数据挖掘导论课后习题答案-第二章、数据下载

weixin_39820780 2019-08-10 05:00:31

数据挖掘导论课后习题答案-第二章、数据
这个主要是对第二章：date的课后习题的答案（原版）
相关下载链接：//download.csdn.net/download/first1023/4633914?utm_source=bbsseo

...全文

167 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

数据挖掘概念与技术第二版课后习题答案，英文版

数据挖掘导论（第二版）第4章：贝叶斯分类器.pptx

数据挖掘导论(完整版)(全面介绍数据挖掘的理论和方法) 基本信息原书名： Introduction to Data Mining 原出版社： Addison Wesley 作者： (美)Pang-Ning Tan Michael Steinbach Vipin Kumar 译者：范明范宏建丛书名：图灵计算机科学出版社：人民邮电出版社 ISBN：9787115241009 上架时间：2010-12-16 出版日期：2011 年1月开本：16开页码：463 版次：2-1 编辑推荐　　　　《数据挖掘导论(完整版)》全面介绍了数据挖掘，涵盖了五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章。前一章涵盖基本概念、代表性算法和评估技术，而后一章讨论高级概念和算法。这样读者在透彻地理解数据挖掘的基础的同时，还能够了解更多重要的高级主题。目录封面 -16 封底 -15 扉页 -14 版权 -13 版权声明 -12 中文版序 -11 完整版译者序 -10 译者序 -9 译者简介 -8 前言 -7 目录 -4 第1章绪论 1 1.1 什么是数据挖掘 2 1.2 数据挖掘要解决的问题 2 1.3 数据挖掘的起源 3 1.4 数据挖掘任务 4 1.5 本书的内容与组织 7 文献注释 7 参考文献 8 习题 10 第2章数据 13 2.1 数据类型 14 2.1.1 属性与度量 15 2.1.2 数据集的类型 18 2.2 数据质量 22 2.2.1 测量和数据收集问题 22 2.2.2 关于应用的问题 26 2.3 数据预处理 27 2.3.1 聚集 27 2.3.2 抽样 28 2.3.3 维归约 30 2.3.4 特征子集选择 31 2.3.5 特征创建 33 2.3.6 离散化和二元化 34 2.3.7 变量变换 38 2.4 相似性和相异性的度量 38 2.4.1 基础 39 2.4.2 简单属性之间的相似度和相异度 40 2.4.3 数据对象之间的相异度 41 2.4.4 数据对象之间的相似度 43 2.4.5 邻近性度量的例子 43 2.4.6 邻近度计算问题 48 2.4.7 选取正确的邻近性度量 50 文献注释 50 参考文献 52 习题 53 第3章探索数据 59 3.1 鸢尾花数据集 59 3.2 汇总统计 60 3.2.1 频率和众数 60 3.2.2 百分位数 61 3.2.3 位置度量：均值和中位数 61 3.2.4 散布度量：极差和方差 62 3.2.5 多元汇总统计 63 3.2.6 汇总数据的其他方法 64 3.3 可视化 64 3.3.1 可视化的动机 64 3.3.2 一般概念 65 3.3.3 技术 67 3.3.4 可视化高维数据 75 3.3.5 注意事项 79 3.4 OLAP和多维数据分析 79 3.4.1 用多维数组表示鸢尾花数据 80 3.4.2 多维数据：一般情况 81 3.4.3 分析多维数据 82 3.4.4 关于多维数据分析的最后评述 84 文献注释 84 参考文献 85 习题 86 第4章分类：基本概念、决策树与模型评估 89 4.1 预备知识 89 4.2 解决分类问题的一般方法 90 4.3 决策树归纳 92 4.3.1 决策树的工作原理 92 4.3.2 如何建立决策树 93 4.3.3 表示属性测试条件的方法 95 4.3.4 选择最佳划分的度量 96 4.3.5 决策树归纳算法 101 4.3.6 例子：Web 机器人检测 102 4.3.7 决策树归纳的特点 103 4.4 模型的过分拟合 106 4.4.1 噪声导致的过分拟合 107 4.4.2 缺乏代表性样本导致的过分拟合 109 4.4.3 过分拟合与多重比较过程 109 4.4.4 泛化误差估计 110 4.4.5 处理决策树归纳中的过分拟合 113 4.5 评估分类器的性能 114 4.5.1 保持方法 114 4.5.2 随机二次抽样 115 4.5.3 交叉验证 115 4.5.4 自助法 115 4.6 比较分类器的方法 116 4.6.1 估计准确度的置信区间 116 4.6.2 比较两个模型的性能 117 4.6.3 比较两种分类法的性能 118 文献注释 118 参考文献 120 习题 122 第5章分类：其他技术 127 5.1 基于规则的分类器 127 5.1.1 基于规则的分类器的工作原理 128 5.1.2 规则的排序方案 129 5.1.3 如何建立基于规则的分类器 130 5.1.4 规则提取的直接方法 130 5.1.5 规则提取的间接方法 135 5.1.6 基于规则的分类器的特征 136 5.2 最近邻分类器 137 5.2.1 算法 138 5.2.2 最近邻分类器的特征 138 5.3 贝叶斯分类器 139 5.3.1 贝叶斯定理 139 5.3.2 贝叶斯定理在分类中的应用 140 5.3.3 朴素贝叶斯分类器 141 5.3.4 贝叶斯误差率 145 5.3.5 贝叶斯信念网络 147 5.4 人工神经网络 150 5.4.1 感知器 151 5.4.2 多层人工神经网络 153 5.4.3 人工神经网络的特点 155 5.5 支持向量机 156 5.5.1 最大边缘超平面 156 5.5.2 线性支持向量机：可分情况 157 5.5.3 线性支持向量机：不可分情况 162 5.5.4 非线性支持向量机 164 5.5.5 支持向量机的特征 168 5.6 组合方法 168 5.6.1 组合方法的基本原理 168 5.6.2 构建组合分类器的方法 169 5.6.3 偏倚—方差分解 171 5.6.4 装袋 173 5.6.5 提升 175 5.6.6 随机森林 178 5.6.7 组合方法的实验比较 179 5.7 不平衡类问题 180 5.7.1 可选度量 180 5.7.2 接受者操作特征曲线 182 5.7.3 代价敏感学习 184 5.7.4 基于抽样的方法 186 5.8 多类问题 187 文献注释 189 参考文献 190 习题 193 第6章关联分析：基本概念和算法 201 6.1 问题定义 202 6.2 频繁项集的产生 204 6.2.1 先验原理 205 6.2.2 Apriori算法的频繁项集产生 206 6.2.3　候选的产生与剪枝 208 6.2.4 支持度计数 210 6.2.5 计算复杂度 213 6.3 规则产生 215 6.3.1 基于置信度的剪枝 215 6.3.2 Apriori算法中规则的产生 215 6.3.3 例：美国国会投票记录 217 6.4 频繁项集的紧凑表示 217 6.4.1 极大频繁项集 217 6.4.2 闭频繁项集 219 6.5 产生频繁项集的其他方法 221 6.6 FP增长算法 223 6.6.1 FP树表示法 224 6.6.2 FP增长算法的频繁项集产生 225 6.7 关联模式的评估 228 6.7.1 兴趣度的客观度量 228 6.7.2 多个二元变量的度量 235 6.7.3 辛普森悖论 236 6.8 倾斜支持度分布的影响 237 文献注释 240 参考文献 244 习题 250 第7章关联分析：高级概念 259 7.1 处理分类属性 259 7.2 处理连续属性 261 7.2.1 基于离散化的方法 261 7.2.2 基于统计学的方法 263 7.2.3 非离散化方法 265 7.3 处理概念分层 266 7.4 序列模式 267 7.4.1 问题描述 267 7.4.2 序列模式发现 269 7.4.3 时限约束 271 7.4.4 可选计数方案 274 7.5 子图模式 275 7.5.1 图与子图 276 7.5.2 频繁子图挖掘 277 7.5.3 类Apriori方法 278 7.5.4 候选产生 279 7.5.5 候选剪枝 282 7.5.6 支持度计数 285 7.6 非频繁模式 285 7.6.1 负模式 285 7.6.2 负相关模式 286 7.6.3 非频繁模式、负模式和负相关模式比较 287 7.6.4 挖掘有趣的非频繁模式的技术 288 7.6.5 基于挖掘负模式的技术 288 7.6.6 基于支持度期望的技术 290 文献注释 292 参考文献 293 习题 295 第8章聚类分析：基本概念和算法 305 8.1 概述 306 8.1.1 什么是聚类分析 306 8.1.2 不同的聚类类型 307 8.1.3 不同的簇类型 308 8.2 K均值 310 8.2.1 基本K均值算法 310 8.2.2 K均值：附加的问题 315 8.2.3 二分K均值 316 8.2.4 K均值和不同的簇类型 317 8.2.5 优点与缺点 318 8.2.6 K均值作为优化问题 319 8.3 凝聚层次聚类 320 8.3.1 基本凝聚层次聚类算法 321 8.3.2 特殊技术 322 8.3.3 簇邻近度的Lance-Williams公式 325 8.3.4 层次聚类的主要问题 326 8.3.5 优点与缺点 327 8.4 DBSCAN 327 8.4.1 传统的密度：基于中心的方法 327 8.4.2 DBSCAN算法 328 8.4.3 优点与缺点 329 8.5 簇评估 330 8.5.1 概述 332 8.5.2 非监督簇评估：使用凝聚度和分离度 332 8.5.3 非监督簇评估：使用邻近度矩阵 336 8.5.4 层次聚类的非监督评估 338 8.5.5 确定正确的簇个数 339 8.5.6 聚类趋势 339 8.5.7 簇有效性的监督度量 340 8.5.8 评估簇有效性度量的显著性 343 文献注释 344 参考文献 345 习题 347 第9章聚类分析：其他问题与算法 355 9.1 数据、簇和聚类算法的特性 355 9.1.1 例子：比较K均值和DBSCAN 355 9.1.2 数据特性 356 9.1.3 簇特性 357 9.1.4 聚类算法的一般特性 358 9.2 基于原型的聚类 359 9.2.1 模糊聚类 359 9.2.2 使用混合模型的聚类 362 9.2.3 自组织映射 369 9.3 基于密度的聚类 372 9.3.1 基于网格的聚类 372 9.3.2 子空间聚类 374 9.3.3 DENCLUE：基于密度聚类的一种基于核的方案 377 9.4 基于图的聚类 379 9.4.1 稀疏化 379 9.4.2 最小生成树聚类 380 9.4.3 OPOSSUM：使用METIS的稀疏相似度最优划分 381 9.4.4 Chameleon：使用动态建模的层次聚类 381 9.4.5 共享最近邻相似度 385 9.4.6 Jarvis-Patrick聚类算法 387 9.4.7 SNN密度 388 9.4.8 基于SNN密度的聚类 389 9.5 可伸缩的聚类算法 390 9.5.1 可伸缩：一般问题和方法 391 9.5.2 BIRCH 392 9.5.3 CURE 393 9.6 使用哪种聚类算法 395 文献注释 397 参考文献 398 习题 400 第10章异常检测 403 10.1 预备知识 404 10.1.1 异常的成因 404 10.1.2 异常检测方法 404 10.1.3 类标号的使用 405 10.1.4 问题 405 10.2 统计方法 406 10.2.1 检测一元正态分布中的离群点 407 10.2.2 多元正态分布的离群点 408 10.2.3 异常检测的混合模型方法 410 10.2.4 优点与缺点 411 10.3 基于邻近度的离群点检测 411 10.4 基于密度的离群点检测 412 10.4.1 使用相对密度的离群点检测 413 10.4.2 优点与缺点 414 10.5 基于聚类的技术 414 10.5.1 评估对象属于簇的程度 415 10.5.2 离群点对初始聚类的影响 416 10.5.3 使用簇的个数 416 10.5.4 优点与缺点 416 文献注释 417 参考文献 418 习题 420 附录A 线性代数 423 附录B 维归约 433 附录C 概率统计 445 附录D 回归 451 附录E 优化 457

本书以培养编程初学者或零编程经验的读者从学习程序设计到编写软件项目的实际过程为目标，采用“任务驱动”的方式设计整个教学过程，以程序员的真实工作场景、典型工作任务为载体组织教学单元，内容选取既突出Python 的通用性，又强调Python 的实用性和操作性。每个任务都包含任务描述、知识准备、任务实施、任务实训4 个部分。全书共10 个单元，主要内容包括认识Python、Python 语法、Python 函数与模块、Python 文件操作和项目综合实训等。本书可作为高职高专院校计算机类和电子类专业的教材，也可供高职高专院校理工科专业学生和广大计算机爱好者学习使用。

最近在读《Introduction to Data Mining 》这本书，发现课后答案只有英文版，于是打算结合自己的理解将答案翻译一下，其中难免有错误，欢迎大家指正和讨论。侵删。第四章（a）不互斥（b）是穷举的（c）需要排序，测试集很可能不仅由行车里程属性决定，并且会命中多条规则。（d）不需要，每条测试记录都能至少命中一条规则。（a） FOIL = 300 × [ log2 ...

下载资源悬赏专区

12,806

社区成员

12,342,003

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章