習(xí)題及參考答案

.z.習(xí)題參考答案第1章緒論1.1數(shù)據(jù)挖掘處理的對(duì)象有哪些？請(qǐng)從實(shí)際生活中舉出至少三種。答：數(shù)據(jù)挖掘處理的對(duì)象是*一專業(yè)領(lǐng)域中積累的數(shù)據(jù)，對(duì)象既可以來自社會(huì)科學(xué),又可以來自自然科學(xué)產(chǎn)生的數(shù)據(jù),還可以是衛(wèi)星觀測(cè)得到的數(shù)據(jù)。數(shù)據(jù)形式和構(gòu)造也各不一樣,可以是傳統(tǒng)的關(guān)系數(shù)據(jù)庫,可以是面向?qū)ο蟮母呒?jí)數(shù)據(jù)庫系統(tǒng),也可以是面向特殊應(yīng)用的數(shù)據(jù)庫,如空間數(shù)據(jù)庫、時(shí)序數(shù)據(jù)庫、文本數(shù)據(jù)庫和多媒體數(shù)據(jù)庫等,還可以是Web數(shù)據(jù)信息。實(shí)際生活的例子：①電信行業(yè)中利用數(shù)據(jù)挖掘技術(shù)進(jìn)展客戶行為分析，包含客戶通話記錄、通話時(shí)間、所開通的效勞等，據(jù)此進(jìn)展客戶群體劃分以及客戶流失性分析。②天文領(lǐng)域中利用決策樹等數(shù)據(jù)挖掘方法對(duì)上百萬天體數(shù)據(jù)進(jìn)展分類與分析，幫助天文學(xué)家發(fā)現(xiàn)其他未知星體。③制造業(yè)中應(yīng)用數(shù)據(jù)挖掘技術(shù)進(jìn)展零部件故障診斷、資源優(yōu)化、生產(chǎn)過程分析等。④市場(chǎng)業(yè)中應(yīng)用數(shù)據(jù)挖掘技術(shù)進(jìn)展市場(chǎng)定位、消費(fèi)者分析、輔助制定市場(chǎng)營銷策略等。1.2給出一個(gè)例子，說明數(shù)據(jù)挖掘?qū)ι虅?wù)的成功是至關(guān)重要的。該商務(wù)需要什么樣的數(shù)據(jù)挖掘功能？它們能夠由數(shù)據(jù)查詢處理或簡單的統(tǒng)計(jì)分析來實(shí)現(xiàn)嗎？答：例如，數(shù)據(jù)挖掘在電子商務(wù)中的客戶關(guān)系管理起到了非常重要的作用。隨著各個(gè)電子商務(wù)的建立，企業(yè)紛紛地從"產(chǎn)品導(dǎo)向〞轉(zhuǎn)向"客戶導(dǎo)向〞，如何在保持現(xiàn)有的客戶同時(shí)吸引更多的客戶、如何在客戶群中發(fā)現(xiàn)潛在價(jià)值，一直都是電子商務(wù)企業(yè)重要任務(wù)。但是，傳統(tǒng)的數(shù)據(jù)分析處理，如數(shù)據(jù)查詢處理或簡單的統(tǒng)計(jì)分析，只能在數(shù)據(jù)庫中進(jìn)展一些簡單的數(shù)據(jù)查詢和更新以及一些簡單的數(shù)據(jù)計(jì)算操作，卻無法從現(xiàn)有的大量數(shù)據(jù)中挖掘潛在的價(jià)值。而數(shù)據(jù)挖掘技術(shù)卻能使用如聚類、關(guān)聯(lián)分析、決策樹和神經(jīng)網(wǎng)絡(luò)等多種方法，對(duì)數(shù)據(jù)庫中龐大的數(shù)據(jù)進(jìn)展挖掘分析，然后可以進(jìn)展客戶細(xì)分而提供個(gè)性化效勞、可以利用挖掘到的歷史流失客戶的特征來防止客戶流失、可以進(jìn)展產(chǎn)品捆綁推薦等，從而使電子商務(wù)更好地進(jìn)展客戶關(guān)系管理，提高客戶的忠誠度和滿意度。1.3假定你是Big-University的軟件工程師，任務(wù)是設(shè)計(jì)一個(gè)數(shù)據(jù)挖掘系統(tǒng)，分析學(xué)校課程數(shù)據(jù)庫。該數(shù)據(jù)庫包括如下信息：每個(gè)學(xué)生的**、地址和狀態(tài)(例如，本科生或研究生)、所修課程，以及他們的GPA。描述你要選取的構(gòu)造，該構(gòu)造的每個(gè)成分的作用是什么？答：任務(wù)目的是分析課程數(shù)據(jù)庫，則首先需要有包含信息的關(guān)系型數(shù)據(jù)庫系統(tǒng)，以便查找、提取每個(gè)屬性的值；在取得數(shù)據(jù)后，需要有特征選擇模塊，通過特征選擇，找出要分析的屬性；接下來需要一個(gè)數(shù)據(jù)挖掘算法，或者數(shù)據(jù)挖掘軟件，它應(yīng)該包含像分類、聚類、關(guān)聯(lián)分析這樣的分析模塊，對(duì)選擇出來的特征值進(jìn)展分析處理；在得到結(jié)果后，可以用可視化軟件進(jìn)展顯示。1.4假定你作為一個(gè)數(shù)據(jù)挖掘參謀，受雇于一家因特網(wǎng)搜索引擎公司。通過特定的例子說明，數(shù)據(jù)挖掘可以為公司提供哪些幫助，如何使用聚類、分類、關(guān)聯(lián)規(guī)則挖掘和離群點(diǎn)檢測(cè)等技術(shù)為企業(yè)效勞。答：使用聚類發(fā)現(xiàn)互聯(lián)網(wǎng)中的不同群體，用于網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)；使用分類對(duì)客戶進(jìn)展等級(jí)劃分，從而實(shí)施不同的效勞；使用關(guān)聯(lián)規(guī)則發(fā)現(xiàn)大型數(shù)據(jù)集中間存在的關(guān)系，用于推薦搜索。如大局部搜索了"廣外〞的人都會(huì)繼續(xù)搜索"信息學(xué)院〞，則在搜索"廣外〞后會(huì)提示是否進(jìn)進(jìn)一步搜索"信息學(xué)院〞。使用離群點(diǎn)挖掘發(fā)現(xiàn)與大局部對(duì)象不同的對(duì)象，用于分析針對(duì)網(wǎng)絡(luò)的秘密收集信息的攻擊。1.5定義以下數(shù)據(jù)挖掘功能：關(guān)聯(lián)、分類、聚類、演變分析、離群點(diǎn)檢測(cè)。使用你熟悉的生活中的數(shù)據(jù)，給出每種數(shù)據(jù)挖掘功能的例子。答：關(guān)聯(lián)是指發(fā)現(xiàn)樣本間或樣本不同屬性間的關(guān)聯(lián)。例如，一個(gè)數(shù)據(jù)挖掘系統(tǒng)可能發(fā)現(xiàn)的關(guān)聯(lián)規(guī)則為：major(*,"putingscience〞)?owns(*,"personalputer〞)[support=12%,confidence=98%]其中，*是一個(gè)表示學(xué)生的變量。該規(guī)則指出主修計(jì)算機(jī)科學(xué)并且擁有一臺(tái)個(gè)人計(jì)算機(jī)的學(xué)生所占比例為12%，同時(shí)，主修計(jì)算機(jī)專業(yè)的學(xué)生有98%擁有個(gè)人計(jì)算機(jī)。分類是構(gòu)造一系列能描述和區(qū)分?jǐn)?shù)據(jù)類型或概念的模型(或功能)，分類被用作預(yù)測(cè)目標(biāo)數(shù)據(jù)的類的標(biāo)簽。例如，通過對(duì)過去銀行客戶流失與未流失客戶數(shù)據(jù)的分析，得到一個(gè)預(yù)測(cè)模型，預(yù)測(cè)新客戶是否可能會(huì)流失。聚類是將數(shù)據(jù)劃分為相似對(duì)象組的過程，使得同一組中對(duì)象相似度最大而不同組中對(duì)象相似度最小。例如，通過對(duì)*大型超市客戶購物數(shù)據(jù)進(jìn)展聚類，將客戶聚類細(xì)分為低值客戶、高值客戶以及普通客戶等。數(shù)據(jù)演變分析描述和模型化隨時(shí)間變化的對(duì)象的規(guī)律或趨勢(shì)，盡管這可能包括時(shí)間相關(guān)數(shù)據(jù)的特征化、區(qū)分、關(guān)聯(lián)和相關(guān)分析、分類、或預(yù)測(cè)，這種分析的明確特征包括時(shí)間序列數(shù)據(jù)分析、序列或周期模式匹配、和基于相似性的數(shù)據(jù)分析。離群點(diǎn)檢測(cè)就是發(fā)現(xiàn)與眾不同的數(shù)據(jù)。可用于發(fā)現(xiàn)金融領(lǐng)域的欺詐檢測(cè)。1.6根據(jù)你的觀察，描述一個(gè)可能的知識(shí)類型，它需要由數(shù)據(jù)挖掘方法發(fā)現(xiàn)，但本章未列出。它需要一種不同于本章列舉的數(shù)據(jù)挖掘技術(shù)嗎？答：建立一個(gè)局部的周期性作為一種新的知識(shí)類型，只要經(jīng)過一段時(shí)間的偏移量在時(shí)間序列中重復(fù)發(fā)生，則在這個(gè)知識(shí)類型中的模式是局部周期性的。需要一種新的數(shù)據(jù)挖掘技術(shù)解決這類問題。1.7討論以下每項(xiàng)活動(dòng)是否是數(shù)據(jù)挖掘任務(wù)：(1)根據(jù)性別劃分公司的顧客。(2)根據(jù)可贏利性劃分公司的顧客。(3)計(jì)算公司的總銷售額。(4)按學(xué)生的標(biāo)識(shí)號(hào)對(duì)學(xué)生數(shù)據(jù)庫排序。(5)預(yù)測(cè)擲一對(duì)骰子的結(jié)果。(6)使用歷史記錄預(yù)測(cè)*公司未來的股票價(jià)格。(7)監(jiān)視病人心率的異常變化。(8)監(jiān)視地震活動(dòng)的地震波。(9)提取聲波的頻率。答：(1)不是，這屬于簡單的數(shù)據(jù)庫查詢。(2) 不是，這個(gè)簡單的會(huì)計(jì)計(jì)算；但是新客戶的利潤預(yù)測(cè)則屬于數(shù)據(jù)挖掘任務(wù)。(3) 不是，還是簡單的會(huì)計(jì)計(jì)算。(4) 不是，這是簡單的數(shù)據(jù)庫查詢。(5) 不是，由于每一面都是同等概率，則屬于概率計(jì)算；如概率是不同等的，根據(jù)歷史數(shù)據(jù)預(yù)測(cè)結(jié)果則更類似于數(shù)據(jù)挖掘任務(wù)。(6) 是，需要建立模型來預(yù)測(cè)股票價(jià)格，屬于數(shù)據(jù)挖掘領(lǐng)域中的預(yù)測(cè)模型。可以使用回歸來建模，或使用時(shí)間序列分析。(7)是，需要建立正常心率行為模型，并預(yù)警非正常心率行為。這屬于數(shù)據(jù)挖掘領(lǐng)域的異常檢測(cè)。假設(shè)有正常和非正常心率行為樣本，則可以看作一個(gè)分類問題。(8) 是，需要建立與地震活動(dòng)相關(guān)的不同波形的模型，并預(yù)警波形活動(dòng)。屬于數(shù)據(jù)挖掘領(lǐng)域的分類。(9) 不是，屬于信號(hào)處理。第2章數(shù)據(jù)處理根底2.1將以下屬性分類成二元的、分類的或連續(xù)的，并將它們分類成定性的(標(biāo)稱的或序數(shù)的)或定量的(區(qū)間的或比率的)。例子：年齡。答復(fù)：分類的、定量的、比率的。(a)用AM和PM表示的時(shí)間。(b)根據(jù)曝光表測(cè)出的亮度。(c)根據(jù)人的判斷測(cè)出的亮度。(d)醫(yī)院中的病人數(shù)。(e)書的ISBN號(hào)。(f)用每立方厘米表示的物質(zhì)密度。答：(a)二元，定量，比率；(b)連續(xù)，定量，比率；(c)分類，定性，標(biāo)稱；(d)連續(xù)，定量，比率；(e)分類，定性，標(biāo)稱；(f)連續(xù)，定量，比率。2.2你能想象一種情況，標(biāo)識(shí)號(hào)對(duì)于預(yù)測(cè)是有用的嗎？答：學(xué)生的ID號(hào)可以預(yù)測(cè)該學(xué)生的畢業(yè)日期。2.3在現(xiàn)實(shí)世界的數(shù)據(jù)中，元組在*些屬性上缺失值是常有的。請(qǐng)描述處理該問題的各種方法。答：處理遺漏值問題的策略有如下幾種。(1)刪除數(shù)據(jù)對(duì)象或?qū)傩?。一種簡單而有效的策略是刪除具有遺漏值的數(shù)據(jù)對(duì)象。然而，即使局部給定的數(shù)據(jù)對(duì)象也包含一些信息，并且，如果許多對(duì)象都有遺漏值，則很難甚至不可能進(jìn)展可靠的分析。盡管如此，如果一個(gè)數(shù)據(jù)集只有少量的對(duì)象具有遺漏值，則忽略他們可能是合算的。一種相關(guān)的策略是刪除具有遺漏值的屬性。然而，做這件事要小心，因?yàn)楸粍h除的屬性可能對(duì)分析是至關(guān)重要的。(2)估計(jì)遺漏值。有時(shí)，遺漏值可以可靠地估計(jì)。例如，在考慮以較平滑的方式變化的具有少量但大大分散的遺漏值的時(shí)間序列，遺漏值可以使用其他值來估計(jì)(插值)。作為另一個(gè)例子，考慮一個(gè)具有許多相似數(shù)據(jù)點(diǎn)的數(shù)據(jù)集。在這種情況下，與具有遺漏值的點(diǎn)鄰近的點(diǎn)的屬性值常?？梢杂脕砉烙?jì)遺漏的值。如果屬性是連續(xù)的，則可以使用最近鄰的平均屬性值；如果屬性是分類的，則可以取最近鄰中最常出現(xiàn)的屬性值。(3)在分析時(shí)忽略遺漏值。許多數(shù)據(jù)挖掘方法都可以修改，忽略遺漏值。例如。假定正在對(duì)數(shù)據(jù)對(duì)象聚類，需要計(jì)算數(shù)據(jù)對(duì)象間的相似性；如果對(duì)于*屬性，兩個(gè)對(duì)象之一或兩個(gè)對(duì)象都有遺漏值，則可以僅使用沒有遺漏值的屬性來計(jì)算相似性。當(dāng)然，這種相似性只是緊鄰的，但是除非整個(gè)屬性數(shù)目很少，或者遺漏值的數(shù)量很大，否則這種誤差影響不大。同樣的，許多分類方法都可以修改，處理遺漏值。2.4以下規(guī)*方法的值域是什么？(a)min-ma*規(guī)*化。(b)z-score規(guī)*化。(c)小數(shù)定標(biāo)規(guī)*化。答：(a)[new_min,new_ma*]；(b)(-∞,+∞)；(c)(-1.0，1.0)。2.5假定用于分析的數(shù)據(jù)包含屬性age，數(shù)據(jù)元組中age的值如下(按遞增序)：13,15,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,33,35,35,35,35,36,40,45,46,52,70。(a)使用按箱平均值平滑對(duì)以上數(shù)據(jù)進(jìn)展平滑，箱的深度為3。解釋你的步驟。評(píng)論對(duì)于給定的數(shù)據(jù)，該技術(shù)的效果。(b)對(duì)于數(shù)據(jù)平滑，還有哪些其它方法？答：(a)數(shù)據(jù)元組中age的值如下(按遞增序)：13,15,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,33,35,35,35,35,36,40,45,46,52,70，且箱的深度為3，劃分為(等頻)箱：箱1：13,15,16箱2：16,19,20箱3：20,21,22箱4：22,25,25箱5：25,25,30箱6：33,33,33箱7：35,35,35箱8：35,36,40箱9：45,46,52箱10：70用箱均值光滑：箱1：15,15,15箱2：18,18,18箱3：21,21,21箱4：24,24,24箱5：27,27,37箱6：33,33,33箱7：35,35,35箱8：37,37,37箱9：48,48,48箱10：70；(b)對(duì)于數(shù)據(jù)平滑，其它方法有：(1)回歸：可以用一個(gè)函數(shù)(如回歸函數(shù))擬合數(shù)據(jù)來光滑數(shù)據(jù)；(2)聚類：可以通過聚類檢測(cè)離群點(diǎn)，將類似的值組織成群或簇。直觀地，落在簇集合之外的值視為離群點(diǎn)。2.6使用習(xí)題2.5給出的age數(shù)據(jù)，答復(fù)以下問題：(a)使用min-ma*規(guī)*化，將age值35轉(zhuǎn)換到[0.0，1.0]區(qū)間。(b)使用z-score規(guī)*化轉(zhuǎn)換age值35，其中，age的標(biāo)準(zhǔn)偏差為12.94年。(c)使用小數(shù)定標(biāo)規(guī)*化轉(zhuǎn)換age值35。(d)指出對(duì)于給定的數(shù)據(jù)，你愿意使用哪種方法。陳述你的理由。答：(a)最大值為70，最小值為13，則可將35規(guī)*化為：；(b)均值為30，標(biāo)準(zhǔn)差為12.94，則可將35規(guī)*化為：；(c)使用小數(shù)定標(biāo)規(guī)*化可將35規(guī)*化為：；(d)對(duì)于給定的數(shù)據(jù)，你愿意使用min-ma*規(guī)*化。理由是計(jì)算簡單。2.7使用習(xí)題2.5給出的age數(shù)據(jù)(a)畫一個(gè)寬度為10的等寬的直方圖。(b)為以下每種抽樣技術(shù)勾畫例子：有放回簡單隨機(jī)抽樣，無放回簡單隨機(jī)抽樣，聚類抽樣，分層抽樣。使用大小為5的樣本和層"青年〞,"中年〞和"老年〞。答：(a)如下為寬度為10的等寬的直方圖：(b)樣本大小為5和層"青年〞，"中年〞和"老年〞，(1)有放回簡單隨機(jī)抽樣：30,33,30,25,30(2)無放回簡單隨機(jī)抽樣：30,33,33,35,25(3)聚類抽樣：16,25,33,35,46(4)分層抽樣：25,35,522.8以下是一個(gè)商場(chǎng)所銷售商品的價(jià)格清單(按遞增順序排列，括號(hào)中的數(shù)表示前面數(shù)字出現(xiàn)次數(shù))1(2)、5(5)、8(2)、10(4)、12、14(3)、15(5)、18(8)、20(7)、21(4)、25(5)、28、30(3)。請(qǐng)分別用等寬的方法和等高的方法對(duì)上面的數(shù)據(jù)集進(jìn)展劃分。答：(1)等寬方法：劃分為3個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集的寬度為價(jià)格10。價(jià)格在1—10之間出現(xiàn)次數(shù)為13；價(jià)格在11—20之間出現(xiàn)的次數(shù)為24；價(jià)格在21—30之間出現(xiàn)的次數(shù)為13。(2)等高方法：劃分為2個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集的高度為出現(xiàn)的次數(shù)4。出現(xiàn)次數(shù)1—4之間的價(jià)格為1、8、10、12、14、21、28、30，共8個(gè)數(shù)據(jù)；出現(xiàn)次數(shù)5—8之間的價(jià)格為5、15、18、20、25，共5個(gè)數(shù)據(jù)。2.9討論數(shù)據(jù)聚合需要考慮的問題。答：數(shù)據(jù)聚合需要考慮的問題有：(1)模式識(shí)別：這主要是實(shí)體識(shí)別問題；(2)冗余：一個(gè)屬性是冗余的，即它能由另一個(gè)表導(dǎo)出，如果屬性或維的命名不一致，也可能導(dǎo)致冗余，可以用相關(guān)分析來檢測(cè)；(3)數(shù)據(jù)值沖突的檢測(cè)與處理：有些屬性因表示比例或編碼不同，會(huì)導(dǎo)致屬性不同。2.10假定我們對(duì)一個(gè)比率屬性*使用平方根變換，得到一個(gè)新屬性**。作為分析的一局部，你識(shí)別出區(qū)間(a,b)，在該區(qū)間內(nèi)，**與另一個(gè)屬性y具有線性關(guān)系。(a)換算成*,(a,b)的對(duì)應(yīng)區(qū)間是什么？(b)給出y關(guān)聯(lián)*的方程。答：(a)(a^2，b^2)；(b)Y=k*^0.5+C(k,C是常數(shù))。2.11討論使用抽樣減少需要顯示的數(shù)據(jù)對(duì)象個(gè)數(shù)的優(yōu)缺點(diǎn)。簡單隨機(jī)抽樣(無放回)是一種好的抽樣方法嗎？為什么是，為什么不是？答：抽樣減少需要顯示的數(shù)據(jù)對(duì)象個(gè)數(shù)的優(yōu)點(diǎn)是減少處理數(shù)據(jù)的費(fèi)用和時(shí)間。缺點(diǎn)是不能利用總體的信息和代表總體數(shù)據(jù)的信息。簡單隨機(jī)抽樣(無放回)不是一種好的抽樣方法，不能充分地代表不太頻繁出現(xiàn)的對(duì)象類型和每個(gè)對(duì)象被選中的概率不一樣。2.12給定m個(gè)對(duì)象的集合，這些對(duì)象劃分成K組，其中第i組的大小為mi。如果目標(biāo)是得到容量為n<m的樣本，下面兩種抽樣方案有什么區(qū)別？(假定使用有放回抽樣)(a)從每組隨機(jī)地選擇n×mi/m個(gè)元素。(b)從數(shù)據(jù)集中隨機(jī)地選擇n個(gè)元素，而不管對(duì)象屬于哪個(gè)組。答：(a)組保證了可以在每個(gè)組里面得到等比例的樣本，而(b)組在每個(gè)組里面抽取的樣本的個(gè)數(shù)是隨機(jī)的，不能保證每個(gè)組都能抽到樣本。2.13一個(gè)地方公司的銷售主管與你聯(lián)系，他相信他已經(jīng)設(shè)計(jì)出了一種評(píng)估顧客滿意度的方法。他這樣解釋他的方案："這太簡單了，我簡直不敢相信，以前竟然沒有人想到，我只是記錄顧客對(duì)每種產(chǎn)品的抱怨次數(shù)，我在數(shù)據(jù)挖掘的書中讀到計(jì)數(shù)具有比率屬性，因此，我的產(chǎn)品滿意度度量必定具有比率屬性。但是，當(dāng)我根據(jù)我的顧客滿意度度量評(píng)估產(chǎn)品并拿給老板看時(shí)，他說我忽略了顯而易見的東西，說我的度量毫無價(jià)值。我想，他簡直是瘋了，因?yàn)槲覀兊臅充N產(chǎn)品滿意度最差，因?yàn)閷?duì)它的抱怨最多。你能幫助我擺平他嗎？〞(a)誰是對(duì)的，銷售主管還是他的老板？如果你的答案是他的老板，你做些什么來修正滿意度度量？(b)對(duì)于原來的產(chǎn)品滿意度度量的屬性類型，你能說些什么？答:(a)老板是對(duì)的。更好的衡量方法應(yīng)該如下：不滿意率(產(chǎn)品)=每種產(chǎn)品的抱怨次數(shù)/該產(chǎn)品的總銷售量(b)原來衡量方法的屬性類型是沒有意義的。例如，兩件商品有一樣的顧客滿意度可能會(huì)有不同的抱怨次數(shù)，反之亦然。2.14考慮一個(gè)文檔-詞矩陣，其中是第i個(gè)詞(術(shù)語)出現(xiàn)在第j個(gè)文檔中的頻率，而m是文檔數(shù)?？紤]由下式定義的變量變換：其中，是出現(xiàn)i個(gè)詞的文檔數(shù)，稱作詞的文檔頻率(documentfrequency)。該變換稱作逆文檔頻率變換(inversedocumentfrequency)。(a)如果出現(xiàn)在一個(gè)文檔中，該變換的結(jié)果是什么？如果術(shù)語出現(xiàn)在每個(gè)文檔中呢？(b)該變換的目的可能是什么？答：(a)如果該詞出現(xiàn)在每一個(gè)文檔中，它的詞權(quán)就會(huì)為0，但是如果這個(gè)詞僅僅出現(xiàn)在一個(gè)文檔中，它就有最大的詞權(quán)，例如，logm。(b)這個(gè)變換反映了以下一個(gè)現(xiàn)象：當(dāng)一個(gè)詞出現(xiàn)在每一個(gè)文檔中，對(duì)于文檔與文檔之間，該詞沒有區(qū)分能力，但是那些只是*一兩篇文檔出現(xiàn)的詞，其區(qū)分文檔的能力就較強(qiáng)。2.15對(duì)于下面的向量*和y，計(jì)算指定的相似性或距離度量。(a)*=(1，1，1，1)，y=(2，2，2，2)余弦相似度、相關(guān)系數(shù)、歐幾里得。(b)*=(0，1，0，1)，y=(1，0，1，0)余弦相似度、相關(guān)系數(shù)、歐幾里得、Jaccard系數(shù)。(c)*=(2，-1,0，2，0，-3)，y=(-1，1，-1，0，0，-1)余弦相似度、相關(guān)系數(shù)。答：(a)余弦相似度、相關(guān)系數(shù)、歐幾里得分別是0.5，0，2；(b)余弦相似度、相關(guān)系數(shù)、歐幾里得、Jaccard系數(shù)分別是0，1，2，0；(c)余弦相似度、相關(guān)系數(shù)分別是0，0。2.16簡單地描述如何計(jì)算由以下類型的變量描述的對(duì)象間的相異度：(a)不對(duì)稱的二元變量(b)分類變量(c)比例標(biāo)度型(ratio-scaled)變量(d)數(shù)值型變量答：使用Jaccard系數(shù)計(jì)算不對(duì)稱的二元變量的相異度；采用屬性值匹配的方法(屬性值匹配，相似度為1，否則為0)可以計(jì)算用分類變量描述的對(duì)象間的相異度；比照例標(biāo)度變量進(jìn)展對(duì)數(shù)變換，對(duì)變換得到的值采用與處理區(qū)間標(biāo)度變量一樣的方法來計(jì)算相異度；可采用歐幾里得距離公式或曼哈頓距離公式計(jì)算。2.17給定兩個(gè)向量對(duì)象，分別表示為p1(22，1，42，10)，p2(20，0，36，8)：(a)計(jì)算兩個(gè)對(duì)象之間的歐幾里得距離(b)計(jì)算兩個(gè)對(duì)象之間的曼哈頓距離(c)計(jì)算兩個(gè)對(duì)象之間的切比雪夫距離(d)計(jì)算兩個(gè)對(duì)象之間的閔可夫斯基距離，用*=3答：(a)計(jì)算兩個(gè)對(duì)象之間的歐幾里得距離(b)計(jì)算兩個(gè)對(duì)象之間的曼哈頓距離(c)計(jì)算兩個(gè)對(duì)象之間的閔可夫斯基距離，其中參數(shù)r=32.18以下表格包含了屬性name，gender，trait-1，trait-2，trait-3，及trait-4，這里的name是對(duì)象的id，gender是一個(gè)對(duì)稱的屬性，剩余的trait屬性是不對(duì)稱的，描述了希望找到的筆友的個(gè)人特點(diǎn)。假設(shè)有一個(gè)效勞是試圖發(fā)現(xiàn)適宜的筆友。namegendertrait-1trait-2trait-3trait-4KeavnMNPPNCarolineFNPPNErikMPNNP對(duì)不對(duì)稱的屬性的值，值P被設(shè)為1，值N被設(shè)為0。假設(shè)對(duì)象(潛在的筆友)間的距離是基于不對(duì)稱變量來計(jì)算的。(a)計(jì)算對(duì)象間的簡單匹配系數(shù)；(b)計(jì)算對(duì)象間的Jaccard系數(shù)；(c)你認(rèn)為哪兩個(gè)人將成為最正確筆友？哪兩個(gè)會(huì)是最不能相容的？(d)假設(shè)我們將對(duì)稱變量gender包含在我們的分析中。基于Jaccard系數(shù)，誰將是最和諧的一對(duì)？為什么？答：(a)計(jì)算對(duì)象間的簡單匹配系數(shù)SMC(Keavn,Caroline)=(2+2)/(0+0+2+2)=1SMC(Keavn,Erik)=(0+0)/(2+2+0+0)=0SMC(Caroline,Erik)=(0+0)/(2+2+0+0)=0(b)計(jì)算對(duì)象間的Jaccard系數(shù)Jaccard(Keavn,Caroline)=2/(2+0+0)=1Jaccard(Keavn,Erik)=0/(0+2+2)=0Jaccard(Caroline,Erik)=0/(0+2+2)=0(c)根據(jù)屬性的匹配程度，Keavn和Caroline將成為最正確筆友，Caroline和Erik會(huì)是最不能相容的。(d)假設(shè)將對(duì)稱變量gender包含在分析中，設(shè)值M被設(shè)為1，值F被設(shè)為0，Jaccard(Keavn,Caroline)=2/(2+1+0)=2/3Jaccard(Keavn,Erik)=1/(1+2+2)=1/5Jaccard(Caroline,Erik)=0/(0+2+3)=0因?yàn)镴accard(Keavn,Caroline)最大，因此，Keavn和Caroline是最和諧的一對(duì)。2.19給定一個(gè)在區(qū)間[0，1]取值的相似性度量，描述兩種將該相似度變換成區(qū)間[0，∞]中的相異度的方法。答：取倒數(shù)減一：取對(duì)數(shù)：第3章分類與回歸簡述決策樹分類的主要步驟。答：決策樹生成的過程如下：(1)對(duì)數(shù)據(jù)源進(jìn)展數(shù)據(jù)預(yù)處理,得到訓(xùn)練集和測(cè)試集；(2)對(duì)訓(xùn)練集進(jìn)展訓(xùn)練；(3)對(duì)初始決策樹進(jìn)展樹剪枝；(4)由所得到的決策樹提取分類規(guī)則；(5)使用測(cè)試數(shù)據(jù)集進(jìn)展預(yù)測(cè)，評(píng)估決策樹模型；給定決策樹，選項(xiàng)有：(1)將決策樹轉(zhuǎn)換成規(guī)則，然后對(duì)結(jié)果規(guī)則剪枝，或(2)對(duì)決策樹剪枝，然后將剪枝后的樹轉(zhuǎn)換成規(guī)則。相對(duì)于(2)，(1)的優(yōu)點(diǎn)是什么？答：相對(duì)于(2)，(1)的優(yōu)點(diǎn)是：由于第一種方法已經(jīng)將決策樹轉(zhuǎn)換成規(guī)則，通過規(guī)則，可以很快速的評(píng)估決策樹以及其子樹緊湊程度，不能提高規(guī)則的估計(jì)準(zhǔn)確率的任何條件都可以減掉，從而泛化規(guī)則；計(jì)算決策樹算法在最壞情況下的時(shí)間復(fù)雜度是重要的。給定數(shù)據(jù)集D，具有m個(gè)屬性和|D|個(gè)訓(xùn)練記錄，證明決策樹生長的計(jì)算時(shí)間最多為。答：假設(shè)訓(xùn)練集擁有|D|實(shí)例以及m個(gè)屬性。我們需要對(duì)樹的尺寸做一個(gè)假設(shè)，假設(shè)樹的深度是由log|D|決定，即O(log|D|)?？紤]一個(gè)屬性在樹的所有節(jié)點(diǎn)上所要做的工作量。當(dāng)然不必在每一個(gè)節(jié)點(diǎn)上考慮所有的實(shí)例。但在樹的每一層，必須考慮含有|D|個(gè)實(shí)例的整個(gè)數(shù)據(jù)集。由于樹有l(wèi)og|D|個(gè)不同的層，處理一個(gè)屬性需要的工作量是。在每個(gè)節(jié)點(diǎn)上所有屬性都要被考慮，因此總的工作量為?？紤]表3-23所示二元分類問題的數(shù)據(jù)集。表3-23習(xí)題3.4數(shù)據(jù)集AB類標(biāo)號(hào)TF+TT+TT+TF-TT+FF-FF-FF-TT-TF-計(jì)算按照屬性A和B劃分時(shí)的信息增益。決策樹歸納算法將會(huì)選擇那個(gè)屬性？計(jì)算按照屬性A和B劃分時(shí)Gini系數(shù)。決策樹歸納算法將會(huì)選擇那個(gè)屬性？答：按照屬性A和B劃分時(shí)，數(shù)據(jù)集可分為如下兩種情況：A=TA=F+40-33B=TB=F+31-15劃分前樣本集的信息熵為E=-0.4log220.6=0.9710按照屬性A劃分樣本集分別得到的兩個(gè)子集(A取值T和A取值F)的信息熵分別為:按照屬性A劃分樣本集得到的信息增益為：按照屬性B劃分樣本集分別得到的兩個(gè)子集(B取值T和B取值F)的信息熵分別為:按照屬性B劃分樣本集得到的信息增益為：因此，決策樹歸納算法將會(huì)選擇屬性A。(2)劃分前的Gini值為G=1-0.42-0.62=0.48按照屬性A劃分時(shí)Gini指標(biāo):Gini增益按照屬性B劃分時(shí)Gini指標(biāo):Gini增益因此，決策樹歸納算法將會(huì)選擇屬性B。證明：將結(jié)點(diǎn)劃分為更小的后續(xù)結(jié)點(diǎn)之后，結(jié)點(diǎn)熵不會(huì)增加。證明：根據(jù)定義可知，熵值越大，類分布越均勻；熵值越小，類分布越不平衡。假設(shè)原有的結(jié)點(diǎn)屬于各個(gè)類的概率都相等，熵值為1，則分出來的后續(xù)結(jié)點(diǎn)在各個(gè)類上均勻分布，此時(shí)熵值為1，即熵值不變。假設(shè)原有的結(jié)點(diǎn)屬于個(gè)各類的概率不等，因而分出來的后續(xù)結(jié)點(diǎn)不均勻地分布在各個(gè)類上，則此時(shí)的分類比原有的分類更不均勻，故熵值減少。為什么樸素貝葉斯稱為"樸素〞？簡述樸素貝葉斯分類的主要思想。答：樸素貝葉斯之所以稱之為樸素是因?yàn)?，它假設(shè)屬性之間是相互獨(dú)立的。樸素貝葉斯分類的主要思想為：利用貝葉斯定理，計(jì)算未知樣本屬于*個(gè)類標(biāo)號(hào)值的概率，根據(jù)概率值的大小來決定未知樣本的分類結(jié)果。(通過*對(duì)象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，即該對(duì)象屬于*一類的概率，選擇具有最大后驗(yàn)概率的類作為該對(duì)象所屬的類。)考慮表3-24數(shù)據(jù)集，請(qǐng)完成以下問題：表3-24習(xí)題3.7數(shù)據(jù)集記錄號(hào)ABC類1000+2001-3011-4011-5001+6101+7101-8101-9111+10101+估計(jì)條件概率，，，，，。根據(jù)(1)中的條件概率，使用樸素貝葉斯方法預(yù)測(cè)測(cè)試樣本(A=0，B=1，C=0)的類標(biāo)號(hào)；使用Laplace估計(jì)方法，其中p=1/2，l=4，估計(jì)條件概率，，，，，。同(2)，使用(3)中的條件概率比擬估計(jì)概率的兩種方法，哪一種更好，為什么？答：(1)=3/5=1/5=2/5=2/5=1(2)假設(shè)P(A=0,B=1,C=0)=K則K屬于兩個(gè)類的概率為：P(+|A=0,B=1,C=0)=P(A=0,B=1,C=0)×P(+)/K=P(A=0|+)P(B|+)P(C=0|+)×P(+)/K=0.4×0.2×0.2×0.5/K=0.008/KP(-|A=0,B=1,C=0)=P(A=0,B=1,C=0)×P(-)/K=P(A=0|-)P(B|-)P(C=0|-)×P(-)/K=0.4×0.2×0×0.5/K=0/K則得到，此樣本的類標(biāo)號(hào)是+。(3)P(A|+)=(3+2)/(5+4)=5/9P(A|-)=(2+2)/(5+4)=4/9P(B|+)=(1+2)/(5+4)=1/3P(B|-)=(2+2)/(5+4)=4/9P(C|-)=(0+2)/(5+4)=2/9(4)假設(shè)P(A=0,B=1,C=0)=K則K屬于兩個(gè)類的概率為：P(+|A=0,B=1,C=0)=P(A=0,B=1,C=0)×P(+)/K=P(A=0|+)P(B|+)P(C=0|+)×P(+)/K=(4/9)×(1/3)×(1/3)×0.5/K=0.0247/KP(-|A=0,B=1,C=0)=P(A=0,B=1,C=0)×P(-)/K=P(A=0|-)P(B|-)P(C=0|-)×P(-)/K=(5/9)×(4/9)×(2/9)×0.5/K=0.0274/K則得到，此樣本的類標(biāo)號(hào)是-。(5)當(dāng)條件概率為0的時(shí)候，條件概率的預(yù)測(cè)用Laplace估計(jì)方法比擬好，因?yàn)槲覀儾幌胝麄€(gè)條件概率計(jì)算結(jié)果為0.考慮表3-25中的一維數(shù)據(jù)集。表3-25習(xí)題3.8數(shù)據(jù)集*0.53.04.54.64.95.25.35.57.09.5Y--+++--+--根據(jù)1-最近鄰、3-最近鄰、5-最近鄰、9-最近鄰，對(duì)數(shù)據(jù)點(diǎn)*=5.0分類，使用多數(shù)表決。答：1-最近鄰：+3-最近鄰：-5-最近鄰：+9-最近鄰：-表3-26的數(shù)據(jù)集包含兩個(gè)屬性*與Y，兩個(gè)類標(biāo)號(hào)"+〞和"-〞。每個(gè)屬性取三個(gè)不同值策略：0,1或2。"+〞類的概念是Y=1，"-〞類的概念是*=0and*=2。表3-26習(xí)題3.9數(shù)據(jù)集*Y實(shí)例數(shù)+-00010010002001001110021101000201001200220100建立該數(shù)據(jù)集的決策樹。該決策樹能捕捉到"+〞和"-〞的概念嗎？決策樹的準(zhǔn)確率、精度、召回率和F1各是多少？(注意，精度、召回率和F1量均是對(duì)"+〞類定義)使用下面的代價(jià)函數(shù)建立新的決策樹，新決策樹能捕捉到"+〞的概念么？(提示：只需改變?cè)瓫Q策樹的結(jié)點(diǎn)。)答：(1)在數(shù)據(jù)集中有20個(gè)正樣本和500個(gè)負(fù)樣本，因此在根節(jié)點(diǎn)處錯(cuò)誤率為如果按照屬性*劃分，則：*=0*=1*=2+01010-2000300E*=0=0/310=0E*=1=0/10=0E*=2=10/310如果按照屬性Y劃分，則：Y=0Y=1Y=2+0200-200100200EY=0=0/200=0EY=1=20/120EY=2=0/200=0因此*被選為第一個(gè)分裂屬性，因?yàn)?=0和*=1都是純節(jié)點(diǎn)，所以使用Y屬性去分割不純節(jié)點(diǎn)*=2。Y=0節(jié)點(diǎn)包含100個(gè)負(fù)樣本，Y=1節(jié)點(diǎn)包含10個(gè)正樣本和100個(gè)負(fù)樣本，Y=2節(jié)點(diǎn)包含100個(gè)負(fù)樣本，所以子節(jié)點(diǎn)被標(biāo)記為"—〞。整個(gè)結(jié)果為：類標(biāo)記=(2)預(yù)測(cè)類+-實(shí)際類+1010-0500accuracy:=0.9808，precision:=1.0recall:=0.5，F(xiàn)-measure:=0.6666(3)由題可得代價(jià)矩陣為預(yù)測(cè)類+-實(shí)際類+0500/20=25-10決策樹在(1)之后還有3個(gè)葉節(jié)點(diǎn)，*=2∧Y=0，*=2∧Y=1，*=2∧Y=2。其中*=2∧Y=1是不純節(jié)點(diǎn)，誤分類該節(jié)點(diǎn)為"+〞類的代價(jià)為：100+1001=100，誤分該節(jié)點(diǎn)為"—〞類的代價(jià)為：1025+1000=250。所以這些節(jié)點(diǎn)被標(biāo)記為"+〞類。分類結(jié)果為：什么是提升？陳述它為何能提高決策樹歸納的準(zhǔn)確性？答：提升是指給每個(gè)訓(xùn)練元組賦予權(quán)重，迭代地學(xué)習(xí)k個(gè)分類器序列，學(xué)習(xí)得到分類器Mi之后，更新權(quán)重，使得其后的分類器Mi+1"更關(guān)注〞Mi誤分的訓(xùn)練元組，最終提升的分類器M*組合每個(gè)個(gè)體分類器，其中每個(gè)分類器投票的權(quán)重是其準(zhǔn)確率的函數(shù)。在提升的過程中，訓(xùn)練元組的權(quán)重根據(jù)它們的分類情況調(diào)整，如果元組不正確地分類，則它的權(quán)重增加，如果元組正確分類，則它的權(quán)重減少。元組的權(quán)重反映對(duì)它們分類的困難程度，權(quán)重越高，越可能錯(cuò)誤的分類。根據(jù)每個(gè)分類器的投票，如果一個(gè)分類器的誤差率越低，提升就賦予它越高的表決權(quán)重。在建立分類器的時(shí)候，讓具有更高表決權(quán)重的分類器對(duì)具有更高權(quán)重的元組進(jìn)展分類，這樣，建立了一個(gè)互補(bǔ)的分類器系列。所以能夠提高分類的準(zhǔn)確性。表3-27給出課程數(shù)據(jù)庫中學(xué)生的期中和期末考試成績。表3-27習(xí)題3.11數(shù)據(jù)集期中考試期末考試*Y728450638177747894908675594983796577335288748190繪制數(shù)據(jù)的散點(diǎn)圖。*和Y看上去具有線性聯(lián)系嗎？使用最小二乘法，由學(xué)生課程中成績預(yù)測(cè)學(xué)生的期末成績的方程式。預(yù)測(cè)期中成績?yōu)?6分的學(xué)生的期末成績。答：(1)數(shù)據(jù)圖如下所示：*和Y具有線性聯(lián)系。(2)*Y**Y*^2預(yù)測(cè)Y172846048518473.9031250633150250061.1079381776237656179.1375474785772547675.0663594908460883686.6983686756450739682.0455759492891348166.3423883796557688980.3007965775005422569.83191033521716108951.22071188746512774483.20871281907290656179.1375SUM8668886608865942Y=a+b**a=Y0+b**0 b=(∑*iyi-n*0Y0)/(∑*i2-n*02) *0=(∑*i)/nY0=(∑yi)/n求得a=32.0279，b=0.5816。(3) 由(2)中表可得，預(yù)測(cè)成績?yōu)?6分的學(xué)生的期末成績?yōu)?2.0455。通過對(duì)預(yù)測(cè)變量變換，有些非線性回歸模型可以轉(zhuǎn)換成線性模型。指出如何將非線性回歸方程轉(zhuǎn)換成可以用最小二乘法求解的線性回歸方程。答：令，對(duì)樣本數(shù)據(jù)做變換，利用(wi，Yi)(i=1，2，…，n)解出y=aw中的a，再代入即得到y(tǒng)對(duì)*的回歸方程。第4章聚類分析4.1什么是聚類？簡單描述如下的聚類方法：劃分方法，層次方法，基于密度的方法，基于模型的方法。為每類方法給出例子。答：聚類是將數(shù)據(jù)劃分為相似對(duì)象組的過程，使得同一組中對(duì)象相似度最大而不同組中對(duì)象相似度最小。主要有以下幾種類型方法：(1)劃分方法給定一個(gè)有N個(gè)元組或者記錄的數(shù)據(jù)集，分裂法將構(gòu)造K個(gè)分組，每一個(gè)分組就代表一個(gè)聚類，K<N。而且這K個(gè)分組滿足以下條件：第一，每一個(gè)分組至少包含一條記錄；第二，每一條記錄屬于且僅屬于一個(gè)分組(注意：這個(gè)要求在*些模糊聚類算法中可以放寬)；對(duì)于給定的K，算法首先給出一個(gè)初始的分組方法，以后通過反復(fù)迭代的方法改變分組，使得每一次改良之后的分組方案都較前一次好，而所謂好的標(biāo)準(zhǔn)就是：同一分組中的記錄越近越好，而不同分組中的記錄越遠(yuǎn)越好。使用這個(gè)根本思想的算法有：K-MEANS算法、K-MEDOIDS算法、CLARANS算法。(2)層次方法這種方法對(duì)給定的數(shù)據(jù)集進(jìn)展層次似的分解，直到*種條件滿足為止。具體又可分為"自底向上〞和"自頂向下〞兩種方案。例如在"自底向上〞方案中，初始時(shí)每一個(gè)數(shù)據(jù)記錄都組成一個(gè)單獨(dú)的組，在接下來的迭代中，它把那些相互鄰近的組合并成一個(gè)組，直到所有的記錄組成一個(gè)分組或者*個(gè)條件滿足為止。代表算法有：BIRCH算法、CURE算法、CHAMELEON算法等。(3)基于密度的方法基于密度的方法與其它方法的一個(gè)根本區(qū)別是：它不是基于各種各樣的距離，而是基于密度的。這樣就能克制基于距離的算法只能發(fā)現(xiàn)"類圓形〞的聚類的缺點(diǎn)。這個(gè)方法的指導(dǎo)思想就是：只要一個(gè)區(qū)域中的點(diǎn)的密度大過*個(gè)閾值，就把它加到與之相近的聚類中去。代表算法有：DBSCAN算法、OPTICS算法、DENCLUE算法等。(4)基于模型的方法基于模型的方法給每一個(gè)聚類假定一個(gè)模型，然后去尋找能夠很好的滿足這個(gè)模型的數(shù)據(jù)。這樣一個(gè)模型可能是數(shù)據(jù)點(diǎn)在空間中的密度分布函數(shù)或者其它。它的一個(gè)潛在假定就是：目標(biāo)數(shù)據(jù)集是由一系列的概率分布所決定的?；谀Ｐ偷姆椒ㄖ饕袃深悾航y(tǒng)計(jì)學(xué)方法和神經(jīng)網(wǎng)絡(luò)方法(SOM)。4.2假設(shè)數(shù)據(jù)挖掘的任務(wù)是將如下的8個(gè)點(diǎn)(用(*,y)代表位置)聚類為三個(gè)簇。A1(2,10),A2(2,5),A3(8,4),B1(5,8),B2(7,5),B3(6,4),C1(1,2),C2(4,9)。距離函數(shù)是Euclidean函數(shù)。假設(shè)初始我們選擇A1,B1和C1為每個(gè)簇的中心，用k-means算法來給出(a)在第一次循環(huán)執(zhí)行后的三個(gè)簇中心；(b)最后的三個(gè)簇中心及簇包含的對(duì)象。答：(a)如圖，(b)如圖，4.3聚類被廣泛地認(rèn)為是一種重要的數(shù)據(jù)挖掘方法，有著廣泛的應(yīng)用。對(duì)如下的每種情況給出一個(gè)應(yīng)用例子：(a)采用聚類作為主要的數(shù)據(jù)挖掘方法的應(yīng)用；(b)采用聚類作為預(yù)處理工具，為其它數(shù)據(jù)挖掘任務(wù)作數(shù)據(jù)準(zhǔn)備的應(yīng)用。答：(a)如電子商務(wù)中的客戶群劃分。根據(jù)客戶的個(gè)人信息、消費(fèi)習(xí)慣、瀏覽行為等信息，計(jì)算客戶之間的相似度，然后采用適宜的聚類算法對(duì)所有客戶進(jìn)展類劃分；基于得到的客戶群信息，相關(guān)的店主可以制定相應(yīng)的營銷策略，如穿插銷售，根據(jù)*個(gè)客戶群中的其中一個(gè)客戶的購置商品推薦給另外一個(gè)未曾購置此商品的客戶。(b)如電子商務(wù)中的推薦系統(tǒng)。電子商務(wù)可以根據(jù)得到的客戶群，采用關(guān)聯(lián)規(guī)則或者隱馬爾科夫模型對(duì)每個(gè)客戶群生成消費(fèi)習(xí)慣規(guī)則，檢測(cè)客戶的消費(fèi)模式，這些規(guī)則或模式可以用于商品推薦。其中客戶群可以通過聚類算法來預(yù)先處理獲取得到。4.4假設(shè)你將在一個(gè)給定的區(qū)域分配一些自動(dòng)取款機(jī)以滿足需求。住宅區(qū)或工作區(qū)可以被聚類以便每個(gè)簇被分配一個(gè)ATM。但是，這個(gè)聚類可能被一些因素所約束，包括可能影響ATM可達(dá)性的橋梁，河流和公路的位置。其它的約束可能包括對(duì)形成一個(gè)區(qū)域的每個(gè)地域的ATM數(shù)目的限制。給定這些約束，怎樣修改聚類算法來實(shí)現(xiàn)基于約束的聚類？答：約束的存在會(huì)使得原來被定義在同一個(gè)簇的對(duì)象之間的距離發(fā)生變化。這時(shí)可以考慮將這些約束因素融入到距離的計(jì)算公式中，如在存在橋梁、河流和公路的區(qū)域中，可通過對(duì)象之間的連通性以及路徑來計(jì)算距離；而地域ATM數(shù)目的限制問題則可在聚類的初始化階段解決，如在K-MEANS的初始化時(shí)，可根據(jù)區(qū)域的個(gè)數(shù)來確定簇個(gè)數(shù)K的值，然后所選擇的初始化種子盡可能分布在距離各個(gè)ATM附近的地方。4.5給出一個(gè)數(shù)據(jù)集的例子，它包含三個(gè)自然簇。對(duì)于該數(shù)據(jù)集，k-means(幾乎總是)能夠發(fā)現(xiàn)正確的簇，但二分k-means不能。答：有三個(gè)完全一樣的球型簇，三個(gè)簇的點(diǎn)的個(gè)數(shù)和分布密度以及位置均完全一樣。其中兩個(gè)簇關(guān)于第三個(gè)簇完全對(duì)稱，則在k-means方法中可以很輕易找出這三個(gè)簇，但用二分k-means則會(huì)把處于對(duì)稱中心的那個(gè)簇分成兩半。4.6總SSE是每個(gè)屬性的SSE之和。如果對(duì)于所有的簇，*變量的SSE都很低，這意味什么？如果只對(duì)一個(gè)簇很低呢？如果對(duì)所有的簇都很高？如果僅對(duì)一個(gè)簇高呢？如何使用每個(gè)變量的SSE信息改良聚類？答：如果對(duì)于所有的簇，*屬性的SSE都很低，則該屬性值變化不大，本質(zhì)上等于常量，對(duì)數(shù)據(jù)的分組沒什么用處。如果*屬性的SSE只對(duì)一個(gè)簇很低，則該屬性有助于該簇的定義。如果對(duì)于所有的簇，*屬性的SSE都很高，則意味著該屬性是噪聲屬性。如果*屬性的SSE僅對(duì)一個(gè)簇很高，則該屬性與定義該簇的屬性提供的信息不一致。在少數(shù)情況下，由該屬性定義的簇不同于由其他屬性定義的簇，但是在*些情況下，這也意味著該屬性不利于簇的定義。消除簇之間具有小分辨力的屬性，比方對(duì)于所有簇都是低或高SSE的屬性，因?yàn)樗麄儗?duì)聚類沒有幫助。對(duì)于所有簇的SSE都高且相對(duì)其他屬性來說SSE也很高的屬性特別麻煩，因?yàn)檫@些屬性在SSE的總和計(jì)算中引入了很多的噪聲。4.7使用基于中心、鄰近性和密度的方法，識(shí)別圖4-19中的簇。對(duì)于每種情況指出簇個(gè)數(shù)，并簡要給出你的理由。注意，明暗度或點(diǎn)數(shù)指明密度。如果有幫助的話，假定基于中心即K均值，基于鄰近性即單鏈，而基于密度為DBSCAN。圖4-19題4.7圖答：基于中心的方法有2個(gè)簇。矩形區(qū)域被分成兩半，同時(shí)2個(gè)簇里都包含了噪聲數(shù)據(jù)；基于鄰近性的方法有1個(gè)簇。因?yàn)閮蓚€(gè)圓圈區(qū)域受噪聲數(shù)據(jù)影響而形成一個(gè)簇；基于密度的方法有2個(gè)簇，每個(gè)圓圈區(qū)域代表一個(gè)簇，而噪聲數(shù)據(jù)會(huì)被忽略?；谥行牡姆椒ㄓ?個(gè)簇，該簇包含圖中的一個(gè)圓環(huán)和一個(gè)圓盤；基于鄰近性的方法有2個(gè)簇，外部圓環(huán)代表一個(gè)簇，內(nèi)層圓盤代表一個(gè)簇；基于密度的方法有2個(gè)簇，外部圓環(huán)代表一個(gè)簇，內(nèi)層圓盤代表一個(gè)簇?；谥行牡姆椒ㄓ?個(gè)簇，每個(gè)三角形代表一個(gè)簇；基于鄰近性的方法有1個(gè)簇，三個(gè)三角形區(qū)域會(huì)聯(lián)合起來因?yàn)楸舜讼嗷ソ佑|；基于密度的方法有3個(gè)簇，每個(gè)三角形區(qū)域代表一個(gè)簇。即使三個(gè)三角形相互接觸，但是所接觸的區(qū)域的密度比三角形內(nèi)的密度小。基于中心的方法有2個(gè)簇。兩組線被分到兩個(gè)簇里；基于鄰近性的方法有5個(gè)簇。相互纏繞的線被分到一個(gè)簇中；基于密度的方法有2個(gè)簇。這兩組線定義了被低密度區(qū)域所分割的兩個(gè)高密度的區(qū)域。4.8傳統(tǒng)的凝聚層次聚類過程每步合并兩個(gè)簇。這樣的方法能夠正確地捕獲數(shù)據(jù)點(diǎn)集的(嵌套的)簇構(gòu)造嗎？如果不能，解釋如何對(duì)結(jié)果進(jìn)展后處理，以得到簇構(gòu)造更正確的視圖。答:傳統(tǒng)的凝聚層次聚類過程關(guān)鍵是每步合并兩個(gè)最相似的簇，直至只剩下一個(gè)簇才停頓聚類。該聚類方法并不能產(chǎn)生嵌套的簇構(gòu)造。但我們可以采用樹構(gòu)造的方法來捕捉形成的層次構(gòu)造，每次合并都記錄父子簇之間的關(guān)系，最后形成一個(gè)清晰的樹狀層次簇構(gòu)造。4.9我們可以將一個(gè)數(shù)據(jù)集表示成對(duì)象節(jié)點(diǎn)的集合和屬性節(jié)點(diǎn)的集合，其中每個(gè)對(duì)象與每個(gè)屬性之間有一條邊，該邊的權(quán)值是對(duì)象在該屬性上的值。對(duì)于稀疏數(shù)據(jù)，如果權(quán)值為0，則忽略該邊。雙劃分聚類(Bipartite)試圖將該圖劃分成不相交的簇，其中每個(gè)簇由一個(gè)對(duì)象節(jié)點(diǎn)集和一個(gè)屬性節(jié)點(diǎn)集組成。目標(biāo)是最大化簇中對(duì)象節(jié)點(diǎn)和屬性節(jié)點(diǎn)之間的邊的權(quán)值，并且最小化不同簇的對(duì)象節(jié)點(diǎn)和屬性節(jié)點(diǎn)之間的邊的權(quán)值。這種聚類稱作協(xié)同聚類(co-clustering)，因?yàn)閷?duì)象和屬性之間同時(shí)聚類。(a)雙劃分聚類(協(xié)同聚類)與對(duì)象和屬性集分別聚類有何不同？(b)是否存在*些情況，這些方法產(chǎn)生一樣的結(jié)果？(c)與一般聚類相比，協(xié)同聚類的優(yōu)點(diǎn)和缺點(diǎn)是什么？答:對(duì)于普通聚類，只有一組約束條件被運(yùn)用，要么與對(duì)象相關(guān)，要么與屬性相關(guān)。對(duì)于協(xié)同聚類，兩組約束條件同時(shí)被運(yùn)用。因此，單獨(dú)地劃分對(duì)象和屬性無法產(chǎn)生一樣的結(jié)果。是的。例如，如果一組屬性只與一個(gè)特定的簇對(duì)象相關(guān)，如在所有其他簇中的對(duì)象權(quán)值為0；相反地，這組對(duì)象在一個(gè)簇中對(duì)所有其他屬性的權(quán)值為0，則由協(xié)同聚類發(fā)現(xiàn)的簇會(huì)與分別通過對(duì)象和屬性聚類的結(jié)果一樣。以文本聚類作為例子，有一組文本組成的簇僅包含了*局部的詞或短語，相反地，*些詞或短語也僅出現(xiàn)在局部文本里。(c)協(xié)同聚類的優(yōu)點(diǎn)是能自動(dòng)產(chǎn)生由屬性描述的簇，這種描述信息帶有更強(qiáng)的表達(dá)能力，在現(xiàn)實(shí)應(yīng)用中，較由對(duì)象描述的簇更有用(如在客戶細(xì)分中，有屬性描述的簇能為營銷戰(zhàn)略決策提供更為直接的輔助作用)。但具有強(qiáng)區(qū)分能力的屬性有時(shí)候出現(xiàn)嚴(yán)重的重疊現(xiàn)象，這種情況下協(xié)同聚類產(chǎn)生的結(jié)果并不理想，如出現(xiàn)重疊率很高的聚類結(jié)果。4.10下表中列出了4個(gè)點(diǎn)的兩個(gè)最近鄰。使用SNN相似度定義，計(jì)算每對(duì)點(diǎn)之間的SNN相似度。點(diǎn)第一個(gè)近鄰第二個(gè)近鄰143234342431答：SNN即共享最近鄰個(gè)數(shù)為其相似度。點(diǎn)1和點(diǎn)2的SNN相似度：0〔沒有共享最近鄰〕點(diǎn)1和點(diǎn)3的SNN相似度：1〔共享點(diǎn)4這個(gè)最近鄰〕點(diǎn)1和點(diǎn)4的SNN相似度：1〔共享點(diǎn)3這個(gè)最近鄰〕點(diǎn)2和點(diǎn)3的SNN相似度：1〔共享點(diǎn)4這個(gè)最近鄰〕點(diǎn)2和點(diǎn)4的SNN相似度：1〔共享點(diǎn)3這個(gè)最近鄰〕點(diǎn)3和點(diǎn)4的SNN相似度：0〔沒有共享最近鄰〕4.11對(duì)于SNN相似度定義，SNN距離的計(jì)算沒有考慮兩個(gè)最近鄰表中共享近鄰的位置。換言之，可能希望基于以一樣或粗略一樣的次序共享最近鄰的兩個(gè)點(diǎn)以更高的相似度。(a)描述如何修改SNN相似度定義，基于以粗略一樣的次序共享近鄰的兩個(gè)點(diǎn)以更高的相似度；(b)討論這種修改的優(yōu)點(diǎn)和缺點(diǎn)。答：(a)i)把兩個(gè)最近鄰表中共享近鄰按照距離從小達(dá)大排列，然后以一個(gè)最近鄰表為基準(zhǔn)，調(diào)整另一個(gè)最近鄰表中近鄰的位置，總共調(diào)整步數(shù)為r，其中共享的最近鄰個(gè)數(shù)為n，則相似度可以簡單定義為或，其中為平滑參數(shù)，可以簡單設(shè)置為。ii) 找出兩個(gè)最近鄰表中的最長子序列，最長子序列長度為L,共享的最近鄰個(gè)數(shù)為N，則相似度為。(b)以上相似度計(jì)算方法更好地表達(dá)了共享近鄰在最近鄰表中位置的因素對(duì)相似度評(píng)價(jià)的影響，增大了略同次序共享近鄰的相似度；缺點(diǎn)是計(jì)算復(fù)雜度增大。4.12一種稀疏化鄰近度矩陣的方法如下：對(duì)于每個(gè)對(duì)象，除對(duì)應(yīng)于對(duì)象的k-最近鄰的項(xiàng)之外，所有的項(xiàng)都設(shè)置為0。然而，稀疏化之后的鄰近度矩陣一般是不對(duì)稱的。(a)如果對(duì)象a在對(duì)象b的k-最近鄰中，為什么不能保證b在對(duì)象a的k-最近鄰中？(b)至少建議兩種方法，可以用來使稀疏化的矩陣是對(duì)稱的。答：(a)可能出現(xiàn)對(duì)象a的密度較大而對(duì)象b的密度小的情況。另一種典型情況是：在一個(gè)只包含k+1個(gè)正常對(duì)象和一個(gè)異常對(duì)象的數(shù)據(jù)區(qū)域中，異常對(duì)象b的k個(gè)最近鄰為k+1個(gè)正常對(duì)象中距離其最近的k個(gè)對(duì)象，但正常對(duì)象a的k個(gè)最近鄰不可能包含異常對(duì)象〔這是因?yàn)楫惓?duì)象b本來就是距離正常對(duì)象最遠(yuǎn)的點(diǎn)，因此，它與正常對(duì)象a的距離會(huì)大于任何其它正常對(duì)象與a之間的距離〕(b)i)在兩個(gè)對(duì)象a和b中，只要其中一個(gè)對(duì)象在另一個(gè)對(duì)象的最近另列表中，我們就設(shè)置Mba=Mab=1〔Mab是指鄰近度矩陣中a行和b列穿插項(xiàng)的值〕；ii)當(dāng)*個(gè)對(duì)象a不在另一對(duì)象b的k最近鄰中時(shí)，不管另一對(duì)象b是否在該對(duì)象a的最近鄰中，我們?cè)O(shè)置Mba=Mab=0。4.13給出一個(gè)簇集合的例子，其中基于簇的接近性的合并得到的簇集合比基于簇的連接強(qiáng)度(互連性)的合并得到的簇集合更自然。答：簇集合例子如以下圖所示：圖(a)圖(b)圖(a)兩個(gè)簇合并后的接近性顯然較圖(b)要差，因此，如果是基于簇的接近性來合并圖中的簇，則會(huì)合并圖(b)的兩個(gè)簇，合并得到的簇構(gòu)造幾乎與原來的每個(gè)簇一樣。第5章關(guān)聯(lián)分析5.1列舉關(guān)聯(lián)規(guī)則在不同領(lǐng)域中應(yīng)用的實(shí)例。答：在醫(yī)學(xué)領(lǐng)域：發(fā)現(xiàn)*些病癥與*種疾病之間的關(guān)聯(lián)，為醫(yī)生進(jìn)展疾病診斷和治療提供線索；在商業(yè)領(lǐng)域：發(fā)現(xiàn)商品間的聯(lián)系，為商場(chǎng)進(jìn)展商品促銷及擺放貨架提供輔助決策信息；在地球科學(xué)領(lǐng)域：提醒海洋、陸地和大氣過程之間的關(guān)系。5.2給出如下幾種類型的關(guān)聯(lián)規(guī)則的例子，并說明它們是否是有價(jià)值的。(a)高支持度和高置信度的規(guī)則；(b)高支持度和低置信度的規(guī)則；(c)低支持度和低置信度的規(guī)則；(d)低支持度和高置信度的規(guī)則。答：(a)如牛奶->面包，由于這個(gè)規(guī)則很明顯，所以不具有價(jià)值。(b)如牛奶->大米，由于牛奶、大米銷售量都比擬高，所以有高支持度。但是很多事務(wù)不同時(shí)包括牛奶和大米，所以置信度很低，不具有價(jià)值。(c)如可樂->洗衣粉，由于置信度低，所以不具有價(jià)值。(d)如尿布->啤酒，雖然支持度低，不過置信度高，具有價(jià)值。5.3數(shù)據(jù)集如表5-14所示：表5-14習(xí)題5.3數(shù)據(jù)集CustomerIDTransactionIDItemsBought11223344550001002400120031001500220029004000330038{a,d,e}{a,b,c,e}{a,b,d,e}{a,c,d,e}{b,c,e}{b,d,e}{c,d}{a,b,c}{a,d,e}{a,b,e}(a)把每一個(gè)事務(wù)作為一個(gè)購物籃，計(jì)算項(xiàng)集{e},{b,d}和{b,d,e}的支持度。(b)利用(a)中結(jié)果計(jì)算關(guān)聯(lián)規(guī)則{b,d}→{e}和{e}→{b,d}的置信度。置信度是一個(gè)對(duì)稱的度量嗎？(c)把每一個(gè)用戶購置的所有商品作為一個(gè)購物籃，計(jì)算項(xiàng)集{e},{b,d}和{b,d,e}的支持度。(d)利用(b)中結(jié)果計(jì)算關(guān)聯(lián)規(guī)則{b,d}→{e}和{e}→{b,d}的置信度。置信度是一個(gè)對(duì)稱的度量嗎？答：(a)s({e})=8/10=0.8;s({b,d})=2/10=0.2;s({b,d,e})=2/10=0.2.(b)c({b,d}->{e})=s({b,d,e})/s({b,d})=0.2/0.2=1;c({e}->{b,d})=s({b,d,e})/s({e})=0.2/0.8=0.25.由于c({b,d}->{e})≠c({e}->{b,d})，所以置信度不是一個(gè)對(duì)稱的度量。(c)如果把每一個(gè)用戶購置所有的所有商品作為一個(gè)購物籃，則s({e})=4/5=0.8;s({b,d})=5/5=1;s({b,d,e})=4/5=0.8.(d)利用c中結(jié)果計(jì)算關(guān)聯(lián)規(guī)則{b,d}→{e}和{e}→{b,d}的置信度,則c({b,d}->{e})=0.8/1=0.8c({e}->{b,d})=0.8/0.8=1置信度不是一個(gè)對(duì)稱的度量5.4關(guān)聯(lián)規(guī)則是否滿足傳遞性和對(duì)稱性的性質(zhì)？舉例說明。答：關(guān)聯(lián)規(guī)則不滿足傳遞性和對(duì)稱性！例如：s(A,B)=50%s(A)=70%s(A,C)=20%s(B)=90%s(B,C)=70%s(C)=60%設(shè)最小置信度minconf=60%，則:c(A→B)=s(A,B)/s(A)=71%>minconfc(B→C)=s(B,C)/s(B)=66%>minconf但是c(A→C)=s(A,C)/S(A)=28%<minconf，不滿足傳遞性c(B→A)=s(A,B)/s(B)=55%<minconf，不滿足對(duì)稱性5.5Apriori算法使用先驗(yàn)性質(zhì)剪枝，試討論如下類似的性質(zhì)(a)證明頻繁項(xiàng)集的所有非空子集也是頻繁的(b)證明項(xiàng)集s的任何非空子集s’的支持度不小于s的支持度(c)給定頻繁項(xiàng)集l和它的子集s，證明規(guī)則"s’→(l–s’)〞的置信度不高于s→(l–s)的置信度，其中s’是s的子集(d)Apriori算法的一個(gè)變形是采用劃分方法將數(shù)據(jù)集D中的事務(wù)分為n個(gè)不相交的子數(shù)據(jù)集。證明D中的任何一個(gè)頻繁項(xiàng)集至少在D的*一個(gè)子數(shù)據(jù)集中是頻繁的。證明：(a)設(shè)s為頻繁項(xiàng)集，s’為s的子集，min_supp_count為最小支持度計(jì)數(shù)。由于包含s的事務(wù)也一定包含s’，所以support_count(s’)≥support_count(s)≥min_support_count，s’也是頻繁的。(b)設(shè)數(shù)據(jù)集為D，|D|為數(shù)據(jù)集中的事務(wù)數(shù)。由于support_count(s’)≥support_count(s)，所以support_count(s’)/|D|≥support_count(s)/|D|，即support(s’)≥support(s)。(c)規(guī)則"s→(l–s’)〞的置信度confidence(s→(l–s))=support(l)/support(s)，規(guī)則"s’→(l–s’)〞的置信度confidence(s’→(l–s’))=support(l)/support(s’)。由于support(s’)≥support(s)，故"s’→(l–s’)〞的置信度不高于s→(l–s)的置信度。(d)反證法證明。設(shè)min_support為最小支持度。D劃分為d1d2…dn個(gè)子數(shù)據(jù)集，包含的事務(wù)數(shù)分別為a1a2…an。如果D中的*一個(gè)頻繁項(xiàng)集s在D的所有子數(shù)據(jù)集中是非頻繁的，在每個(gè)子數(shù)據(jù)集中包含s的事務(wù)數(shù)為c1c2c1≤a1*min_support，c2≤a2*min_support，…，/≤an*min_support。(c1+c2+…+)≤(a1+a2+…an)*min_support。由于(c1+c2+…+)為數(shù)據(jù)集D中包含s的事務(wù)數(shù)，a1+a2+…an為數(shù)據(jù)集D的事務(wù)數(shù)，所以s是非頻繁的，與s在D中是頻繁的矛盾。命題得證。5.6考慮如下的頻繁3-項(xiàng)集：{1,2,3}，{1,2,4}，{1,2,5}，{1,3,4}，{1,3,5}，{2,3,4}，{2,3,5}，{3,4,5}。(a)根據(jù)Apriori算法的候選項(xiàng)集生成方法，寫出利用頻繁3-項(xiàng)集生成的所有候選4-項(xiàng)集。(b)寫出經(jīng)過剪枝后的所有候選4-項(xiàng)集答：(a)利用頻繁3-項(xiàng)集生成的所有候選4-項(xiàng)集：{1,2,3,4}{1,2,3,5}{1,2,4,5}{1,3,4,5}{2,3,4,5}(b)經(jīng)過剪枝后的所有候選4-項(xiàng)集：{1,2,3,4}{1,2,3,5}5.7一個(gè)數(shù)據(jù)庫有5個(gè)事務(wù)，如表5-15所示。設(shè)min_sup=60%，min_conf=80%。表5-15習(xí)題5.7數(shù)據(jù)集事務(wù)ID購置的商品T100T200T300T400T500{M,O,N,K,E,Y}{D,O,N,K,E,Y}{M,A,K,E}{M,U,C,K,Y}{C,O,O,K,I,E}(a)分別用Apriori算法和FP-growth算法找出所有頻繁項(xiàng)集。比擬兩種挖掘方法的效率。(b)比擬窮舉法和Apriori算法生成的候選項(xiàng)集的數(shù)量。(c)利用(1)所找出的頻繁項(xiàng)集，生成所有的強(qiáng)關(guān)聯(lián)規(guī)則和對(duì)應(yīng)的支持度和置信度。答：(1)頻繁1-項(xiàng)集：M,O,K,E,Y頻繁2-項(xiàng)集：{M,O}，{O,K}，{O,E}，{K,Y}，{K,E}頻繁3-項(xiàng)集：{O,K,E}(2)窮舉法：M=2k-1=211-1=2047Apriori算法：23(3){O,K}—>{E}，支持度0.6，置信度1{O,E}—>{k}，支持度0.6，置信度15.8購物籃分析只針對(duì)所有屬性為二元布爾類型的數(shù)據(jù)集。如果數(shù)據(jù)集中的*個(gè)屬性為連續(xù)型變量時(shí)，說明如何利用離散化的方法將連續(xù)屬性轉(zhuǎn)換為二元布爾屬性。比擬不同的離散方法對(duì)購物籃分析的影響。答：首先利用等頻、等寬等方法將連續(xù)屬性離散化，然后將離散化后的每個(gè)區(qū)間映射為一個(gè)二元屬性。離散化時(shí)，如果區(qū)間太寬，可能因?yàn)槿狈χ眯哦榷?些模式；如果區(qū)間太窄，則可能因?yàn)槿狈χС侄榷?些模式。5.9分別說明利用支持度、置信度和提升度評(píng)價(jià)關(guān)聯(lián)規(guī)則的優(yōu)缺點(diǎn)。答：支持度優(yōu)點(diǎn)：支持度高說明這條規(guī)則可能適用于數(shù)據(jù)集中的大局部事務(wù)。缺點(diǎn)：假設(shè)支持度閾值過高，則許多潛在的有意義的模式由于包含支持度小的項(xiàng)而被刪去；假設(shè)支持度閾值過低，則計(jì)算代價(jià)很高而且產(chǎn)生大量的關(guān)聯(lián)模式。置信度優(yōu)點(diǎn)：置信度高說明如果滿足了關(guān)聯(lián)規(guī)則的前件，同時(shí)滿足后件的可能性也非常大。缺點(diǎn)：找到負(fù)相關(guān)的關(guān)聯(lián)規(guī)則。提升度：優(yōu)點(diǎn)：提升度可以評(píng)估項(xiàng)集A的出現(xiàn)是否能夠促進(jìn)項(xiàng)集B的出現(xiàn)缺點(diǎn)：會(huì)產(chǎn)生出現(xiàn)偽相互獨(dú)立的規(guī)則。5.10表5-16所示的相依表匯總了超級(jí)市場(chǎng)的事務(wù)數(shù)據(jù)。其中hotdogs指包含熱狗的事務(wù)，eq\*\to(hotdogs)指不包含熱狗的事務(wù)。hamburgers指包含漢堡的事務(wù)，eq\*\to(hamburgers)指不包含漢堡的事務(wù)。表5-16習(xí)題5.10相依表hotdogseq\*\to(hotdogs)rowHamburgers2,0005002,500eq\*\to(hamburgers)1,0001,5002,500col3,0002,0005,000假設(shè)挖掘出的關(guān)聯(lián)規(guī)則是"hotdogshamburgers〞。給定最小支持度閾值25%和最小置信度閾值50%，這個(gè)關(guān)聯(lián)規(guī)則是強(qiáng)規(guī)則嗎？計(jì)算關(guān)聯(lián)規(guī)則"hotdogshamburgers〞的提升度，能夠說明什么問題？購置熱狗和購置漢堡是獨(dú)立的嗎？如果不是，兩者間存在哪種相關(guān)關(guān)系？答：s({hotdogs})=3000/5000=60%;s({hotdogs,hamburgers})=2000/5000=40%C({hotdogs}→{hamburgers})=40%/60%=66.7%故這個(gè)關(guān)聯(lián)規(guī)則是強(qiáng)規(guī)則。S({hamburgers})=2500/5000=50%提升度lift({hotdogs}→{hamb