指标： 全距(极差)：全距也称极差，是一组数据的最大值与最小值之差。 R=最大值-最小值 组距分组数据可根据最高组上限-最低组下限计算。 受极端值的影响。 四分位距(Inter-Quartilenge, IQR) :等于上四分位数与下四分位数之差 (q3-q1) 反映了中间50徹据的离散程度，数值越小说明中间的数据越集中。 不受极端值的影响。 可以用于衡量中位数的代表性。 四分位数： 把顺序排列的一组数据分割为四(若干相等)部分的分割点的数值 。 分位数可以反映数据分布的相对位置(而不单单是中心位置)。 在实际应用中四分位数的计算方法并不统一(数据量大时这些方法差别不 大)。对原始数据： SPSS中四分位数的位置为(n+1)/4，2(n+1)/4 ，3 (n+1)/4 。 Excel中四分位数的位置分别为(n+3)/4，2(n+1)/4 ，(3 n+1)/4。 如果四分位数的位置不是整数，则四分位数等于前后两个数的加权平均。 方差和标准差：方差是一组数据中各数值与其均值离差平方的平均数，标准差是 方差正的平方根。 是反映定量数据离散程度的最常用的指标。 基本描述数据汇总的图形显示 直方图(Histogram):使人们能够看出这个数据的大体分布或“形状” 散点图 如何进行预处理 定性数据的数字化表示： 二值描述数据的数字化表示 例如：性别的取值为 “男”和“女”，男—1，女—0 多值描述数据的数字化表示 例如：信誉度为“优”、“良”、“中”、“差” 第一种表示方法：优—1，良—2，中—3，差—4 第二种表示方法： ?中? 1 0 0 ° 1 0 俳眷用为“中.* fl 0 1 0 0 D  数据清理 填充空缺值（不完整的数据）： 忽略元组 人工填写 使用属性的均值 使用与给定元组属同一类的所有样本的属性均值 消除含噪声的数据： 分箱： 分箱前对记录集按目标属性值的大小进行排序 等深分箱法 等宽分箱法 用户自定义 分箱之后，按箱平均值平滑，按箱边界平滑 数据变换 最小-最大规范化 z-score规范化 小数定标 数据压缩 主成分分析（PCA 特征选择 （三）数据分类 分类的定义 分类是指把数据样本映射到一个事先定义的类中的学习过程， 即给定一组输入的 分类问题使用的数据集格式:描述属性的取值可以定性的数据，也可以是定量的数据;是定性的数据。属性向量及其对应的类，用基于归纳的学习算法得出分类。 分类问题使用的数据集格式: 描述属性的取值可以定性的数据，也可以是定量的数据; 是定性的数据。 而类别属性的取值必须 定量的数据是指在某一个区间或者无穷区间内取值是连续的，例如描述属性 “ Age 定性的数据是指该属性的取值是不连续的 ，例如属性“ Salary ”和“ Class ” 分类的过程 获取数据 输入数据、对数据进行量化 预处理 去除噪声数据、对空缺值进行处理 数据变换、数据压缩 分类器设计 划分数据集、分类器构造、分类器测试 分类决策 对未知类标号的数据样本进行分类 决策树的基本概念 适用于定性取值属性、定量取值属性 采用自顶向下的递归方式产生一个类似于流程图的树结构 在根节点和各内部节点上选择合适的描述属性， 并且根据该属性的不同取值向下 建立分枝。 决策树的优点： 进行分类器设计时，决策树分类方法所需时间相对较少