2021年机器学习与数据挖掘简答题复习整理

简述面向属性归纳的基本思想，并说明什么时候使用属性删除，什么时候使用属性概化。
答：面向属性归纳的基本思想是：
首先使用关系数据库查询收集任务相关的数据；然后通过考察任务相关数据中每个属性的不同值的个数，进行概化（通过属性删除或者属性概化）。聚集通过合并相等的广义元组，并累计他们相应的计数值进行。这压缩了概化后的数据集合。结果广义关系可以映射到不同形式，如图表或规则，提供用户。

使用属性删除的情况：
如果初始工作关系的一个属性上有大量的不同值，但是
（1）在此属性上没有概化操作符
或（2）它的较高层概念用其他属性表示；

使用属性概化的情况：
如果初始工作关系的一个属性上有大量的不同值，并且该属性上存在着概化操作符。
为什么在进行联机分析处理(OLAP)时，我们需要一个独立的数据仓库，而不是直接在日常操作的数据库上进行。
答：使用一个独立的数据仓库进行OLAP处理是为了以下目的：
(1)提高两个系统的性能
操作数据库是为OLTP而设计的，没有为OLAP操作优化，同时在操作数据库上处理OLAP查询，会大大降低操作任务的性能；而数据仓库是为OLAP而设计，为复杂的OLAP查询,多维视图，汇总等OLAP功能提供了优化。

(2)两者有着不同的功能
操作数据库支持多事务的并行处理，而数据仓库往往只是对数据记录进行只读访问；这时如果将事务处理的并行机制和恢复机制用于这种OLAP操作，就会显著降低OLAP的性能。

(3)两者有着不同的数据
数据仓库中存放历史数据；日常操作数据库中存放的往往只是最新的数据。
对于具有递减支持度的多层关联规则挖掘，分别都有哪些搜索策略？各有什么特点？
答：具有递减支持度的多层关联规则挖掘中使用的搜索策略包括：
逐层独立：
完全的宽度搜索，没有频繁项集的背景知识用于剪枝。考察每一个节点，不管其父节点是否频繁。特点是条件很松，可能导致在低层考察大量非频繁的项，找出一些不重要的关联；
层交叉k-项集过滤：
一个第i层的k-项集被考察，当且仅当它在第(i-1)层的对应父节点的k-项集是频繁的。特点是限制太强，有些有价值的模式可能被该方法过滤掉；
层交叉单项过滤：
一个第i层的项被考察，当且仅当它在第(i-1)层的父节点是频繁的。它是上述两个极端策略的折中。
请简述数据挖掘过程.
1确定挖掘对象
2准备数据
3建立模型
4数据挖掘
5结果分析
6知识应用
数据挖掘的任务
分类、聚类、回归、关联分析、离群点监测、演化分析、序列模式。
数据集的三个重要特性
维度、稀疏性、分辨率。
什么是主成份分析？
答：主成份分析（PCA）是一种用于连续属性的线性变换技术，找出新的属性（主成份），这些新属性是原属性的线性组合，是相互正交的，使得原来数据投影到较小的集合中，并且捕获数据的最大变差。PCA通常揭示先前未曾觉察的联系，解释不寻常的结果。
简述k-最近邻算法过程。
答：KNN分类算法的基本描述如下:
算法名：KNN
输入：最近邻数目K，训练集D，测试集Z（1分）
输出：对测试集Z中所有测试样本预测其类标号值（1分）
(1)for每个测试样本（1分）do
(2)计算z和每个训练样本之间的距离（1分）
(3)选择离z最近的k最近邻集合（1分）
(4)返回中样本的多数类的类标号（1分）
(5)endfor
简述Apriori算法原理。
答：Apriori性质：
一个项集是频繁的，那么它的所有子集都是频繁的。（1分）一个项集的支持度不会超过其任何子集的支持度。（1分）该算法采用逐层的方法找出频繁项集，（1分）首先找出1频繁-项集，通过迭代方法利用频繁k-1-项集生成k候选项集，（1分）扫描数据库后从候选k-项集中指出频繁k-项集，直到生成的候选项集为空。（1分）
什么是离群点？
答：离群点是在数据集中偏离大部分数据的数据，（2分）使人怀疑这些数据的偏离并非由随机因素产生，（1分）而是产生于完全不同的机制。（2分）
什么是数据挖掘？什么是数据仓库？并简述数据挖掘的步骤。
数据挖掘是从大量数据中提取或发现（挖掘）知识的过程。
数据仓库是面向主题的、集成的、稳定的、不同时间的数据集合，用于支持经营管理中的决策制定过程。
步骤：
1）数据清理（消除噪声或不一致数据）
2)数据集成（多种数据源可以组合在一起）
3)数据选择（从数据库中检索与分析任务相关的数据）
4)数据变换（数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作）
5)数据挖掘（基本步骤，使用智能方法提取数据模式）
6)模式评估（根据某种兴趣度度量，识别表示知识的真正有趣的模式；）
7)知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）
在OLAP中，如何使用概念分层?请解释多维数据模型中的OLAP上卷下钻切片切块和转轴操作。
在多维数据模型中，数据组织成多维，每维包含由概念分层定义的多个抽象层。这种组织为用户从不同角度观察数据提供了灵活性。有一些OLAP数据立方体操作用来物化这些不同视图，允许交互查询和分析手头数据。因此，OLAP为交互数据分析提供了友好的环境。Apriori性质：
上卷： 上卷操作通过一个维的概念分层向上攀升或者通过维归约，在数据立方体上进行聚集。
下钻： 下钻是上卷的逆操作，它由不太详细的数据到更详细的数据。下钻可以通过沿维的概念分层向下或引入新的维来实现。
切片： 在给定的数据立方体的一个维上进行选择，导致一个子方。
切块： 通过对两个或多个维执行选择，定义子方。
转轴： 转轴是一种目视操作，它转动数据的视角，提供数据的替代表示。
什么是数据变换?数据变换涉及的内容有哪些?
数据变换是将数据转换成适合于挖掘的形式。数据变换可能涉及如下内容:
1).平滑： 去掉数据中的噪声。这种技术包括分箱、聚类和回归。
2).聚集： 对数据进行汇总和聚集。例如，可以聚集日销售数据，计算月和年销售额。通常，这一步用来为多粒度数据分析构造数据立方体。
3).数据概化： 使用概念分层，用高层次概念替换低层次“原始”数据。例如，分类的属性，如street，可以概化为较高层的概念，如city或country。类似地，数值属性，如age，可以映射到较高层概念，如young,middle-age和senior。
4).规范化：将属性数据按比例缩放，使之落入一个小的特定区间，如－1.0到1.0或0.0到1.0。
5).属性构造（或特征构造）： 可以构造新的属性并添加到属性集中，以帮助挖掘过程。
简述数据预处理方法和内容。
① 数据清洗： 包括填充空缺值，识别孤立点，去掉噪声和无关数据。
② 数据集成： 将多个数据源中的数据结合起来存放在一个一致的数据存储中。需要注意不同数据源的数据匹配问题、数值冲突问题和冗余问题等。
③ 数据变换： 将原始数据转换成为适合数据挖掘的形式。包括对数据的汇总、聚集、概化、规范化，还可能需要进行属性的重构。
④ 数据归约： 缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到和原始数据相同的分析结果
简述处理空缺值的方法。
① 忽略该记录；
② 去掉属性；
③ 手工填写空缺值；
④ 使用默认值；
⑤ 使用属性平均值；
⑥ 使用同类样本平均值；
⑦ 预测最可能的值。
常见的分箱方法有哪些？数据平滑处理的方法有哪些？
分箱的方法主要有：
① 统一权重法 ( 又称等深分箱法 )
② 统一区间法 ( 又称等宽分箱法 )
③ 最小熵法
④ 自定义区间法
数据平滑的方法主要有：平均值法、边界值法和中值法。
何谓数据规范化？规范化的方法有哪些？写出对应的变换公式。
将数据按比例缩放 ( 如更换大单位 ) ，使之落入一个特定的区域（如 0.0 ～1.0 ），称为规范化。
规范化的常用方法有：
(1) 最大－最小规范化
(2) 零－均值规范化
(3) 小数定标规范化
数据归约的方法有哪些？为什么要进行维归约？
① 数据立方体聚集
② 维归约
③ 数据压缩
④ 数值压缩
⑤ 离散化和概念分层
维归约可以去掉不重要的属性，减少数据立方体的维数，从而减少数据挖掘处理的数据量，提高挖掘效率。
何谓聚类？它与分类有什么异同？
聚类是将物理或抽象对象的集合分组成为多个类或簇 (cluster)的过程，使得在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。
聚类与分类不同，聚类要划分的类是未知的，分类则可按已知规则进行；聚类是一种无指导学习，它不依赖预先定义的类和带类标号的训练实例，属于观察式学习，分类则属于有指导的学习，是示例式学习。

2021年机器学习与数据挖掘简答题复习整理相关推荐

简述计算机图形的图形应用主要有哪些,5计算机图形学考试简答题复习.doc
5计算机图形学考试简答题复习计算机图形学考试简答题复习 1.简述计算机动画的概念,它经历了哪几个阶段的发展?(2分) 计算机动画是指采用图形与图像的处理技术,借助于编程或动画制作软件生成一系列的景物 ...
计算机系统与网络安全-简答题复习
计算机系统与网络安全-简答题复习参考文献 [1] 周世杰,陈伟,罗绪成,<计算机系统与网络安全技术>,高等教育出版社第一章信息安全概述 (1.1信息及信息安全+1.2 信息安全体系) ...
机器学习与数据挖掘(上)——期末复习
机器学习与数据挖掘(上)--期末复习机器学习与数据挖掘(下)--期末复习预备概念过拟合与欠拟合过拟合过拟合定义当学习器把训练样本学的"太好"了的时候,很可能已经把训练样 ...
Python数据分析与可视化期末简答题复习
1.可视化数据分析主要用了哪些图表,说明其作用和意义. ①柱状图:用于做比较. ②折线图:用于看数据变化的趋势. ③饼状图:用于看各部分的占比. ④散点图:用于二维数据的比较. ⑤气泡图:用于用户三维 ...
计算机考研计组简答题复习-本篇长期更新
1. 指令和数据均存放在内存中,计算机如何从空间和时间上区分它们是指令还是数据? 答:时间上,取指令事件发生在取指周期,取数据事件发生在执行周期:空间上,从内存读出的指令流流向控制器,从内存读出的数据 ...
计算机网络简答题复习要点
面向连接和非连接的服务特点面向连接的服务:通信双方在进行通信之前,要事先建立一个完整的可以彼此沟通的通道,在通信过程中整个连接的情况可以被实时的监控和管理面向非链接的服务:不需要预先建立一个联络两 ...
Linux嵌入式系统简答题复习
1. 嵌入式系统的定义是什么? IEEE给出的嵌入式系统定义是:控制.监视或者辅助装置.机器和设备运行的装置. 目前国内的被普遍认同的定义是:以应用为中心,以计算机技术为基础.软件硬件可裁剪.适应应用 ...
js简答题复习：第5章对象、第6章BOM
目录第5章对象 1.面向对象的特征:封装.继承.多态. (1)面向对象的特征--封装性 (2)面向对象的特征--继承性 (2)面向对象的特征--多态性 2.对象的定义 3.深拷贝和浅拷贝实现深拷贝 ...
语言智能复试简答题猜测整理
目录前沿基础概念收集机器学习机器学习基于学习方式的分类机器学习常见算法深度学习 [监督学习类算法] 回归分析(regresion analysis): 决策树算法随机森林(random f ...

2021年机器学习与数据挖掘简答题复习整理

2021年机器学习与数据挖掘简答题复习整理相关推荐

最新文章

热门文章