数据挖掘复习题纲.pdf

数据挖掘复习题纲主要涉及了数据仓库与数据库的对比，以及数据挖掘的多种功能的定义和实例。在讨论数据仓库与数据库的区别时，首先强调了它们的设计目标不同：数据库是面向事务，注重实时性，而数据仓库是面向主题，旨在支持分析决策。数据库存储在线交易数据，数据仓库则存储历史数据，用于汇总和分析。数据库设计遵循第三范式减少冗余，数据仓库则通过引入冗余提高查询效率，采用星型或雪花型模式，包含维表（描述分析角度）和事实表（存储核心数据）。此外，时间在数据仓库中扮演重要角色，数据不可修改，反映了历史状态。 数据仓库与数据库的关系并非替代，而是互补。数据仓库通常使用RDBMS进行管理，其方案建立要考虑效率（如日周期的数据需求）、数据质量和扩展性。效率要求能快速提供前一天的数据分析；数据质量保证分析的准确性，避免因数据错误导致决策失误；扩展性确保随着数据量增长，系统仍能稳定运行。 接着，提到了数据挖掘的七大功能： 1. 特征化（Characterization）：通过汇总目标类数据的特性来描述其一般情况。例如，计算所有计算机科学专业一年级学生的平均GPA和最大课程数量。 2. 区分（Discrimination）：对比目标类与其他类别的特性，找出差异。比如，高GPA学生与低GPA学生的区别可能在于课外活动参与度或学习策略。 3. 关联和相关性分析（Association and Correlation Analysis）：发现变量之间的关联规则，如在超市购物数据中，购买尿布的人往往也会买啤酒。 4. 分类（Classification）：基于现有数据将新数据分配到预定义类别。例如，通过邮件内容预测邮件是否为垃圾邮件。 5. 回归（Regression）：分析连续变量之间的关系，预测一个变量基于其他变量的变化。比如，根据房屋面积、地理位置等因素预测房价。 6. 聚类（Clustering）：无监督学习，将数据自动分成相似的组。如对客户行为数据进行聚类，识别不同类型的消费者群体。 7. 离群点分析（Outlier Analysis）：检测数据集中异常值。例如，在信用卡交易数据中，识别可能的欺诈行为。 这些功能在现实生活中广泛应用，例如市场营销、金融风险评估、医疗诊断等，帮助我们从海量数据中提取有价值的信息，支持决策制定。理解并掌握这些知识对于数据科学家和业务分析师至关重要，因为他们需要利用这些工具从数据仓库中挖掘潜在的商业洞察。