2016211504-2016212011-田宇-数据挖掘实验报告1

数据挖掘是一种从海量数据中提取有价值知识的过程，广泛应用于各个领域。在这个实验报告中，田宇同学通过使用SPSS和EXCEL软件进行了数据预处理和分析，主要涉及到以下几个知识点： 1. **数据预处理**： - **离散化**：在数据挖掘中，连续属性的离散化是将连续数值转化为离散类别，以便更好地处理和理解数据。例如，针对手机电池容量这个连续变量，田宇同学进行了分箱操作，将其转换为“电池容量分类”，使得分析更加直观。 2. **数据描述**： - **数据理解**：通过对2018年至2012年各品牌手机上市情况的分析，田宇同学发现低端机在市场中占据主导地位，高主频的高端机通常更薄，意味着价格更高的手机在外观和手感上有优势。 3. **聚类分析**： - **K均值算法**：K均值是一种常见的无监督学习算法，用于将数据集划分成K个不同的群组。在实验中，田宇同学尝试了K值分别为2和3的情况，通过迭代找到最佳的聚类中心。当K=2时，实验结果显示两个聚类，而K=3时，产生了三个聚类。每次迭代都检查了中心的变动，以确定是否达到收敛条件。 4. **聚类效果评估**： - **聚类影响因素**：田宇同学探讨了K值和初始簇心选择对聚类结果的影响。K值的改变会直接影响聚类的数量和结构，而簇心的选择则影响聚类的形成和稳定性。 - **算法比较**：除了K均值，还提到了DBSCAN算法，这是一种基于密度的聚类方法，可以发现任意形状的聚类。田宇同学对比了K均值和DBSCAN的聚类效果，以确定哪种算法更适合给定的数据集。 5. **SPSS和Weka工具的使用**： - **软件应用**：实验中提到了SPSS和Weka两个数据挖掘工具，它们都提供了K均值算法的实现。通过对比，田宇同学可能对这两个工具的优劣有了更深入的理解。 这个实验报告展示了数据挖掘的基本流程，包括数据探索、预处理、模型构建以及结果评估，是理解和实践数据挖掘知识的一个典型实例。同时，它也强调了在实际应用中，根据问题选择合适的算法和工具的重要性。