數(shù)據(jù)分析與挖掘習題-資料下載頁
2025-03-25 02:56本頁面
【正文】 經(jīng)理、主管、和分析人員）的數(shù)據(jù)分析。 數(shù)據(jù)內(nèi)容：OLTP 系統(tǒng)管理當前數(shù)據(jù)。通常，這種數(shù)據(jù)太瑣碎，難以方便地用于決策。OLAP 系統(tǒng)管理大量歷史數(shù)據(jù)，提供匯總和聚集機制，并在不同的粒度級別上存儲和管理信息。這些特點使得數(shù)據(jù)容易用于見多識廣的決策。數(shù)據(jù)庫設(shè)計：通常，OLTP 系統(tǒng)采用實體聯(lián)系（ER）模型和面向應用的數(shù)據(jù)庫設(shè)計。而OLAP 系統(tǒng)通常采用星形或雪花模型和面向主題的數(shù)據(jù)庫設(shè)計。視圖：OLTP 系統(tǒng)主要關(guān)注一個企業(yè)或部門內(nèi)部的當前數(shù)據(jù)，而不涉及歷史數(shù)據(jù)或不同組織的數(shù)據(jù)。相比之下，由于組織的變化，OLAP 系統(tǒng)常?？缭綌?shù)據(jù)庫模式的多個版本。OLAP 系統(tǒng)也處理來自不同組織的信息，由多個數(shù)據(jù)存儲集成的信息。由于數(shù)據(jù)量巨大，OLAP 數(shù)據(jù)也存放在多個存儲介質(zhì)上。 訪問模式：OLTP 系統(tǒng)的訪問主要由短的、原子事務組成。這種系統(tǒng)需要并行控制和恢復機制。然而，對OLAP 系統(tǒng)的訪問大部分是只讀操作（由于大部分數(shù)據(jù)倉庫存放歷史數(shù)據(jù)，而不是當前數(shù)據(jù)），盡管許多可能是復雜的查詢。 第三章 作業(yè)1. 根據(jù)你的觀察，描述一種可能的知識類型，它需要由數(shù)據(jù)挖掘方法發(fā)現(xiàn)，但未在本章中列出。它需要一種不同于本章列舉的數(shù)據(jù)挖掘技術(shù)嗎？信息評價，用來反映信息的及時性，有效性，信息量關(guān)于一類的大量信息的綜合指標，可以運用數(shù)據(jù)挖掘中的分類算法來實現(xiàn)最初的信息分類，在分好的類別中運用信息熵的計算方法來計算，信源熵:H(x)=E[I(xi)]=E[log2 1/p(xi)]=ξp(xi)log2 p(xi)(i=1,2,..n)信息量= （p1*log p1 + p2 * log p2 +?。。玴32 *log p32)， 其中，p1，p2 ，?。?，p32 分別是這 32 個球隊奪冠的概率。香農(nóng)把它稱為“信息熵” (Entropy)，一般用符號 H 表示，單位是比特。2. 聚類作為數(shù)據(jù)挖掘中的重要技術(shù)之一，在實際應用中有廣泛的應用，請針對用聚類來做數(shù)據(jù)預處理工具以支持其后的其他數(shù)據(jù)挖掘任務的實際應用的例子。再做數(shù)據(jù)預處理時，可以用聚類做用在市場細分、目標顧客定位、業(yè)績評估、生物群種劃分等方面。如在商務上，聚類分析可以幫助市場分析人員從客戶基本庫中發(fā)現(xiàn)不同的客戶群，在對已經(jīng)分類的客戶群進行后續(xù)數(shù)據(jù)的挖掘算法，如關(guān)聯(lián)規(guī)則或者分類方法等，從而對客戶隨后的數(shù)據(jù)挖掘過程中提高效率，增加正確率，并且用購買模式來刻畫不同的客戶群的特征。3. 如表1所示，某數(shù)據(jù)庫有四條交易記錄。假設(shè)最小支持度為60%，最小可信度為80%。TIDDateItems_boughtT10010/15/99{K、A、D、B}T20010/15/99{D、A、C、E、B}T30010/19/99{C、A、B、E}T40010/22/99{B、A、D}（1）運用Apriori算法找出所有的頻繁項集；{A,B,D} {A,B} {A,D} {B,D} {A} {B} {D}（2）列出所得到的強關(guān)聯(lián)規(guī)則，并且這些強關(guān)聯(lián)規(guī)則必須符合下面的超規(guī)則，其中X代表客戶變量，itemi指所購買的商品（如“A”、“B”等）： 任意的X屬于交易集，buys（X，item1）^ buys（X，item2）= buys（X，item3）[s,c] 強關(guān)聯(lián)規(guī)則 {A}→{B} {B}→{A} {D}→{A} {D}→{B} {D}→{A,B} {A,D}→{B} {B,D}→{A}超規(guī)則 {A,D}→{B} {B,D}→{A}
高考資料相關(guān)推薦
鄂ICP備17016276號-1