數(shù)據(jù)挖掘概念與技術(shù)課后題答案匯總(參考版)
2025-06-26 20:43本頁面
【正文】 20081201 20081201。(e) 使用上面得到的多層前饋神經(jīng)網(wǎng)絡(luò)，給定訓(xùn)練實例（sales，senior，31…35，46K…50K），給出后向傳播算法一次迭代后的權(quán)重值。(d) 為給定的數(shù)據(jù)設(shè)計一個多層前饋神經(jīng)網(wǎng)絡(luò)。 所以已知：X=(department=system,age=26…30,salary=46K…50K)，元組總數(shù) 為：30+40+40+20+5+3+3+10+4+4+6=165?！?P(junio r)=113/165= ；∵ P(senio r)=52/165=；∴ P(X|junior)P(junior)==0=0=P(X|senior)P(senio r)； 所以：樸素貝葉斯分類器將 X 分到 junio r 類。 P(2630|senior)=(0)/53=0。該元組 status 的樸素貝葉斯分 類是什么？解一：設(shè)元組的各個屬性之間相互獨立，所以先求每個屬性的類條件概率：P(systems|junior)=(20+3)/(40+40+20+3+4+6)=23/113。(a) 如何修改基本決策樹算法，以便考慮每個廣義數(shù)據(jù)元組（即每一行） 的count？(b) 使用修改過的算法，構(gòu)造給定數(shù)據(jù)的決策樹。m) 使用上面得到的多層前饋神經(jīng)網(wǎng)絡(luò)，給定訓(xùn)練實例（sales，senior ，31…35，46K…50K），給出后向傳播算法一次迭代后的權(quán)重值。該元組 status 的樸素貝葉 斯分類是什么？l) 為給定的數(shù)據(jù)設(shè)計一個多層前饋神經(jīng)網(wǎng)絡(luò)。departmentstatusagesalarycountsalessenior31…3546K…50K30salesjunior26…3026K…30K40salesjunior31…3531K…35K40systemsjunior21…2546K…50K20systemssenio r31…3566K…70K5systemsjunior26…3046K…50K3systemssenio r41…4566K…70K3marketingsenior36…4046K…50K10marketingjunior31…3541K…45K4secretarysenior46…5036K…40K4secretaryjunior26…3026K…30K6i) 如何修改基本決策樹算法，以便考慮每個廣義數(shù)據(jù)元組（即每一行）的 count？j) 使用修改過的算法，構(gòu)造給定數(shù)據(jù)的決策樹。例如，age “31…35”表示年齡在 31~35 之間。 下表由雇員數(shù)據(jù)庫的訓(xùn)練數(shù)據(jù)組成。由于在 Aprio ri 算法中的自身連接過程產(chǎn) 生候選項集，候選項集產(chǎn)生的計算代價非常高，而 FP增長算法不需產(chǎn)生任 何候選項。掃描沒個事 務(wù)，按以上 L 的排序，從根節(jié)點開始，得到 FP樹。?M 3?O3? ?? ?? N 2?5? ?? K ?? E 4?? ?C1 = ? Y 3?? D 1?? ??M 3?O3? ?? ?L1 = ? K 5?E4? ?? ??MO 1 ??3??MK ??ME 2 ?2? ??MY ??OK 3 ?C2 = ? ?? OE 3 ?? OY 2 ??MK 3??3?? OK ?L2 = ? OE 3??4?? KE ??OKE 3??2?C3 = ?KEY ?? A 1? Y 3?U 1?? ?? C 2?1? ?? I ?3L = [OKE 3]?? KE? KY??? EY?4 ?3 ??2 ??KY 3FPgrowth：數(shù)據(jù)庫的第一次掃描與 Aprio ri 算法相同，得到 L 1。比較兩種挖掘過 程的效率。比較兩種挖掘過程的效率。設(shè) min_sup=60%，min_conf=80 。（提示：考慮將習題 (b)和習題 (c) 的性質(zhì)結(jié)合到你的設(shè)計中。提出了一個更有效的方 法。 20081129 20081129第 5 章 挖掘頻繁模式、關(guān)聯(lián)和相關(guān) Aprio ri 算法使用子集支持度性質(zhì)的先驗知識。 R 0→R1(≥*min(shelf)and≤*min(shelf)) (b) 用擴充的 SQL 表示該查詢。e) 用擴充的 SQL 表示該查詢。course維表univstudent_idstudent_idcourse_idstudent namesemester_idarea_idinstructor_idmajorcountstatusavg_gradeuniversity事實表student維表course_id course_namedepartmentsemester維表semester_id semester yearinstructor維表 Instructor_id deptrankarea維表 area_id cityprovincecountry題 圖 題 中數(shù)據(jù)倉庫的雪花形模式 2222222 3333333第 4 章 數(shù)據(jù)立方體計算與數(shù)據(jù)泛化 20081129 有幾種典型的立方體計算方法， 題 考慮下面的多特征立方體查詢：按{item ，regio n，month} 的所有 子集分組，對每組找出 2004 年的最小貨架壽命，并對價格低于 100 美元、貨架 壽命在最小貨架壽命的 ~ 倍之間的元組找出總銷售額部分。iv. 沿學(xué)生（student）維從 university 下鉆到 student_name。ii. 沿學(xué)生（student）維從 student_id “上卷”到 university 。b) 由 基 本 方 體 [student, course, semester, instructor] 開 始 ， 為 列 出 BigUniversity 每個學(xué)生的 CS 課程的平均成績，應(yīng)當使用哪些特殊的 OLAP 操作。(c) 如果每維有 5 層（包括 all），如“studentmajorstatusuniversityall ”， 該立方體包含多少方體？解答：a) 為該數(shù)據(jù)倉庫畫出雪花形模式圖。
語文相關(guān)推薦
鄂ICP備17016276號-1