數(shù)據(jù)挖掘 考試提綱

第一章

1、數(shù)據(jù)挖掘的概念。P3

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取或者“挖掘”知識(shí)。

數(shù)據(jù)挖掘是個(gè)過(guò)程，目的是知識(shí)發(fā)現(xiàn)。

數(shù)據(jù)挖掘的過(guò)程：

1數(shù)據(jù)預(yù)處理：。1數(shù)據(jù)清理（消除重復(fù)的、不徹底的、違反語(yǔ)義約束的數(shù)據(jù)），0

數(shù)據(jù)集成（多種數(shù)據(jù)源可以組合在一起），。3數(shù)據(jù)選擇（從數(shù)據(jù)庫(kù)中檢索與

分析任務(wù)相關(guān)的數(shù)據(jù)），?數(shù)據(jù)變換（數(shù)據(jù)變換或者統(tǒng)一成適合挖掘的形式，如

通過(guò)匯總或者會(huì)萃操作）。

2數(shù)據(jù)挖掘（使用智能方法提取數(shù)據(jù)模式）

3模式評(píng)估（根據(jù)某種興趣度度量，識(shí)別表示知識(shí)的真正有趣的模式）

4知識(shí)表示（使用可視化和知識(shí)表示技術(shù)，向用戶(hù)提供挖掘的知識(shí)）

2、數(shù)據(jù)挖掘有哪些模式。P3

數(shù)據(jù)挖掘的模式：1分類(lèi)模式，2回歸模式，3時(shí)間序列模式，4聚類(lèi)模式，5關(guān)聯(lián)規(guī)

則模式，6序列模式。

3、什么是故意義的模式。

1）它易于理解。2）在某種必然程度上，對(duì)于新的或者檢驗(yàn)數(shù)據(jù)是有效的。3）

是潛在實(shí)用的。4）是新穎的。如果一個(gè)模式符合用戶(hù)確信的某種假設(shè)，它也是

有趣的。有趣的模式就是知識(shí)。

4、數(shù)據(jù)挖掘中能否挖掘出所有模式。

數(shù)據(jù)挖掘可能產(chǎn)生數(shù)以千計(jì)的模式或者規(guī)則，但并非所有的模式或者規(guī)則都

是令人感興趣的。

第二個(gè)問(wèn)題——數(shù)“據(jù)挖掘系統(tǒng)能夠產(chǎn)生所有有趣的模式嗎?”一涉及數(shù)據(jù)挖掘算

法的徹底性。第三個(gè)問(wèn)題——數(shù)”據(jù)挖掘系統(tǒng)能夠僅產(chǎn)生有趣的模式嗎''一是數(shù)據(jù)

挖掘的優(yōu)化問(wèn)題。

5、數(shù)據(jù)挖掘的步驟（4）,以及每一步驟的作用。P4

數(shù)據(jù)倉(cāng)庫(kù)

數(shù)據(jù)摩：展開(kāi)文件

圖1-4數(shù)據(jù)挖掘視為知識(shí)發(fā)現(xiàn)過(guò)程的一個(gè)步驟

6、數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)有什么關(guān)系。

有趣的數(shù)據(jù)挖掘模式代表知識(shí)。如果一個(gè)模式符合用戶(hù)確信的某種假設(shè),

它也是有趣的。有趣的模式就是知識(shí)。

7、數(shù)據(jù)挖掘的對(duì)象（11）。P6-13

1）數(shù)據(jù)存儲(chǔ)庫(kù)包括：關(guān)系數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、事務(wù)數(shù)據(jù)庫(kù)、高級(jí)數(shù)據(jù)庫(kù)系統(tǒng)、

普通文件、數(shù)據(jù)流和萬(wàn)維網(wǎng)。

2）高級(jí)數(shù)據(jù)庫(kù)系統(tǒng)包括對(duì)象一關(guān)系數(shù)據(jù)庫(kù)和面向特殊應(yīng)用的數(shù)據(jù)庫(kù)，如空間

數(shù)據(jù)庫(kù)、時(shí)間序列數(shù)據(jù)庫(kù)、文本數(shù)據(jù)庫(kù)和多媒體數(shù)據(jù)庫(kù)。

2

8、數(shù)據(jù)挖掘的功能（6）。P14-18

功能：1概念/類(lèi)描述：特征化和區(qū)分；2挖掘頻繁模式，關(guān)聯(lián)和相關(guān)；3分類(lèi)和

預(yù)測(cè)；4聚類(lèi)分析；

9、數(shù)據(jù)挖掘5個(gè)相關(guān)學(xué)科、技術(shù)。P19圖

數(shù)據(jù)挖掘是交叉學(xué)科，受多個(gè)學(xué)科影響。包括數(shù)據(jù)庫(kù)系統(tǒng)，統(tǒng)計(jì)學(xué)，機(jī)器學(xué)習(xí)，

可視化和信息科學(xué)還有其他科學(xué)。

第二章

1、數(shù)據(jù)挖掘的第一階段是數(shù)據(jù)預(yù)處理。

數(shù)據(jù)清理是用于去掉數(shù)據(jù)中的噪聲數(shù)據(jù)，糾正不一致。

2、數(shù)據(jù)預(yù)處理的分類(lèi)、每一個(gè)分類(lèi)的作用、有什么技術(shù)。P31

1數(shù)據(jù)清理（可以去掉數(shù)據(jù)中的噪聲，糾正不一致）：試圖填充缺失的值，光

滑噪聲并識(shí)別離群點(diǎn)，并糾正數(shù)據(jù)的不一致。主要技術(shù)：1缺失值；1忽略元

組2人工填寫(xiě)缺失值3使用全局常量填充缺失值4使用屬性的均值填充缺失值

5使用與給定元組屬同一類(lèi)的所有樣本的屬性均值6使用最可能得值填充缺失

值（使用推理進(jìn)行預(yù)測(cè)）；2光滑技術(shù)：1分箱，2回歸，3聚類(lèi)

2數(shù)據(jù)集成（將多個(gè)數(shù)據(jù)源合并成一致的數(shù)據(jù)存儲(chǔ)，構(gòu)成一個(gè)完整的數(shù)據(jù)集，

如數(shù)據(jù)倉(cāng)庫(kù)或者數(shù)據(jù)立方體）；

3數(shù)據(jù)變換（將一種格式的數(shù)據(jù)轉(zhuǎn)換為另一格式的數(shù)據(jù)（如規(guī)范化）或者統(tǒng)一成

合適于挖掘的形式。；

主要技術(shù)：

。1光滑（去掉數(shù)據(jù)中的噪聲，如分箱技術(shù)，回歸，聚類(lèi)）；

。會(huì)萃（對(duì)數(shù)據(jù)進(jìn)行匯總或者會(huì)萃）；數(shù)據(jù)泛化（分層，用高層概念代替低層）;

。3規(guī)范化（1最大最小規(guī)范化

vmin...

v.Rew,哽）newA_min；

AA

3

[new_min,new_max]是映射后的區(qū)域,[min,max]是變換前數(shù)據(jù)的最大

AAAA

最小值。V是轉(zhuǎn)換后的數(shù)據(jù)。2z-scor規(guī)e范化VAX一分別是原始

AA

A

數(shù)據(jù)的平均值，和標(biāo)準(zhǔn)差）；3小數(shù)定標(biāo)規(guī)范化、v/

10i

?屬性構(gòu)造；

4數(shù)據(jù)歸約（可以通過(guò)會(huì)萃、刪除冗余特性或者聚類(lèi)等方法來(lái)壓縮數(shù)據(jù)）：

數(shù)據(jù)歸約是保持原來(lái)數(shù)據(jù)的完整性，將數(shù)據(jù)集變小，并不影響對(duì)結(jié)果的分析。

歸約的策略：1數(shù)據(jù)立方體會(huì)萃2屬性子集的選擇3維度歸約4數(shù)值歸約5離散

化和概念分層產(chǎn)生。

3、數(shù)據(jù)清理所需要的方法（6）。P39

數(shù)據(jù)清理可以分為有監(jiān)督和無(wú)監(jiān)督兩類(lèi)。

主要技術(shù)：1缺失值；1忽略元組2人工填寫(xiě)缺失值3使用全局常量填充缺失值

4使用屬性的均值填充缺失值5使用與給定元組屬同一類(lèi)的所有樣本的屬性均

值6使用最可能得值填充缺失值（使用推理進(jìn)行預(yù)測(cè)）；2光滑技術(shù)：1分箱，

2回歸，3聚類(lèi)

4、什么是噪聲數(shù)據(jù)。如何處理（3）。P40噪

聲是被測(cè)量的變量的隨機(jī)誤差或者方差。

處理：（19箱。（2）聚類(lèi)。（3）計(jì)算機(jī)和人工檢查結(jié)合.（4）回歸

5、數(shù)據(jù)集成的概念。用來(lái)干什么。方法有哪些。P43

數(shù)據(jù)集成是將多個(gè)數(shù)據(jù)源合并成一致的數(shù)據(jù)存儲(chǔ)，構(gòu)成一個(gè)完整的數(shù)據(jù)集，

如數(shù)據(jù)倉(cāng)庫(kù)或者數(shù)據(jù)立方體

它需要統(tǒng)一原始數(shù)據(jù)中的所有矛盾之處，如字段的：同名異義、異名同義、

單位不統(tǒng)一

字長(zhǎng)不一致，從而把原始數(shù)據(jù)在最低層上加以轉(zhuǎn)換，提煉和集成。

4

1模式集成，2冗余問(wèn)題，3數(shù)據(jù)值沖突的檢測(cè)與處理

6、有哪些冗余(2),解決方法。P43-44

屬性冗余：常用的解決方法是相關(guān)分析檢測(cè)；卡方檢驗(yàn)(分類(lèi)或者離散數(shù)據(jù))；

元組冗余

7、數(shù)據(jù)變換內(nèi)容和含義(5)。P45

數(shù)據(jù)變換將數(shù)據(jù)轉(zhuǎn)換成適合于挖掘的形式。主要是找到數(shù)據(jù)的特征表示，

對(duì)數(shù)據(jù)進(jìn)行規(guī)格化處理。用維變換或者轉(zhuǎn)換方式減少有效變量的數(shù)目或者找

到數(shù)據(jù)的不變式

8、規(guī)范化有哪些方法。至少掌握2種計(jì)算方法。P45-46

。1最大最小規(guī)范化

vmin

-N(new-maxpew_理in)ne叱min；

maxmirr

AA

[new_min,new_max]是映射后的區(qū)域,[min,max]是變換前數(shù)據(jù)的最大

AAAA

最小值。V是轉(zhuǎn)換后的數(shù)據(jù)。

0z-score規(guī)范化V'一，分別是原始數(shù)據(jù)的平均值，和標(biāo)準(zhǔn)差);

AA

A

。3小數(shù)定標(biāo)規(guī)范化、vV

1Q

9、數(shù)據(jù)規(guī)約策略(47)。P47

歸約的策略：1數(shù)據(jù)立方體會(huì)萃2屬性子集的選擇3維度歸約4數(shù)值歸約5離散

化和概念分層產(chǎn)生。

10、屬性子集選擇的基本啟示式方法包括什么技術(shù)(4)。P48-49

5

1逐步向前選擇2逐步向后刪除3向前選擇和向后刪除的結(jié)合4決策樹(shù)歸納

第三章

1、數(shù)據(jù)倉(cāng)庫(kù)的概念、目的、特點(diǎn)。P67

數(shù)據(jù)倉(cāng)庫(kù)是一個(gè)面向主題的（環(huán)繞主題組織數(shù)據(jù)），集成的（由多個(gè)異構(gòu)數(shù)據(jù)源

集成），時(shí)變的和非易失的數(shù)據(jù)集合，支持管理部門(mén)的決策過(guò)程。

2、數(shù)據(jù)倉(cāng)庫(kù)的邏輯模式。P72

星形，雪花和事實(shí)星座模式

3、星型模式的事實(shí)表包括（2）。P73

事實(shí)表：包含度量值和關(guān)聯(lián)維度表的碼。

星形事實(shí)模型：包括維表和事實(shí)表。維表記錄的是基本信息，事實(shí)表記錄業(yè)務(wù)過(guò)

程。

所以星形事實(shí)模型中，普通在維表上建立主鍵，在事實(shí)表上建立外鍵。事實(shí)表包

括了外鍵和業(yè)務(wù)過(guò)程的數(shù)據(jù)。事實(shí)表包含聯(lián)系事實(shí)與維度表的數(shù)字度量值和鍵。

事實(shí)數(shù)據(jù)表包含描述業(yè)務(wù)內(nèi)特定事件的數(shù)據(jù)。

4、數(shù)據(jù)倉(cāng)庫(kù)的物理結(jié)構(gòu)（3：MRH-SQLServer是H*）。P86

5、OLAP操作（5）。P79

1上卷：就是將高維的數(shù)據(jù)壓縮到低維，是個(gè)數(shù)據(jù)的累加過(guò)程。Eg：從街道

上卷到城市。就是把同一城市的所有街道的數(shù)據(jù)累加起來(lái)。（維度高低是屬性

的個(gè)數(shù)，維度高屬性個(gè)數(shù)多）。通過(guò)一個(gè)維德概念分層向上攀升，或者通過(guò)維

歸納，對(duì)數(shù)據(jù)立方體進(jìn)行會(huì)萃。

2下鉆：是把數(shù)據(jù)的維度進(jìn)一步分解，跟上卷相反。Eg：從城市分解到街道。

上卷操作的逆操作。從高層概括到底層概括，從不詳細(xì)到更加詳細(xì)。

3切片和切塊：就是固定某一維數(shù)據(jù)，再觀察其它維度的數(shù)據(jù)。Eg：固定時(shí)

6

間維，觀察不同地點(diǎn)的銷(xiāo)售數(shù)量。

4投影和選擇。

轉(zhuǎn)軸：可視化操作，從不同角度觀察數(shù)據(jù)。

6、數(shù)據(jù)倉(cāng)庫(kù)的實(shí)現(xiàn)（3）。P88

高效的立方體計(jì)算技術(shù)，存取方法和查詢(xún)處理技術(shù)；

7、數(shù)據(jù)立方體的有效計(jì)算（2）。P88

olcomputecube操作與維災(zāi)難

Computecube操作對(duì)操作指定維的所有子集計(jì)算會(huì)萃。（立方體計(jì)算的方體或

者分組總數(shù)為2的N次方。如3維（3個(gè)屬性）數(shù)據(jù)的立方體，分組總數(shù)：20=8）。

0部份物化：方體的選擇計(jì)算。（數(shù)據(jù)立方體的物化：不物化、徹底物化、部

分物化。）

8、維災(zāi)難概念。P89

徹底物化指定義數(shù)據(jù)立方體的格中所有的方體的計(jì)算。通常需要過(guò)多的存儲(chǔ)

空間，特殊是當(dāng)維數(shù)和相關(guān)聯(lián)的概念分層增長(zhǎng)時(shí)，該問(wèn)題稱(chēng)為維災(zāi)難。

9、N維有多少個(gè)頂點(diǎn)。

2的N次方。2N

10、數(shù)據(jù)倉(cāng)庫(kù)的查詢(xún)（?。┓椒ǎ?）。P90

1位圖索引2連接索引3位圖連接索引。

11、OLAP查詢(xún)的有效處理步驟（2）。P92

1確定哪些操作應(yīng)當(dāng)在可利用的方體上執(zhí)行

2確定相關(guān)操作應(yīng)當(dāng)使用哪些物化的方法。

7

第四章

1、冰山立方體的概念。（多路數(shù)據(jù)會(huì)萃不能計(jì)算冰山立方體）。

冰山立方體：不能滿足閾值的單元，這種部份物化的單元稱(chēng)作冰山立方體。

2,BUC計(jì)算冰山立方體。P109

1從頂點(diǎn)方體向下計(jì)算冰山立方體。2Aprioii剪枝。3無(wú)共享會(huì)萃計(jì)算

優(yōu)點(diǎn)：分治策略，減少不必要計(jì)算開(kāi)消。

計(jì)算流程：

1掃描整個(gè)輸入，計(jì)算整個(gè)度量。2針對(duì)方體的每一維進(jìn)行劃分。3針對(duì)每一個(gè)劃

分，對(duì)它進(jìn)行會(huì)萃，為該劃分創(chuàng)建一個(gè)元組并得到該元組的計(jì)算。判斷其分組計(jì)

算是否滿足最小支持度。4如果滿足，輸出該劃分的會(huì)萃元組，并在該劃分上對(duì)

下一維進(jìn)行遞歸調(diào)用，否則進(jìn)行剪枝操作。

3、OLAP估計(jì)算殼片段，缺點(diǎn)、計(jì)算。P116-118

4、點(diǎn)查詢(xún)、子立方體查詢(xún)概念、計(jì)算。P119-120

5、面向?qū)傩缘臍w納是用來(lái)干什么。過(guò)程有哪些。P128

面向?qū)傩缘臍w納用于復(fù)雜的數(shù)據(jù)類(lèi)型并依賴(lài)數(shù)據(jù)驅(qū)動(dòng)的泛化過(guò)程。

1使用數(shù)據(jù)庫(kù)查詢(xún)采集任務(wù)相關(guān)的數(shù)據(jù)；2采集工作關(guān)系的統(tǒng)計(jì)量。3導(dǎo)出主關(guān)

系P

6、類(lèi)比較的過(guò)程。P136

1數(shù)據(jù)采集。2維相關(guān)分析。3同步泛化。4導(dǎo)出比較的表示。

8

7、類(lèi)描述：特征化和比較的表示？(這里不知道考什么)

第五章

1、支持度、置信度、提升度概念？P147

定義N為總事務(wù)數(shù)，N(A)、N(B)分別為項(xiàng)集A、項(xiàng)集B浮現(xiàn)的次數(shù)，N(AB)為項(xiàng)

集A、項(xiàng)集B同時(shí)浮現(xiàn)的次數(shù)，A、B為不相交項(xiàng)集ACB=,規(guī)則A-B表示由

A推到B：

支持度：對(duì)整體

c,N(AB)

Support(At->B)=———

置信度：對(duì)條件

...(46N(AB)

Confidence[A->B)—…

N(A)

提升度：聯(lián)合概率

Lift(A-^S叩portM->0_NxN(AB)

,TSupj)ort(A)xSupport(B)N(A)xN(B)

2、頻繁項(xiàng)集概念。P147

項(xiàng)的集合稱(chēng)為項(xiàng)集。Eg：{computer,antivinjs_softwa是ne}2項(xiàng)集。支持

度計(jì)數(shù)：項(xiàng)集浮現(xiàn)的頻率。

滿足最小支持度的閥值的項(xiàng)集就是頻繁項(xiàng)集。

3、Apriori算法、如何實(shí)現(xiàn)、缺點(diǎn)、改進(jìn)方法。P151?P156,P157-159

Apriori算法：是為布爾關(guān)聯(lián)規(guī)則挖掘頻繁項(xiàng)集的原創(chuàng)性算法。

性質(zhì)：頻繁項(xiàng)集的所有非空子集也必須是頻繁的。

缺陷：1、它可能需要產(chǎn)生大量候選項(xiàng)集。

2、它可能需要重復(fù)地掃描數(shù)據(jù)庫(kù)，通過(guò)模式匹配檢查一個(gè)很大的候選集

9

合。

改進(jìn)：1、不候選產(chǎn)生挖掘頻繁項(xiàng)集。

2、使用垂直數(shù)據(jù)格式挖掘頻繁項(xiàng)集。

3、挖掘閉頻繁項(xiàng)集。

第六章

1、分類(lèi)、預(yù)測(cè)的區(qū)別、關(guān)系。P186

預(yù)測(cè)分為：分類(lèi)和數(shù)值預(yù)測(cè)。

分類(lèi)是的目標(biāo)值離散數(shù)據(jù)。

數(shù)值預(yù)測(cè)是的目標(biāo)值是連續(xù)值或者有序值。但是為了方便，把數(shù)值預(yù)測(cè)簡(jiǎn)稱(chēng)為預(yù)

測(cè)。

分類(lèi)：*預(yù)測(cè)分類(lèi)標(biāo)號(hào)（或者離散值）

*根據(jù)訓(xùn)練數(shù)據(jù)集和類(lèi)標(biāo)號(hào)屬性，構(gòu)建模型來(lái)分類(lèi)現(xiàn)有數(shù)據(jù)，并用來(lái)分類(lèi)

新數(shù)據(jù)

預(yù)測(cè)：是構(gòu)造和使用模型評(píng)估無(wú)樣本類(lèi)，或者評(píng)估給定樣本可能具有的屬性或者

值空間。

預(yù)測(cè)和分類(lèi)的異同

相同點(diǎn)：*兩者都需要構(gòu)建模型

*都用模型來(lái)估計(jì)未知值

不同點(diǎn)：*分類(lèi)法主要是用來(lái)預(yù)測(cè)類(lèi)標(biāo)號(hào)（分類(lèi)屬性值）

10

*預(yù)測(cè)法主要是用來(lái)估計(jì)連續(xù)值（量化屬性值）

2、決策樹(shù)算法過(guò)程，計(jì)算。P198

1計(jì)算信息量。2計(jì)算信息埔。3計(jì)算信息增益。4選擇根節(jié)點(diǎn)，遞歸操作

3、信息增益公式、概念、如何計(jì)算。P192

-選擇信息場(chǎng)最大的作為分類(lèi)屬性

-設(shè)乃是D中任一元組屬于類(lèi)。的概率，用|Q；DI/|D|估計(jì)

?D中元組分類(lèi)所需的期望信息（entropy）：

m

Info（D）;一工）Jog23）

■Information按屬性A對(duì)D中元組進(jìn)行劃分所需的信息

'D.\

/吹（o=Z需"（4）

-信息漕益：原來(lái)的信息需求（近基于類(lèi)的）與新的需求

（即對(duì)A劃分之后得到的）之間的差

Gain（A）-Info（D）-Info^D）

4、神經(jīng)網(wǎng)絡(luò)輸入層、輸出層如何計(jì)算。P215-216

向前傳播輸入：IW-o

j?j?j

i1

輸出的計(jì)算：c,1

Lj1e）

神經(jīng)網(wǎng)絡(luò)的上一層輸出構(gòu)成下一層的輸入。

5、例題6-9。P261

11

6、線性回歸、最小二乘法計(jì)算。P231

(x.Xy.)

1XI

)2

uw

y1X

是y的平均值,是X的平均值

yX

最終回歸方程為:ywww

i0Ii

第七章

1、聚類(lèi)分析的數(shù)據(jù)類(lèi)型。不同數(shù)據(jù)類(lèi)型如何計(jì)算。P253-254

數(shù)據(jù)結(jié)構(gòu)：數(shù)據(jù)矩陣（原數(shù)據(jù)），相異度矩陣（例如數(shù)據(jù)間的距離，反映對(duì)象

之間的相異度，測(cè)量差）；

數(shù)據(jù)類(lèi)型：區(qū)間標(biāo)度變量，二元變量，分類(lèi)、序數(shù)和比例標(biāo)度變量，混合類(lèi)型的

變量

區(qū)間標(biāo)度變量：。1標(biāo)準(zhǔn)化:z'z是標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣。x原始數(shù)據(jù)，

是x平均值，是x的方差。②計(jì)算距離dn（xy）2（歐氏距離）。把距

ijVjikjk

離小的規(guī)劃為一類(lèi)。

I*S

二元變量：*qrstq（l』）r（l』）s（O,l）t（l,O）;

pm

d

分類(lèi)變量：ijF_P是全部變量總是，m是匹配數(shù)目

r

2、分類(lèi)、序數(shù)和比例標(biāo)度變量，計(jì)算例題7-3,7-5,7-6oP256-260

對(duì)象標(biāo)識(shí)符Testi(分類(lèi)的)T9st2序數(shù)的Test3比例標(biāo)

度

12

1Code-A優(yōu)秀445

2Code-B普通22

3Code-C好164

4Code-A優(yōu)秀1210

7-3：計(jì)算分類(lèi)變量的相異度

數(shù)據(jù)是Testi（分類(lèi)的）行是對(duì)象（記錄），列是屬性（惟獨(dú)一列【維】）o

7-5計(jì)算比例標(biāo)度量間的相異度。

數(shù)據(jù)是Test3比例標(biāo)度

先對(duì)照例標(biāo)度變量進(jìn)行對(duì)數(shù)變換。再計(jì)算距離。

Test3數(shù)據(jù)取對(duì)數(shù)得：2.65,1.34,2.21,3.08o求歐氏距離:

01.30590.43350.4344

1.305900.87241.7404

0.43350.872400.8679

0.43441.74040.86790

7-6計(jì)算混合類(lèi)型變量間的相異度

temp=log10（Test3得）到：

2.6484

1.3424

2.2148

3.0828

13

Temp2=temp/(max(temp)-min(temp))得至U

1.5217

0.7713

1.2726

1.7713

在對(duì)Temp2求距離。

00.75040.24910.2496

0.750400.50131.0000

0.24910.501300.4987|

0.24961.00000.49870

3、主要聚類(lèi)方法的分類(lèi)P261。

劃分法，層次法，基于網(wǎng)格的方法，基于模型的方法。

4、K均值、k中