數(shù)據(jù)挖掘考試習題匯總-資料下載頁
2025-03-25 03:00本頁面
【正文】 、清洗、轉(zhuǎn)換規(guī)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)務元數(shù)據(jù)主要包含的內(nèi)容？P29 業(yè)務元數(shù)據(jù)：從業(yè)務角度描述了DW中的數(shù)據(jù)，提供了介于使用者和實際系統(tǒng)之間的語義層，主要包括：l 使用者的業(yè)務屬于所表達的數(shù)據(jù)模型、對象名和屬性名l 訪問數(shù)據(jù)的原則和數(shù)據(jù)的來源l 系統(tǒng)提供的分析方法及公式和報表的信息。1Kmeans算法的基本操作步驟（包括算法的輸入和輸出）。P138★ 1數(shù)據(jù)從集結(jié)區(qū)加載到數(shù)據(jù)倉庫中的主要方法？P36l SQL命令（如Insert或Update）l 由DW供應商或第三方提供專門的加載工具l 由DW管理員編寫自定義程序1多維數(shù)據(jù)模型中的基本概念：維，維類別，維屬性，粒度P37l 維：人們觀察數(shù)據(jù)的特定角度，是考慮問題的一類屬性，如時間維或產(chǎn)品維l 維類別：也稱維分層。即同一維度還可以存在細節(jié)程度不同的各個類別屬性（如時間維包括年、季度、月等）l 維屬性：是維的一個取值，是數(shù)據(jù)線在某維中位置的描述。l 粒度：DW中數(shù)據(jù)綜合程度高低的一個衡量。粒度低，細節(jié)程度高，回答查詢的種類多 ？？Apriori算法的基本操作步驟P93★C Apriori使用一種稱作逐層搜索的迭代方法，K項集用于探索K+1項集。C 該方法是基于候選的策略，降低候選數(shù)C Apriori剪枝原則：若任何項集是非頻繁的，則其超集必然是非頻繁的（不用產(chǎn)生和測試超集）C 該原則基于以下支持度的特性:CE 項集的支持度不會超過其子集E 支持度的反單調(diào)特性（antimonotone）：如果一個集合不能通過測試，則它的所有超集也都不能通過相同的測試。C 令 k=1C 產(chǎn)生長度為1的頻繁項集C 循環(huán)，直到無新的頻繁項集產(chǎn)生E 從長度為k的頻繁項集產(chǎn)生長度為k+1的候選頻繁項集H 連接步：項集的各項排序，前k1個項相同E 若候選頻繁子集包含長度為k的非頻繁子集，則剪枝H 剪枝步：利用支持度屬性原則 E 掃描數(shù)據(jù)庫，計算每個候選頻繁集的支持度E 刪除非頻繁項, 保留頻繁項
試題試卷相關(guān)推薦
鄂ICP備17016276號-1