商務(wù)智能復(fù)習(xí)題

1、一、選擇題(本題共5道小題，每小題2分，共10分)1 .數(shù)據(jù)倉庫是隨著時間變化的，下面的描述不正確的是(C)。A.數(shù)據(jù)倉庫隨時間的變化不斷增加新的數(shù)據(jù)內(nèi)容B.捕捉到的新數(shù)據(jù)會覆蓋原來的快照C.數(shù)據(jù)倉庫隨事件變化不斷刪去舊的數(shù)據(jù)內(nèi)容D.數(shù)據(jù)倉庫中包含大量的綜合數(shù)據(jù)，這些綜合數(shù)據(jù)會隨著時間的變化不斷地進行重新綜合2 .有關(guān)數(shù)據(jù)倉庫的開發(fā)特點，不正確的描述是(B)。A.數(shù)據(jù)倉庫使用的需求在開發(fā)初期就要明確B.數(shù)據(jù)倉庫開發(fā)要從數(shù)據(jù)出發(fā)C.數(shù)據(jù)倉庫的開發(fā)是一個不斷循環(huán)的過程，是啟發(fā)式的開發(fā)D.在數(shù)據(jù)倉庫環(huán)境中，并不存在操作型環(huán)境中所固定的和較確切的處理流，數(shù)據(jù)倉庫中數(shù)據(jù)分析和處理更靈活，且沒有固定的模式

2、3 .在有關(guān)數(shù)據(jù)倉庫測試，下列說法不正確的是(D)。A.在完成數(shù)據(jù)倉庫的實施過程中，需要對數(shù)據(jù)倉庫進行各種測試。測試工作中要包括單元測試和系統(tǒng)測試。B.當(dāng)數(shù)據(jù)倉庫的每個單獨組件完成后，就需要對他們進行單元測試。C.系統(tǒng)的集成測試需要對數(shù)據(jù)倉庫的所有組件進行大量的功能測試和回歸測試。D.在測試之前沒必要制定詳細的測試計劃。4.關(guān)于基本數(shù)據(jù)的元數(shù)據(jù)是指(D)。A.基本元數(shù)據(jù)與數(shù)據(jù)源、數(shù)據(jù)倉庫、數(shù)據(jù)集市和應(yīng)用程序等結(jié)構(gòu)相關(guān)的信息B.基本元數(shù)據(jù)包括與企業(yè)相關(guān)的管理方面的數(shù)據(jù)和信息C.基本元數(shù)據(jù)包括日志文件和簡歷執(zhí)行處理的時序調(diào)度信息D.基本元數(shù)據(jù)包括關(guān)于裝載和更新處理，分析處理以及管理方面的信息6.下

3、面關(guān)于數(shù)據(jù)粒度的描述不正確的是(C)。A.粒度是指數(shù)據(jù)倉庫小數(shù)據(jù)單元的詳細程度和級別B.數(shù)據(jù)越詳細，粒度就越小，級別也就越高C.數(shù)據(jù)綜合度越高，粒度也就越大，級別也就越高D.粒度的具體劃分將直接影響數(shù)據(jù)倉庫中的數(shù)據(jù)量以及查詢質(zhì)量6 .關(guān)于OLAP的特性，下面正確的是：(D)快速性(2)可分析性(3)多維性(4)信息性(5)共享性A. (1)(2)(3)B. (2)(3)(4)C. (1)(2)(3)(4)D. (1)(2)(3)(4)(5)7 .關(guān)于OLAP和OLTP的區(qū)別描述，不正確的是：(C)A.OLAP主要是關(guān)于如何理解聚集的大量不同的數(shù)據(jù)，它與OTAP應(yīng)用程序不同。8 .與OLAP應(yīng)用

4、程序不同，OLTP應(yīng)用程序包含大量相對簡單的事務(wù).C. OLAP的特點在于事務(wù)量大，但事務(wù)內(nèi)容比較簡單且重復(fù)率高D. OLAP是以數(shù)據(jù)倉庫為基礎(chǔ)的，(!其最終數(shù)據(jù)來源與OLTP一樣均來自底層的數(shù)據(jù)庫系統(tǒng)，兩者面對的用戶是相同的。8 .關(guān)于OLAP和OLTP的說法，下列不正確的是：(A)A. OLAP事務(wù)量大，但事務(wù)內(nèi)容比較簡單且重復(fù)率高B. OLAP的最終數(shù)據(jù)來源與OLTP不一樣C. OLTP面對的是決策人員和高層管理人員D. OLTP以應(yīng)用為核心，是應(yīng)用驅(qū)動的9 .OLAP技術(shù)的核心是（D）。A.在線性B.對用戶的快速響應(yīng)C.互操作性D.多維分析10 .某超市研究銷售紀(jì)錄數(shù)據(jù)后發(fā)現(xiàn)，買啤酒的

5、人很大概率也會購買尿布，這種屬于數(shù)據(jù)挖掘的哪類問題？（A）A.關(guān)聯(lián)規(guī)則B.聚類C.分類D.自然語言處理11 .分析型CRM的（C）功能可以讓CRM對所進行的銷售活動相關(guān)信息進行存儲和管理，將客戶所發(fā)生的交易與互動事件轉(zhuǎn)化為有意義、高獲利的銷售商機。A.促銷管理B.個性化和標(biāo)準(zhǔn)化C.客戶分析和建模D.客戶溝通12 .運用關(guān)鍵績效指標(biāo)法設(shè)計組織關(guān)鍵績效指標(biāo)依次經(jīng)過以下幾個步驟（A）。A.確定關(guān)鍵成功領(lǐng)域、確定關(guān)鍵績效要素、確定關(guān)鍵績效指標(biāo)B.計劃目標(biāo)、實施目標(biāo)、評價結(jié)果、反饋C.確定目標(biāo)、比較目標(biāo)、收集分析數(shù)據(jù)、系統(tǒng)學(xué)習(xí)與改進、評價和提高D.確定長期整體目標(biāo)、確定短期目標(biāo)13 .什么是KDD?（A

6、）A.知識發(fā)現(xiàn)B.領(lǐng)域知識發(fā)現(xiàn)C.文檔知識發(fā)現(xiàn)D.動態(tài)知識發(fā)現(xiàn)14 .呼叫中心是一種基于（D）的一種新的綜合信息服務(wù)系統(tǒng)。AIT技術(shù)BCTI技術(shù)CWEB技術(shù)DCRM技術(shù)15 .將原始數(shù)據(jù)進行集成、變換、維度規(guī)約、數(shù)值規(guī)約是在以下哪個步驟的任務(wù)？（C）A.頻繁模式挖掘B.分類和預(yù)測C.數(shù)據(jù)預(yù)處理D.數(shù)據(jù)流挖掘16 .當(dāng)不知道數(shù)據(jù)所帶標(biāo)簽時，可以使用哪種技術(shù)促使帶同類標(biāo)簽的數(shù)據(jù)與帶其他標(biāo)簽的數(shù)據(jù)相分離？（B）A.分類B.聚類C.關(guān)聯(lián)分析D.隱馬爾可夫鏈17 .使用交互式的和可視化的技術(shù)，對數(shù)據(jù)進行探索屬于數(shù)據(jù)挖掘的哪一類任務(wù)？（A）A.探索性數(shù)據(jù)分析B.建模描述C.預(yù)測建模D.尋找模式和規(guī)則18

7、.為數(shù)據(jù)的總體分布建模，把多維空間劃分成組等問題屬于數(shù)據(jù)挖掘的哪一類任務(wù)？（B）A.探索性數(shù)據(jù)分析B.建模描述C.預(yù)測建模D.尋找模式和規(guī)則19 .建立一個模型，通過這個模型根據(jù)已知的變量值來預(yù)測其他某個變量值屬于數(shù)據(jù)挖掘的哪一類任務(wù)？（C）A.根據(jù)內(nèi)容檢索B.建模描述C.預(yù)測建模D.尋找模式和規(guī)則20 .用戶有一種感興趣的模式并且希望在數(shù)據(jù)集中找到相似的模式，屬于數(shù)據(jù)挖掘哪一類任務(wù)？（A）A.根據(jù)內(nèi)容檢索B.建模描述C.預(yù)測建模D.尋找模式和規(guī)則21 .下面哪種不屬于數(shù)據(jù)預(yù)處理的方法？（D）A.變量代換B.離散化C.聚集D.估計遺漏值22 .下面哪個不屬于數(shù)據(jù)的屬性類型（D）。A.標(biāo)稱B.序

8、數(shù)C.區(qū)間D.相異23 .在上題中，屬于定量的屬性類型是（C）。A.標(biāo)稱B.序數(shù)C.區(qū)間D.相異24 .只有非零值才重要的二元屬性被稱作（C）。A.計數(shù)屬性B.離散屬性C.非對稱的二元屬性D.對稱屬性25 .以下哪種方法不屬于特征選擇的標(biāo)準(zhǔn)方法（D）。A.嵌入B.過濾C.包裝D.抽樣26 .下面不屬于創(chuàng)建新屬T的相關(guān)方法的是（C）。A.特征提取B.特征修改C.映射數(shù)據(jù)到新的空間D.特征構(gòu)造27 .下面哪個屬于映射數(shù)據(jù)到新的空間的方法？（A）A.傅立葉變換B.特征加權(quán)C.漸進抽樣D.維歸約28 .企業(yè)所建立的預(yù)測模型的好壞取決于模型在（A）上的表現(xiàn)效果。A.得分集B.訓(xùn)練集C.測試集D.評價集2

9、9 .客戶在經(jīng)濟活動中具有多重身份，下面哪一種不是其身份之一（C）。A.行為身份B.所有權(quán)身份C.學(xué)習(xí)身份D.決策身份30 .下列四條描述中，正確的一條是（B）。A.企業(yè)實施數(shù)據(jù)挖掘，必須要有數(shù)據(jù)倉庫。B.企業(yè)要實施數(shù)據(jù)挖掘最好的方式是請編外專家。C.企業(yè)購買現(xiàn)成數(shù)據(jù)挖掘模型的一個先決條件是：該企業(yè)的產(chǎn)品、客戶、市場定位和所買來的現(xiàn)成模型設(shè)計之初的假設(shè)相吻合。D.在建模的時侯，增益最高的模型就是最好的模型。31 .數(shù)據(jù)挖掘算法以（D）形式來組織數(shù)據(jù)。A.行B.列C.記錄D.表格32 .企業(yè)要建立預(yù)測模型，需準(zhǔn)備建模數(shù)據(jù)集，以下四條描述建模數(shù)據(jù)集正確的是（B）。A.數(shù)據(jù)越多越好。B.盡可能多的適

10、合的數(shù)據(jù)。C.得分集數(shù)據(jù)是建模集數(shù)據(jù)的一部分。D.以上三條都正確。33 .K均值類別偵測要求輸入的數(shù)據(jù)類型必須是（B）。A.整型B.數(shù)值型C.字符型D.邏輯型34 .在決策樹和累計增益圖的關(guān)系轉(zhuǎn)化過程圖中，決策樹上某一頁節(jié)點的增益與累計增益圖上的（D）相對應(yīng)。A.線段長度B.線段斜率C.相對應(yīng)的線段長度D.相對應(yīng)的線段斜率35 .企業(yè)為提升每個客戶的價值，應(yīng)實現(xiàn)（C）最優(yōu)化。A.促銷活動B.預(yù)算最優(yōu)化C.客戶最優(yōu)化D.三者都不是36 .數(shù)據(jù)挖掘的經(jīng)典案例“啤酒與尿布試驗”最主要是應(yīng)用了（C）數(shù)據(jù)挖掘方法。A.分類B.預(yù)測C.組合或關(guān)聯(lián)法則D.聚類37 .企業(yè)成功實施數(shù)據(jù)挖掘，需要以下（B）知識

11、或技術(shù)。A.預(yù)先的規(guī)劃B.對商業(yè)文體白理解C.綜合商業(yè)知識和技能D.都需要38 .下列哪個不是專門用于可視化時間空間數(shù)據(jù)的技術(shù)（B）。A.等高線圖B.餅圖C.曲面圖D.矢量場圖(D)。39 .在抽樣方法中，當(dāng)合適的樣本容量很難確定時，可以使用的抽樣方法是C.分層抽樣D.漸進抽樣A.有放回的簡單隨機抽樣B.無放回的簡單隨機抽樣40 .設(shè)X=1,2,3是頻繁項集，則可由X產(chǎn)生（C）個關(guān)聯(lián)規(guī)則。A.4B.5C.641 .概念分層圖是（B）圖。A.無向無環(huán)B.有向無環(huán)42 .以下哪些算法是分類算法（D.7C.有向有環(huán)D.無向有環(huán)B）。A.DBSCANB.C4.5C.K-MeanD.EM43 .以下哪些

12、分類方法可以較好地避免樣本的不平衡問題（A）。A.KNNB.SVMC.BayesD.神經(jīng)網(wǎng)絡(luò)44 .以下關(guān)于人工神經(jīng)網(wǎng)絡(luò)（ANN）的描述錯誤的有（A）。A.神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)中的噪聲非常魯棒B.可以處理冗余特征C.訓(xùn)練ANN是一個很耗時的過程D.至少含有一個隱藏層的多層神經(jīng)網(wǎng)絡(luò)45 .通過聚集多個分類器的預(yù)測來提高分類準(zhǔn)確率的技術(shù)稱為（A）。A.組合（ensemble）B.聚集（aggregate）C.合并（combination）D.投票（voting）46 .簡單地將數(shù)據(jù)對象集劃分成不重疊的子集，使得每個數(shù)據(jù)對象恰在一個子集中，這種聚類類型稱作（BA.層次聚類B.劃分聚類C.非互斥聚類D.

13、模糊聚類47 .在基本K均值算法里，當(dāng)鄰近度函數(shù)采用（A）的時候，合適的質(zhì)心是簇中各點的中位數(shù)。A.曼哈頓距離B.平方歐幾里德距離C.余弦距離D.Bregman散度48 .（C）是一個觀測值，它與其他觀測值的差別如此之大，以至于懷疑它是由不同的機制產(chǎn)生的。A.邊界點B.質(zhì)心C.離群點D.核心點49 .檢測一元正態(tài)分布中的離群點，屬于異常檢測中的基于（A）的離群點檢測。A.統(tǒng)計方法B.鄰近度C.密度D.聚類技術(shù)50 .DBSCAN在最壞情況下的時間復(fù)雜度是（B）。A.O（m）B.O（m2）C.O（logm）D.O（m*logm）51 .關(guān)于K均值和DBSCAN的比較，以下說法不正確的是（A）。A

14、. K均值丟棄被它識別為噪聲的對象，而DBSCAN一般聚類所有對象。B. K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。C. K均值很難處理非球形的簇和不同大小的簇，DBSCAN可以處理不同大小和不同形狀的簇。D. K均值可以發(fā)現(xiàn)不是明顯分離的簇，即便簇有重疊也可以發(fā)現(xiàn)，但是DBSCAN會合并有重疊的簇。52 .使用交互式的和可視化的技術(shù)，對數(shù)據(jù)進行探索屬于數(shù)據(jù)挖掘的哪一類任務(wù)？（A）A.探索性數(shù)據(jù)分析B.建模描述C.預(yù)測建模D.尋找模式和規(guī)則53 .下面哪種不屬于數(shù)據(jù)預(yù)處理的方法？（D）A變量代換B離散化C聚集D估計遺漏值二、判斷題（本題共10道小題，每小題1分，共10分）

15、（T）1.商務(wù)智能指收集、轉(zhuǎn)換、分析和發(fā)布數(shù)據(jù)的過程，目的是為了更好的決策。（F）2.數(shù)據(jù)分析是整合企業(yè)原始數(shù)據(jù)的第一步，包括數(shù)據(jù)抽取、轉(zhuǎn)換和裝載三個過程。(T)3.維是人們觀察數(shù)據(jù)的特定角度，是考慮問題時的一類屬性。(F)4.獨立的數(shù)據(jù)集市架構(gòu)的優(yōu)點是企業(yè)內(nèi)數(shù)據(jù)一致，不會產(chǎn)生信息孤島。(T)5.星型模型的核心是事實表，事實表把各種不同的維表連接起來。(F)6.企業(yè)風(fēng)險分析是通過對企業(yè)的經(jīng)營成本進行綜合評價，擬定一個企業(yè)成本的臨界值。(T)7.衡量客戶忠誠的唯一尺度就是客戶是否重復(fù)或持久地購買企業(yè)的產(chǎn)品或者服務(wù)。(T)8.在BI中，DW是前提和基礎(chǔ)，負責(zé)統(tǒng)一數(shù)據(jù)規(guī)則的處理和存儲。(F)9.客戶

16、服務(wù)管理是對客戶意見或投訴以及售前、售中、售后服務(wù)進行管理。(F)10.平衡計分卡共包括三個層面，分別是財務(wù)層面、客戶層面、內(nèi)部業(yè)務(wù)流程層面。(T)11.數(shù)據(jù)挖掘的主要任務(wù)是從數(shù)據(jù)中發(fā)現(xiàn)潛在的規(guī)則，從而能更好的完成描述數(shù)據(jù)、預(yù)測數(shù)據(jù)等任務(wù)。(F)12.在聚類分析當(dāng)中，簇內(nèi)的相似性越大，簇間的差別越大，聚類的效果就越差。(F)13.OLAP是用來協(xié)助企業(yè)對響應(yīng)事件或事務(wù)的日常商務(wù)活動進行處理。(T)14.數(shù)據(jù)倉庫是面向主題的、集成的、穩(wěn)定的、隨時間變化的數(shù)據(jù)集合，用以支持管理決策的過程。(T)15.數(shù)據(jù)預(yù)處理是整合企業(yè)原始數(shù)據(jù)的第一步，包括數(shù)據(jù)抽取、轉(zhuǎn)換和裝載三個過程。(F)16.C4.5決策樹

17、算法是國際上最早、最有影響力的決策樹算法，(T)17.平衡計分卡是從財務(wù)、客戶、內(nèi)部運營、學(xué)習(xí)與成長四個角度，將組織的戰(zhàn)略落實為可操作的衡量指標(biāo)和目標(biāo)值的一種新型績效管理體系。(F)18.客戶服務(wù)管理是對客戶意見或投訴以及售前、售中、售后服務(wù)進行管理。(F)19.企業(yè)績效管理的目的在于進一步加強成本的事前控制，同時有助于通過盈虧分析，輔助產(chǎn)品科學(xué)的報價。20 .數(shù)據(jù)倉庫的數(shù)據(jù)量越大，其應(yīng)用價值也越大。F21 .啤酒與尿布的故事是聚類分析的典型實例。F22 .等深分箱法使每個箱子的記錄個數(shù)相同。T23 .數(shù)據(jù)倉庫“粒度”越細，記錄數(shù)越少。F24 .數(shù)據(jù)立方體由3維構(gòu)成，Z軸表示事實數(shù)據(jù)。F25

18、.決策樹方法通常用于關(guān)聯(lián)規(guī)則挖掘。F26 .ID3算法是決策樹方法的早期代表。T27 .C4.5是一種典型的關(guān)聯(lián)規(guī)則挖掘算法。F28 .回歸分析通常用于挖掘關(guān)聯(lián)規(guī)則。F29 .人工神經(jīng)網(wǎng)絡(luò)特別適合解決多參數(shù)大復(fù)雜度問題。T30 .概念關(guān)系分析是文本挖掘所獨有的。F31 .可信度是對關(guān)聯(lián)規(guī)則的準(zhǔn)確度的衡量。F32 .孤立點在數(shù)據(jù)挖掘時總是被視為異常、無用數(shù)據(jù)而丟棄。T33 .SQLServer2005不提供關(guān)聯(lián)規(guī)則挖掘算法。F34 .決策樹方法特別適合于處理數(shù)值型數(shù)據(jù)。F35 .數(shù)據(jù)倉庫的數(shù)據(jù)為歷史數(shù)據(jù)，從來不需要更新。T36 .數(shù)據(jù)立方體是廣義知識發(fā)現(xiàn)的方法和技術(shù)之一。F37 .數(shù)據(jù)立方體的其

19、中一維用于記錄事實數(shù)據(jù)。T38 .數(shù)據(jù)挖掘的目標(biāo)不在于數(shù)據(jù)采集策略，而在于對于已經(jīng)存在的數(shù)據(jù)進行模式的發(fā)掘。(T)39 .圖挖掘技術(shù)在社會網(wǎng)絡(luò)分析中扮演了重要的角色。(T)40 .模式為對數(shù)據(jù)集的全局性總結(jié)，它對整個測量空間的每一點做出描述；模型則對變量變化空間的一個有限區(qū)域做出描述。（F）41 .尋找模式和規(guī)則主要是對數(shù)據(jù)進行干擾，使其符合某種規(guī)則以及模式。（F）42 .離群點可以是合法的數(shù)據(jù)對象或者值。（T）43 .離散屬性總是具有有限個值。（F）44 .噪聲和偽像是數(shù)據(jù)錯誤這一相同表述的兩種叫法。（F）45 .用于分類的離散化方法之間的根本區(qū)別在于是否使用類信息。（T）46 .特征提取技

20、術(shù)并不依賴于特定的領(lǐng)域。（F）47 .可信度是對關(guān)聯(lián)規(guī)則的準(zhǔn)確度的衡量。F48 .定量屬性可以是整數(shù)值或者是連續(xù)值。（T）49 .可視化技術(shù)對于分析的數(shù)據(jù)類型通常不是專用性的。（T）50 .DSS主要是基于數(shù)據(jù)倉庫、聯(lián)機數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的應(yīng)用。（F）51 .OLAP技術(shù)側(cè)重于把數(shù)據(jù)庫中的數(shù)據(jù)進行分析、轉(zhuǎn)換成輔助決策信息，是繼數(shù)據(jù)庫技術(shù)發(fā)展之后迅猛發(fā)展起來的一種新技術(shù)。（T）52 .商業(yè)智能系統(tǒng)與一般交易系統(tǒng)之間在系統(tǒng)設(shè)計上的主要區(qū)別在于：后者把結(jié)構(gòu)強加于商務(wù)之上，一旦系統(tǒng)設(shè)計完畢，其程序和規(guī)則不會輕易改變；而前者則是一個學(xué)習(xí)型系統(tǒng)，能自動適應(yīng)商務(wù)不斷變化的要求。（T）53 .數(shù)據(jù)倉庫中間

21、層OLAP服務(wù)器只能采用關(guān)系型OLAP。（F）54 .數(shù)據(jù)倉庫系統(tǒng)的組成部分包括數(shù)據(jù)倉庫、倉庫管理、數(shù)據(jù)抽取、分析工具等四個部分。（F）55 .Web數(shù)據(jù)挖掘是通過數(shù)據(jù)庫仲的一些屬性來預(yù)測另一個屬性，它在驗證用戶提出的假設(shè)過程中提取信息。（F）56 .關(guān)聯(lián)規(guī)則挖掘過程是發(fā)現(xiàn)滿足最小支持度的所有項集代表的規(guī)則。（F）57 .聚類（clustering）是這樣的過程：它找出描述并區(qū)分?jǐn)?shù)據(jù)類或概念的模型（或函數(shù)），以便能夠使用模型預(yù)測類標(biāo)記未知的對象類。（F）58 .分類和回歸都可用于預(yù)測，分類的輸出是離散的類別值，而回歸的輸出是連續(xù)數(shù)值。（T）59 .對于SVM分類算法，待分樣本集中的大部分樣本不

22、是支持向量，移去或者減少這些樣本對分類結(jié)果沒有影響。（T）60 .Bayes法是一種在已知后驗概率與類條件概率的情況下的模式分類方法，待分樣本的分類結(jié)果取決于各類域中樣本的全體。（F）三、名詞解釋（本題共4道小題，每小題5分，共20分）1 .商務(wù)智能商務(wù)智能是融合了先進信息技術(shù)與創(chuàng)新管理理念的結(jié)合體，集成企業(yè)內(nèi)外數(shù)據(jù)，進行加工并從中提取能夠創(chuàng)造商業(yè)價值的知識，面向企業(yè)戰(zhàn)略并服務(wù)于管理層、業(yè)務(wù)層，指導(dǎo)企業(yè)經(jīng)營決策，提升企業(yè)競爭力。2 .數(shù)據(jù)倉庫數(shù)據(jù)倉庫是面向主題的、集成的、穩(wěn)定的、隨時間變化的數(shù)據(jù)集合，用以支持管理決策的過程。3 .數(shù)據(jù)集成數(shù)據(jù)集成是在邏輯上或物理上把不相同來源、格式、特點的數(shù)據(jù)

23、有機地整合，從而為企業(yè)提供全面的數(shù)據(jù)共享。4 .OLAP（聯(lián)機分析處理）OLAP是使分析人員、管理人員或執(zhí)行人員能夠從多種角度對從原始數(shù)據(jù)中轉(zhuǎn)化出來的、能夠真正為用戶所理解的、并真實反映企業(yè)維特性的信息進行快速、一致、交互地存取，從而獲得對數(shù)據(jù)的更深入了解的一類軟件技術(shù)。5 .數(shù)據(jù)挖掘數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中提取正確的、有用的、未知的、綜合的以及人們感興趣的知識并用于決策支持的過程。6 .孤立點：指數(shù)據(jù)庫中包含的一些與數(shù)據(jù)的一般行為或模型不一致的異常數(shù)據(jù)。7 .數(shù)據(jù)規(guī)范化：指將數(shù)據(jù)按比例縮放（如更換大單位），使之落入一個特定的區(qū)域（如0-1）以提高數(shù)據(jù)挖掘效

24、率的方法。規(guī)范化的常用方法有：最大-最小規(guī)范化、零-均值規(guī)范化、小數(shù)定標(biāo)規(guī)范化。8 .聚類：是將物理或抽象對象的集合分組成為多個類或簇（cluster）的過程，使得在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。9 .ROLAP:是基于關(guān)系數(shù)據(jù)庫存儲方式的，在這種結(jié)構(gòu)中，多維數(shù)據(jù)被映像成二維關(guān)系表，通常采用星型或雪花型架構(gòu)，由一個事實表和多個維度表構(gòu)成。10 .數(shù)據(jù)歸約：縮小數(shù)據(jù)的取值范圍，使其更適合于數(shù)據(jù)挖掘算法的需要，并且能夠得到和原始數(shù)據(jù)相同的分析結(jié)果。11 .預(yù)測型知識：是根據(jù)時間序列型數(shù)據(jù)，由歷史的和當(dāng)前的數(shù)據(jù)去推測未來的數(shù)據(jù)，也可以認(rèn)為是以時間為關(guān)鍵屬性的關(guān)聯(lián)知識

25、。12 .決策樹：是用樣本的屬性作為結(jié)點，用屬性的取值作為分支的樹結(jié)構(gòu)。它是分類規(guī)則挖掘的典型方法，可用于對新樣本進行分類。13 .遺傳算法：是一種優(yōu)化搜索算法，它首先產(chǎn)生一個初始可行解群體，然后對這個群體通過模擬生物進化的選擇、交叉、變異等遺傳操作遺傳到下一代群體，并最終達到全局最優(yōu)。14 .知識管理：知識管理就是對一個企業(yè)集體的知識與技能的捕獲，是為增強組織的績效而創(chuàng)造、獲取和使用知識的過程（知識的創(chuàng)造、儲存、分享、應(yīng)用和更新）。15 .Web挖掘：Web挖掘是從大量Web文檔的集合C中發(fā)現(xiàn)隱含的、有用的模式P的過程：CfP。四、簡答題（本題共5道小題，每小題6分，共30分）1 .實現(xiàn)商務(wù)

26、智能的四個階段是什么？答：實現(xiàn)商務(wù)智能的四個階段是數(shù)據(jù)預(yù)處理、建立數(shù)據(jù)倉庫、數(shù)據(jù)分析及數(shù)據(jù)展現(xiàn)。（2分）數(shù)據(jù)預(yù)處理是整合企業(yè)原始數(shù)據(jù)的第一步，包括數(shù)據(jù)抽取、轉(zhuǎn)換和裝載三個過程；（1分）數(shù)據(jù)倉庫則是處理海量數(shù)據(jù)的基礎(chǔ)；（1分）數(shù)據(jù)分析是體現(xiàn)系統(tǒng)智能的關(guān)鍵，一般采用OLAP和DM兩大技術(shù)。（1分）數(shù)據(jù)展現(xiàn)則主要保障系統(tǒng)分析結(jié)果的可視化。（1分）2 .數(shù)據(jù)庫系統(tǒng)的局限性數(shù)據(jù)庫適于存儲高度結(jié)構(gòu)化的日常事務(wù)細節(jié)數(shù)據(jù)。決策分析型數(shù)據(jù)是多維性，分析內(nèi)容應(yīng)雜。在決策分析環(huán)境中，如果事務(wù)處理的細節(jié)數(shù)據(jù)量太大一方面會嚴(yán)重影響分析效率，另一方面這些細節(jié)數(shù)據(jù)會分散決策者的注意力。當(dāng)事務(wù)型處理環(huán)境和分析型處理環(huán)境在同一

27、個數(shù)據(jù)庫系統(tǒng)中，事務(wù)型處理對數(shù)據(jù)的存取操作頻率高,操作處理的時間短，而分析型處理可能需要連續(xù)運行幾個小時，從而消耗大量的系統(tǒng)資源。決策型分析數(shù)據(jù)的數(shù)據(jù)量大，這些數(shù)據(jù)有來自企業(yè)內(nèi)部的，也有來自企業(yè)外部的。來自企業(yè)外部的數(shù)據(jù)又可能來自不同的數(shù)據(jù)庫系統(tǒng)，在分析時如果直接對這些數(shù)據(jù)操作會造成分析的混亂。對于外部數(shù)據(jù)中的一些非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)庫系統(tǒng)常常是無能為力。3 .數(shù)據(jù)倉庫與數(shù)據(jù)集市的區(qū)別是什么？數(shù)據(jù)倉庫收集了關(guān)于整個組織的主題信息，因此是企業(yè)范圍的。對于數(shù)據(jù)倉庫，通常使用星座模式，因為它能對多個相關(guān)的主題建模；（3分）數(shù)據(jù)集市是數(shù)據(jù)倉庫的一個部門子集，它針對選定的主題，因此是部門范圍的。對于數(shù)據(jù)集

28、市，流行星型或雪花模式，因為它們都適合對單個主題建模。（3分）4 .OLAP的特點快速性Fast:用戶對OLAP的快速反應(yīng)能力有很高的要求?？煞治鲂訟nalysis:OLAP系統(tǒng)應(yīng)能處理與應(yīng)用有關(guān)的任何邏輯分析和統(tǒng)計分析。多維性Multidimensional:多維性是OLAP的關(guān)鍵屬性。系統(tǒng)必須提供對數(shù)據(jù)的多維視圖和分析，包括對層次維和多重層次維的完全支持。信息性Information:OLAP系統(tǒng)應(yīng)能及時獲得信息，并且管理大容量信息。5 .簡述OLAP的基本操作有哪些？答：OLAP的基本操作有：1 .切片和切塊（SliceandDice）：在多維數(shù)據(jù)結(jié)構(gòu)中，按二維進行切片，按三維進行切塊，

29、可得到所需要的數(shù)據(jù)。（2分）2 .鉆?。―rill）:鉆取包含向下鉆?。―rill-down）和向上鉆?。―rill-up）/上卷（Roll-up）操作，鉆取的深度與維所劃分的層次相對應(yīng)。（2分）3 .旋轉(zhuǎn)（Rotate）/旋轉(zhuǎn)（Pivot）:通過旋轉(zhuǎn)可以得到不同視角的數(shù)據(jù)。（2分）6 .簡述OLAP與數(shù)據(jù)挖掘的區(qū)別和聯(lián)系。答：OLAP側(cè)重于與用戶的交互、快速的響應(yīng)速度及提供數(shù)據(jù)的多維視圖，而數(shù)據(jù)挖掘則注重自動發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式和有用信息，盡管允許用戶指導(dǎo)這一過程。（3分）OLAP的分析結(jié)果可以給數(shù)據(jù)挖掘提供分析信息作為挖掘的依據(jù)，數(shù)據(jù)挖掘可以拓展OLAP分析的深度，可以發(fā)現(xiàn)OLAP所不能

30、發(fā)現(xiàn)的更為復(fù)雜、細致的信息。（3分）7.何謂數(shù)據(jù)挖掘？它有哪些方面的功能？從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程稱為數(shù)據(jù)挖掘。相關(guān)的名稱有知識發(fā)現(xiàn)、數(shù)據(jù)分析、數(shù)據(jù)融合、決策支持等。數(shù)據(jù)挖掘的功能包括：概念描述、關(guān)聯(lián)分析、分類與預(yù)測、聚類分析、趨勢分析、孤立點分析以及偏差分析等。（3分）8 .在數(shù)據(jù)挖掘之前為什么要對原始數(shù)據(jù)進行預(yù)處理？原始業(yè)務(wù)數(shù)據(jù)來自多個數(shù)據(jù)庫或數(shù)據(jù)倉庫，它們的結(jié)構(gòu)和規(guī)則可能是不同的，這將導(dǎo)致原始數(shù)據(jù)非常的雜亂、不可用，即使在同一個數(shù)據(jù)庫中，也可能存在重復(fù)的和不完整的數(shù)據(jù)信息，為了使這些數(shù)據(jù)能夠符

31、合數(shù)據(jù)挖掘的要求，提高效率和得到清晰的結(jié)果，必須進行數(shù)據(jù)的預(yù)處理。為數(shù)據(jù)挖掘算法提供完整、干凈、準(zhǔn)確、有針對性的數(shù)據(jù)，減少算法的計算量，提高挖掘效率和準(zhǔn)確程度。9 .簡述數(shù)據(jù)預(yù)處理方法和內(nèi)容。數(shù)據(jù)清洗：包括填充空缺值，識別孤立點，去掉噪聲和無關(guān)數(shù)據(jù)。數(shù)據(jù)集成：將多個數(shù)據(jù)源中的數(shù)據(jù)結(jié)合起來存放在一個一致的數(shù)據(jù)存儲中。需要注意不同數(shù)據(jù)源的數(shù)據(jù)匹配問題、數(shù)值沖突問題和冗余問題等。數(shù)據(jù)變換：將原始數(shù)據(jù)轉(zhuǎn)換成為適合數(shù)據(jù)挖掘的形式。包括對數(shù)據(jù)的匯總、聚集、概化、規(guī)范化，還可能需要進行屬性的重構(gòu)。數(shù)據(jù)歸約：縮小數(shù)據(jù)的取值范圍，使其更適合于數(shù)據(jù)挖掘算法的需要，并且能夠得到和原始數(shù)據(jù)相同的分析結(jié)果。10 .數(shù)據(jù)

32、挖掘的六種常用算法和技術(shù)分別是什么？聚類分析；分類分析；關(guān)聯(lián)分析；序列模式挖掘；回歸分析；時間序列分析。11 .數(shù)據(jù)挖掘中的數(shù)據(jù)需要采用哪些格式？數(shù)據(jù)挖掘中的數(shù)據(jù)需要采用以下格式：所有數(shù)據(jù)應(yīng)該在一個表格/數(shù)據(jù)庫視圖中每一行對應(yīng)于與業(yè)務(wù)問題相關(guān)的一個案例 忽略具有單一值/幾乎單一值的列 忽略所有行的值都不同的列刪除所有同義列對于預(yù)測模型，目標(biāo)列必須是可識別的12 .簡述K-近鄰分類法的基本思想。答：基本思想：K-近鄰分類是基于類比學(xué)習(xí)的，每個樣本代表d維空間的一個點。（3分）當(dāng)給定一個未知樣本時，K-近鄰分類法將搜索樣本空間，找出最接近未知樣本的K個訓(xùn)練樣本，這K個訓(xùn)練樣本是未知樣本的K個近鄰”

33、。（3分）13 .關(guān)聯(lián)規(guī)則挖掘能發(fā)現(xiàn)什么知識？簡述其挖掘的基本步驟。答：關(guān)聯(lián)規(guī)則挖掘有助于發(fā)現(xiàn)交易數(shù)據(jù)庫中不同商品之間的聯(lián)系，找出顧客購買行為模式。（2分）關(guān)聯(lián)規(guī)則挖掘可以分解為兩個步驟：首先找出交易項目中滿足最小支持度（minSupp）的項集（稱其為頻繁項集）；（2分）然后由頻繁項集生成關(guān)聯(lián)規(guī)則，對于頻繁項集A,若BuA,且置信度con巾dence（BnA-B）不小于最小置信度minConf,則B=A-B構(gòu)成關(guān)聯(lián)規(guī)則。（2分）14.遺傳算法與傳統(tǒng)尋優(yōu)算法相比有什么特點？遺傳算法為群體搜索，有利于尋找到全局最優(yōu)解；遺傳算法采用高效有方向的隨機搜索，搜索效率高；遺傳算法處理的對象是個體而不是參變

34、量，具有廣泛的應(yīng)用領(lǐng)域；遺傳算法使用適應(yīng)值信息評估個體，不需要導(dǎo)數(shù)或其他輔助信息，運算速度快，適應(yīng)性好；遺傳算法具有隱含并行性，具有更高的運行效率。15 .什么是決策樹？如何用決策樹進行分類？決策樹是用樣本的屬性作為結(jié)點，用屬性的取值作為分支的樹結(jié)構(gòu)。它是利用信息論原理對大量樣本的屬性進行分析和歸納而產(chǎn)生的。決策樹的根結(jié)點是所有樣本中信息量最大的屬性。樹的中間結(jié)點是以該結(jié)點為根的子樹所包含的樣本子集中信息量最大的屬性。決策樹的葉結(jié)點是樣本的類別值。決策樹用于對新樣本的分類，即通過決策樹對新樣本屬性值的測試，從樹的根結(jié)點開始，按照樣本屬性的取值，逐漸沿著決策樹向下，直到樹的葉結(jié)點，該葉結(jié)點表示的

35、類別就是新樣本的類別。決策樹方法是數(shù)據(jù)挖掘中非常有效的分類方法。16 .簡述K-平均算法的輸入、輸出及聚類過程（流程）。輸入：簇的數(shù)目k和包含n個對象的數(shù)據(jù)集。輸出：k個簇，使平方誤差準(zhǔn)則最小。步驟：任意選擇k個對象作為初始的簇中心；計算其它對象與這k個中心的距離，然后把每個對象歸入離它“最近”的簇；計算各簇中對象的平均值，然后重新選擇簇中心（離平均值“最近”的對象值）；重復(fù)第2第3步直到簇中心不再變化為止。17 .簡述構(gòu)造智能CRM系統(tǒng)的完整步驟。答：構(gòu)建一個完整的智能CRM系統(tǒng)的幾個步驟：1 .整合客戶信息資源：對于那些以前沒有應(yīng)用過任何CRM系統(tǒng)的企業(yè)來說，首先需要把信息孤島”。而對于己

36、有CRM系統(tǒng)的孤立的業(yè)務(wù)系統(tǒng)整合到一個統(tǒng)一的平臺之下，解決企業(yè)，則需要建立一個企業(yè)信息門戶，使客戶和企業(yè)能在一個統(tǒng)一的界面下進行數(shù)據(jù)和信息交換，從而保證客戶數(shù)據(jù)的一致性。（2分）2 .建立客戶數(shù)據(jù)倉庫：規(guī)劃數(shù)據(jù)倉庫，以企業(yè)的業(yè)務(wù)模型為基礎(chǔ)，確定需要建立能夠描述主要業(yè)務(wù)主題的數(shù)據(jù)模型；設(shè)計數(shù)據(jù)倉庫，根據(jù)邏輯模型和性能要求進行物理模型的設(shè)計，制定數(shù)據(jù)存儲策略以及各種商業(yè)規(guī)則等；（2分）3 .構(gòu)造數(shù)據(jù)分析模型：根據(jù)企業(yè)需要分析的對象和目標(biāo)，構(gòu)造有針對性的分析模型。（1分）4 .建立客戶知識管理系統(tǒng)：建立一個動態(tài)的客戶知識庫以及制定客戶知識的分發(fā)規(guī)則和保存機制。（1分）18.何謂數(shù)據(jù)倉庫？為什么要建立

37、數(shù)據(jù)倉庫？數(shù)據(jù)倉庫是一種新的數(shù)據(jù)處理體系結(jié)構(gòu)，是面向主題的、集成的、不可更新的（穩(wěn)定性卜隨時間不斷變化（不同時間）的數(shù)據(jù)集合，為企業(yè)決策支持系統(tǒng)提供所需的集成信息。（3分）建立數(shù)據(jù)倉庫的目的有3個：一是為了解決企業(yè)決策分析中的系統(tǒng)響應(yīng)問題，數(shù)據(jù)倉庫能提供比傳統(tǒng)事務(wù)數(shù)據(jù)庫更快的大規(guī)模決策分析的響應(yīng)速度。二是解決決策分析對數(shù)據(jù)的特殊需求問題。決策分析需要全面的、正確的集成數(shù)據(jù)，這是傳統(tǒng)事務(wù)數(shù)據(jù)庫不能直接提供的。三是解決決策分析對數(shù)據(jù)的特殊操作要求。決策分析是面向?qū)I(yè)用戶而非一般業(yè)務(wù)員，需要使用專業(yè)的分析工具，對分析結(jié)果還要以商業(yè)智能的方式進行表現(xiàn)，這是事務(wù)數(shù)據(jù)庫不能提供的。（3分）20 .簡述數(shù)據(jù)

38、倉庫設(shè)計的三級模型及其基本內(nèi)容。概念模型設(shè)計是在較高的抽象層次上的設(shè)計，其主要內(nèi)容包括：界定系統(tǒng)邊界和確定主要的主題域。（2分）邏輯模型設(shè)計的主要內(nèi)容包括：分析主題域、確定粒度層次劃分、確定數(shù)據(jù)分割策略、定義關(guān)系模式、定義記錄系統(tǒng)。（2分）物理數(shù)據(jù)模型設(shè)計的主要內(nèi)容包括：確定數(shù)據(jù)存儲結(jié)構(gòu)、確定數(shù)據(jù)存放位置、確定存儲分配以及確定索引策略等。在物理數(shù)據(jù)模型設(shè)計時主要考慮的因素有:I/O存取時間、空間利用率和維護代價等。提高性能的主要措施有劃分粒度、數(shù)據(jù)分割、合并表、建立數(shù)據(jù)序列、引入冗余、生成導(dǎo)出數(shù)據(jù)、建立廣義索引等。（2分）21 .何謂聚類？它與分類有什么異同？聚類是將物理或抽象對象的集合分組成

39、為多個類或簇（cluster）的過程，使得在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。（3分）聚類與分類不同，聚類要劃分的類是未知的，分類則可按已知規(guī)則進行；聚類是一種無指導(dǎo)學(xué)習(xí)，它不依賴預(yù)先定義的類和帶類標(biāo)號的訓(xùn)練實例，屬于觀察式學(xué)習(xí)，分類則屬于有指導(dǎo)的學(xué)習(xí)，是示例式學(xué)習(xí)。（3分）22 .何謂文本挖掘？它與信息檢索有什么關(guān)系（異同）。文本挖掘是從大量文本數(shù)據(jù)中提取以前未知的、有用的、可理解的、可操作的知識的過程。它與信息檢索之間有以下幾方面的區(qū)別：（1分）1方法論不同：信息檢索是目標(biāo)驅(qū)動的，用戶需要明確提出查詢要求；而文本挖掘結(jié)果獨立于用戶的信息需求，是用戶無法預(yù)知的。

40、2著眼點不同：信息檢索著重于文檔中字、詞和鏈接；而文本挖掘在于理解文本的內(nèi)容和結(jié)構(gòu)。3目的不同：信息檢索的目的在于幫助用戶發(fā)現(xiàn)資源，即從大量的文本中找到滿足其查詢請求的文本子集；而文本挖掘是為了揭示文本中隱含的知識。4評價方法不同：信息檢索用查準(zhǔn)率和查全率來評價其性能。而文本挖掘采用收益、置信度、簡潔性等來衡量所發(fā)現(xiàn)知識的有效性、可用性和可理解性。5使用場合不同：文本挖掘是比信息檢索更高層次的技術(shù)，可用于信息檢索技術(shù)不能解決的許多場合。一方面，這兩種技術(shù)各有所長，有各自適用的場合；另一方面，可以利用文本挖掘的研究成果來提高信息檢索的精度和效率，改善檢索結(jié)果的組織，使信息檢索系統(tǒng)發(fā)展到一個新的水

41、平。（5分）23 .遺傳算法與傳統(tǒng)尋優(yōu)算法相比有什么特點？遺傳算法為群體搜索，有利于尋找到全局最優(yōu)解；遺傳算法采用高效有方向的隨機搜索，搜索效率高；遺傳算法處理的對象是個體而不是參變量，具有廣泛的應(yīng)用領(lǐng)域；遺傳算法使用適應(yīng)值信息評估個體，不需要導(dǎo)數(shù)或其他輔助信息，運算速度快，適應(yīng)性好；遺傳算法具有隱含并行性，具有更高的運行效率。（6分）24 .商務(wù)智能應(yīng)用趨勢更成熟的數(shù)據(jù)分析和展現(xiàn)技術(shù)；從戰(zhàn)略型的BI到操作型或者實時型的BI;關(guān)注績效、關(guān)注價值、關(guān)注數(shù)據(jù)質(zhì)量。25 .商務(wù)智能發(fā)展的特點實時；標(biāo)準(zhǔn)化；嵌入式商務(wù)智能；移動商務(wù)智能；大眾化趨勢；供應(yīng)商的動向；易用性。26 .商務(wù)智能與知識管理的區(qū)別

42、：內(nèi)涵不同；知識的管理過程和技術(shù)不同；關(guān)注的只是類型不同；面向的用戶不同。27 .Web日志挖掘的應(yīng)用獲取用戶訪問模式信息，理解用戶的意圖和行為分析用戶的存取模式，為用戶提供個性化的服務(wù)確定網(wǎng)站的潛在客戶群，合理制訂網(wǎng)絡(luò)廣告策略等改進Web站點的結(jié)構(gòu)，使網(wǎng)站點隨時間、用戶需求的變化而不斷調(diào)整對日志數(shù)據(jù)進行多種統(tǒng)計，包括頻繁訪問頁、單位時間訪問頻度、訪問量的時間分布等利用關(guān)聯(lián)規(guī)則確定相關(guān)Web查詢（查詢修正）六、論述題（共10分）1、試舉例一個商務(wù)智能的應(yīng)用案例，并論述商務(wù)智能能為企業(yè)做什么？2、下列每項活動是否是數(shù)據(jù)挖掘任務(wù)？簡單陳述你的理由。根據(jù)性別劃分公司的顧客。根據(jù)可贏利性劃分公司的顧客

43、。預(yù)測投一對骰子的結(jié)果。使用歷史記錄預(yù)測某公司未來的股票價格。（a）根據(jù)性別劃分公司的顧客。不是。數(shù)據(jù)挖掘是在大型數(shù)據(jù)存儲庫中，自動地發(fā)現(xiàn)有用信息的過程。數(shù)據(jù)挖掘技術(shù)服務(wù)用來探查大型數(shù)據(jù)庫，發(fā)現(xiàn)先前未知的有用模式。還可以預(yù)測未來觀測結(jié)果，例如，預(yù)測一位新的顧客是否會在一家百貨公司消費100美元以上。但并非所有的信息發(fā)現(xiàn)任務(wù)都被視為數(shù)據(jù)挖掘，數(shù)據(jù)挖掘與信息檢索不同，使用數(shù)據(jù)庫管理系統(tǒng)查找個別的記錄，或通過因特網(wǎng)的搜索引擎查找特定的Web頁面，則是信息檢索領(lǐng)域的任務(wù)，它們主要依賴傳統(tǒng)的計算機科學(xué)技術(shù)和數(shù)據(jù)的明顯特征來創(chuàng)建索引結(jié)構(gòu)，從而有效地組織和檢索信息。數(shù)據(jù)挖掘的任務(wù)可分為兩大類：預(yù)測任務(wù)和描述

44、任務(wù)。主要任務(wù)有四種：聚類分析，關(guān)聯(lián)分析，異常檢測，和預(yù)測建模。其目的是根據(jù)其它屬性的值，預(yù)測特定屬性的值，或?qū)С龈爬〝?shù)據(jù)中潛在聯(lián)系的模式，主要是預(yù)測某些信息。而根據(jù)性別劃分公司的顧客，只是一種簡單的數(shù)據(jù)庫查詢操作，并沒有涉及預(yù)測分析。根據(jù)可贏利性劃分公司的顧客。不是。根據(jù)可贏利性劃分公司的顧客是使用閾值進行的一種統(tǒng)計計算。它僅僅是根據(jù)消費結(jié)果統(tǒng)計將原有顧客進行劃分，只是一種統(tǒng)計的結(jié)果，而沒有根據(jù)這些結(jié)果的特點預(yù)測一個新的顧客的贏利性，這種預(yù)測才是數(shù)據(jù)挖掘。預(yù)測投一對骰子的結(jié)果。不是。因為骰子的六個數(shù)值出現(xiàn)的可能性是相同的，這是一種概率計算，如果結(jié)果出現(xiàn)的可能性是不確定的，不相同的，則更像是數(shù)

45、據(jù)挖掘的任務(wù)，但在很早以前利用數(shù)學(xué)已經(jīng)能夠很好的解決這個問題了。所以預(yù)測投一對骰子的結(jié)果不屬于數(shù)據(jù)挖掘的任務(wù)，不帶有發(fā)現(xiàn)新信息的預(yù)測特點。使用歷史記錄預(yù)測某公司未來的股票價格。這是數(shù)據(jù)挖掘的任務(wù)?？梢酝ㄟ^對歷史記錄特點的分析來創(chuàng)建一種模型預(yù)測未來的公司的股票價格，這是數(shù)據(jù)挖掘任務(wù)中預(yù)測建模的一個例子，預(yù)測建模涉及以說明變量函數(shù)的方式為目標(biāo)變量建立模型，有兩類預(yù)測建模任務(wù)：分類，用于預(yù)測離散的目標(biāo)變量；回歸，用于預(yù)測連續(xù)的目標(biāo)變量dmj預(yù)測某公司未來的股票價格則是回歸任務(wù)，因為價格具有連續(xù)值屬性。3、比較急切分類（如，判定樹、貝葉斯、神經(jīng)網(wǎng)絡(luò)）相對于懶散分類（如，k-最臨近、基于案例的推理）的優(yōu)缺點。答：決策樹歸納的特點：（1）決策樹歸納是一種構(gòu)建分類模型的非參數(shù)方法，它不要求任何先驗假設(shè)，不假定類和其他屬性服從一定的概念分布。（2