數(shù)據(jù)挖掘考試習(xí)題匯總(存儲(chǔ)版)
【正文】 則和數(shù)據(jù)刷新規(guī)則及安全（用戶授權(quán)和存取控制）1業(yè)務(wù)元數(shù)據(jù)主要包含的內(nèi)容？P29 業(yè)務(wù)元數(shù)據(jù)：從業(yè)務(wù)角度描述了DW中的數(shù)據(jù)，提供了介于使用者和實(shí)際系統(tǒng)之間的語(yǔ)義層，主要包括：l 使用者的業(yè)務(wù)屬于所表達(dá)的數(shù)據(jù)模型、對(duì)象名和屬性名l 訪問(wèn)數(shù)據(jù)的原則和數(shù)據(jù)的來(lái)源l 系統(tǒng)提供的分析方法及公式和報(bào)表的信息。C 該方法是基于候選的策略，降低候選數(shù)C Apriori剪枝原則：若任何項(xiàng)集是非頻繁的，則其超集必然是非頻繁的（不用產(chǎn)生和測(cè)試超集）C 該原則基于以下支持度的特性:CE 項(xiàng)集的支持度不會(huì)超過(guò)其子集E 支持度的反單調(diào)特性（antimonotone）：如果一個(gè)集合不能通過(guò)測(cè)試，則它的所有超集也都不能通過(guò)相同的測(cè)試。包括度量和維定義算法，數(shù)據(jù)粒度、主題領(lǐng)域、聚合、匯總和預(yù)定義的查詢和報(bào)告。（2）ID3算法只能對(duì)描述屬性為離散型屬性的數(shù)據(jù)集構(gòu)造決策樹(shù)。第六章聚類(lèi)分析包括連續(xù)型、二值離散型、多值離散型和混合類(lèi)型4種類(lèi)型描述屬性的相似度計(jì)算方法。維度可以根據(jù)其變化快慢分為元變化維度、緩慢變化維度和劇烈變化維度三類(lèi)。第三章SQL Server SSAS提供了所有業(yè)務(wù)數(shù)據(jù)的同意整合試圖，可以作為傳統(tǒng)報(bào)表、在線分析處理、關(guān)鍵性能指示器記分卡和數(shù)據(jù)挖掘的基礎(chǔ)。粒度越小，細(xì)節(jié)程度越高，綜合程度越低，回答查詢的種類(lèi)越多?！皩?shí)時(shí)數(shù)據(jù)倉(cāng)庫(kù)”以為著源數(shù)據(jù)系統(tǒng)、決策支持服務(wù)和倉(cāng)庫(kù)倉(cāng)庫(kù)之間以一個(gè)接近實(shí)時(shí)的速度交換數(shù)據(jù)和業(yè)務(wù)規(guī)則。第一章數(shù)據(jù)倉(cāng)庫(kù)就是一個(gè)面向主題的、集成的、相對(duì)穩(wěn)定的、反映歷史變化的數(shù)據(jù)集合。操作型數(shù)據(jù)存儲(chǔ)實(shí)際上是一個(gè)集成的、面向主題的、可更新的、當(dāng)前值的（但是可“揮發(fā)”的）、企業(yè)級(jí)的、詳細(xì)的數(shù)據(jù)庫(kù)，也叫運(yùn)營(yíng)數(shù)據(jù)存儲(chǔ)。粒度是對(duì)數(shù)據(jù)倉(cāng)庫(kù)中數(shù)據(jù)的綜合程度高低的一個(gè)衡量。一般把數(shù)據(jù)分成4個(gè)級(jí)別：早期細(xì)節(jié)級(jí)、當(dāng)前細(xì)節(jié)級(jí)、輕度綜合級(jí)和高度綜合級(jí)。它于事實(shí)表并無(wú)關(guān)系，但有時(shí)在查詢限制條件（如訂單號(hào)碼、出貨單編號(hào)等）中需要用到。支持向量機(jī)中常用的核函數(shù)有多項(xiàng)式核函數(shù)、徑向基核函數(shù)和S型核函數(shù)。信息增益的缺
試題試卷相關(guān)推薦
鄂ICP備17016276號(hào)-1