数据仓库与数据挖掘小结

更加详细的只找得到pdf版本

填空10分
判断并改错10分
计算8分
综合20分

客观题
填空10分判断并改错10分--错的要改	mooc中的--尤其考试题

名词解释12分

4个，每个3分

经常碰到的专业术语

简答题40分

5个，每道8分

综合

画roc曲线
类似于和计算相关的题目

什么是数据挖掘？概念是什么？

哪些操作属于数据挖掘操作，哪些操作不属于
数据：海量、多源异构

操作：从大量的数据中提取出有趣的（重要、隐含、以前未知、潜在有用）模式或知识。

数据分析与数据挖掘有区别
数据挖掘AKA知识发现KDD

数据挖掘的流程

在数据管理的视角下，数据挖掘的流程是什么？有哪些环节？一定要注意是一个迭代反馈的过程

数据集成	不同数据源中描述同一条数据对象《变成一个比较统一的数据信息
数据清理	错误、异常、冗余、缺失
进入数据仓库	按主题存储数据
选择、变换	把数据仓库中的数据变成与数据挖掘任务相关的数据集选择：选择相关数据、属性特征变换：格式可能不满足算法要求、数据量纲；特征转换--相乘相除etc…
得到和任务相关的数据集，可供我们使用算法
数据挖掘	设计或选择合适的模型，用于任务相关的数据上，得到模式
知识评估	若不满足，考虑到之前所有步骤--哪个或哪几个步骤不合适

反复试验的过程

数据挖掘的任务

分类回归	利用历史记录预测未来的值--预测问题
聚类
相关性分析与关联分析-关联规则挖掘
异常检测

预测性任务
描述性任务	关联规则挖掘-物品之间共线关系

数据集的主要特征

维度、分辨率、稀疏性

识别数据属性值中的异常的方法

画图【箱线图】、统计的3σ原则

标称【标称属性中的二分属性->对称二分与不对称二分】、序数、数值，如何计算这些数据类型的相似度？如果数据的属性是混合类型的数据类型的相似度怎么计算？【核心】

数据对象的相似性度量问题【两个行的相似性】【属性之间的相似性是两个列】

相似性和相异性此涨彼消

标称

p为属性个数，m是两个对象属性取值相等的个数，p-m两个对象取值不相等的个数

二分
需要四个指标

非对称：
取0的可能性更高：尽管差异性很大但是因为取0概率高导致差异性不准

序数

取值转换为数值类型--把级别从低到高排序；
取值按公式转换

数值

用距离衡量

常用距离

闵氏距离	曼哈顿距离-出租车距离-沿着街道走走折线--高维上确界距离

文档

余弦相似度

混合类型

f:每个属性
dij(f):在f属性上的相异度
前面为权重

属性之间的相关性

单相关和复相关
正相关和负相关
线性相关和非线性相关
不相关、完全相关、不完全相关

画散点图
相关系数

线性：

协方差

皮尔森相关系数

等级

最大信息系数MIC：用于度量高维数据中属性变量之间强相关性

属性和属性间的计算属于相关性分析--方法

数据预处理主要包括哪些步骤？

数据清理、数据集成、数据转换、数据约减

简述数据清理的主要任务、常用方法、流程

处理缺失数据、平滑噪声、识别或移除异常（属性值的异常）、解决数据不一致的问题…

常用方法

缺失值	删除；插补
异常值
噪音
不一致	实体识别技术

流程

流程：

右侧是数据清理的过程，首先import data导入数据，集中相关数据，处理缺失值，标准化【max-min这种，目标是统一特征维度的量纲】、规范化【变换后吻合一个分布zscore】，重复性检测、修正错误与丰富，导出

常用离散化方法有哪些？【看下游任务】

无监督

分箱
直方图
聚类（k-means）

有监督--类标签指导下

基于熵的方法

不断离散化

如何识别冗余属性？

通过相关性分析发现冗余属性

数值属性：相关系数、协方差
标称类型：卡方检验

常用的约减方法--前三个对数据量压缩，PCA是无监督的降维

回归
聚类
抽样
PCA

数据量的压缩

有参

回归

只保留参数wb，想生成数据集的时候直接在x上随机采样生成y值

无参

聚类

对每个簇抽样

抽样

有放回、无放回、分层

维度压缩

无监督pca	把原始的属性描述的特征空间映射为正交矩阵空间，尽可能多的保留原始数据信息消除冗余--维度彼此独立 pca通过做正交矩阵分解，得到主成分，选前k个重要特征作为新的空间中的特征，把所有数据对象由前k个特征的线性组合表示
属性子集选择	Method1:删除冗余属性、删除不重要的…得到子集 Method2:添加最重要的、次重要的…得到子集
Vs	属性选择得到的特征有具体含义，PCA没有【黑箱】-可能可以得到非常好的特征提取但是可解释性差

olap

数仓的基本架构
简述数仓的数据模型及各模型特点
数据仓库与数据库的区别

关联规则挖掘

方法与评估指标

两阶段	频繁项集的产生--关联规则的产生
频繁项集的实现	用了性质缩小频繁项集的空间
关联规则挖掘的内容
评估指标--常用支持度和置信度，并不一定是一个有意义的关联规则，	提升度

聚类

聚类和分类的区别

kmeans和DBSCAN的原理和流程和优缺点特点，对kmeans的缺点有哪些办法可以解决

k值需要确定	设置不同k值求sse，考虑拐点附近的k值
初始聚类中心的选择	第一个随机选，下一个选离当前选择的最远的
对噪声点和异常敏感【因为均值敏感】	使用k-medoids用真实数据对象作为中心-复杂度高-由簇中的数据对象替代；用k中位数
球形簇【基于距离】
空簇	选sse贡献最大的点作为簇中心，从簇中选一个对sse贡献最大的点，
	尺寸：密度：非凸：解决： k取较大值分为多个小簇再合并

纵轴：第k个最近邻距离的变化范围
横轴：数据对象按最近邻距离编码
大部分数据对象的第k个最近邻的变化变化幅度不大，拐点飙升-异常点，当k取大，距离大
由此判断k

聚类的评估指标--有监督【和分类一样】和无监督【规范化的互信息与轮廓系数】

标准化的互信息-Y是聚类标签，C是真实标签-I(Y,C)互信息=H(C )-H(Y|C)yc依赖性越高越好

分类

roc怎么画	tpr是召回率
评估指标--精度召回率fscore
决策树、贝叶斯、集成	贝叶斯：易于实现，结果比较好，鲁棒的有可能有依赖集成对于不稳定的分类器才有提升效果
评估框架--bootstrap cosostation？？交叉验证的bootstrap	二分类问题正事例