《数据挖掘:概念与技术(第3版)》课后习题答案

本书完整全面地讲述数据挖掘的概念、方法、技术和最新研究进展。本书对前两版做了全面修订，加强和重新组织了全书的技术内容，重点论述了数据预处理、频繁模式挖掘、分类和聚类等的内容，还全面讲述了OLAP和离群点检测，并研讨了挖掘网络、复杂数据类型以及重要应用领域。

本书是数据挖掘和知识发现领域内的所有教师、研究人员、开发人员和用户都必读的参考书，是一本适用于数据分析、数据挖掘和知识发现课程的优秀教材，可以用做高年级本科生或者一年级研究生的数据挖掘导论教材。

目录

• 第1章　引论
• 1.1　为什么进行数据挖掘
• 1.1.1　迈向信息时代
• 1.1.2　数据挖掘是信息技术的进化
• 1.2　什么是数据挖掘
• 1.3　可以挖掘什么类型的数据
• 1.3.1　数据库数据
• 1.3.2　数据仓库
• 1.3.3　事务数据
• 1.3.4　其他类型的数据
• 1.4　可以挖掘什么类型的模式
• 1.4.1　类/概念描述：特征化与区分
• 1.4.2　挖掘频繁模式、关联和相关性
• 1.4.3　用于预测分析的分类与回归
• 1.4.4　聚类分析
• 1.4.5　离群点分析
• 1.4.6　所有模式都是有趣的吗
• 1.5　使用什么技术
• 1.5.1　统计学
• 1.5.2　机器学习
• 1.5.3　数据库系统与数据仓库
• 1.5.4　信息检索
• 1.6　面向什么类型的应用
• 1.6.1　商务智能
• 1.6.2　Web搜索引擎
• 1.7　数据挖掘的主要问题
• 1.7.1　挖掘方法
• 1.7.2　用户界面
• 1.7.3　有效性和可伸缩性
• 1.7.4　数据库类型的多样性
• 1.7.5　数据挖掘与社会
• 1.8　小结
• 1.9　习题
• 1.10　文献注释
• 第2章　认识数据
• 2.1　数据对象与属性类型
• 2.1.1　什么是属性
• 2.1.2　标称属性
• 2.1.3　二元属性
• 2.1.4　序数属性
• 2.1.5　数值属性
• 2.1.6　离散属性与连续属性
• 2.2　数据的基本统计描述
• 2.2.1　中心趋势度量：均值、中位数和众数
• 2.2.2　度量数据散布：极差、四分位数、方差、标准差和四分位数极差
• 2.2.3　数据的基本统计描述的图形显示
• 2.3　数据可视化
• 2.3.1　基于像素的可视化技术
• 2.3.2　几何投影可视化技术
• 2.3.3　基于图符的可视化技术
• 2.3.4　层次可视化技术
• 2.3.5　可视化复杂对象和关系
• 2.4　度量数据的相似性和相异性
• 2.4.1　数据矩阵与相异性矩阵
• 2.4.2　标称属性的邻近性度量
• 2.4.3　二元属性的邻近性度量
• 2.4.4　数值属性的相异性：闵可夫斯基距离
• 2.4.5　序数属性的邻近性度量
• 2.4.6　混合类型属性的相异性
• 2.4.7　余弦相似性
• 2.5　小结
• 2.6　习题
• 2.7　文献注释
• 第3章　数据预处理
• 3.1　数据预处理：概述
• 3.1.1　数据质量：为什么要对数据预处理
• 3.1.2　数据预处理的主要任务
• 3.2　数据清理
• 3.2.1　缺失值
• 3.2.2　噪声数据
• 3.2.3　数据清理作为一个过程
• 3.3　数据集成
• 3.3.1　实体识别问题
• 3.3.2　冗余和相关分析
• 3.3.3　元组重复
• 3.3.4　数据值冲突的检测与处理
• 3.4　数据归约
• 3.4.1　数据归约策略概述
• 3.4.2　小波变换
• 3.4.3　主成分分析
• 3.4.4　属性子集选择
• 3.4.5　回归和对数线性模型：参数化数据归约
• 3.4.6　直方图
• 3.4.7　聚类
• 3.4.8　抽样
• 3.4.9　数据立方体聚集
• 3.5　数据变换与数据离散化
• 3.5.1　数据变换策略概述
• 3.5.2　通过规范化变换数据
• 3.5.3　通过分箱离散化
• 3.5.4　通过直方图分析离散化
• 3.5.5　通过聚类、决策树和相关分析离散化
• 3.5.6　标称数据的概念分层产生
• 3.6　小结
• 3.7　习题
• 3.8　文献注释
• 第4章　数据仓库与联机分析处理
• 4.1　数据仓库：基本概念
• 4.1.1　什么是数据仓库
• 4.1.2　操作数据库系统与数据仓库的区别
• 4.1.3　为什么需要分离的数据仓库
• 4.1.4　数据仓库：一种多层体系结构
• 4.1.5　数据仓库模型：企业仓库、数据集市和虚拟仓库
• 4.1.6　数据提取、变换和装入
• 4.1.7　元数据库
• 4.2　数据仓库建模：数据立方体与OLAP
• 4.2.1　数据立方体：一种多维数据模型
• 4.2.2　星形、雪花形和事实星座：多维数据模型的模式
• 4.2.3　维：概念分层的作用
• 4.2.4　度量的分类和计算
• 4.2.5　典型的OLAP操作
• 4.2.6　查询多维数据库的星网查询模型
• 4.3　数据仓库的设计与使用
• 4.3.1　数据仓库的设计的商务分析框架
• 4.3.2　数据仓库的设计过程
• 4.3.3　数据仓库用于信息处理
• 4.3.4　从联机分析处理到多维数据挖掘
• 4.4　数据仓库的实现
• 4.4.1　数据立方体的有效计算：概述
• 4.4.2　索引OLAP数据：位图索引和连接索引
• 4.4.3　OLAP查询的有效处理
• 4.4.4　OLAP服务器结构：ROLAP、MOLAP、HOLAP的比较
• 4.5　数据泛化：面向属性的归纳
• 4.5.1　数据特征的面向属性的归纳
• 4.5.2　面向属性归纳的有效实现
• 4.5.3　类比较的面向属性归纳
• 4.6　小结
• 4.7　习题
• 4.8　文献注释
• 第5章　数据立方体技术
• 5.1　数据立方体计算：基本概念
• 5.1.1　立方体物化：完全立方体、冰山立方体、闭立方体和立方体外壳
• 5.1.2　数据立方体计算的一般策略
• 5.2　数据立方体计算方法
• 5.2.1　完全立方体计算的多路数组聚集
• 5.2.2　BUC：从顶点方体向下计算冰山立方体
• 5.2.3　Star-Cubing：使用动态星树结构计算冰山立方体
• 5.2.4　为快速高维OLAP预计算壳片段
• 5.3　使用探索立方体技术处理高级查询
• 5.3.1　抽样立方体：样本数据上基于OLAP的挖掘
• 5.3.2　排序立方体：top-k查询的有效计算
• 5.4　数据立方体空间的多维数据分析
• 5.4.1　预测立方体：立方体空间的预测挖掘
• 5.4.2　多特征立方体：多粒度上的复杂聚集
• 5.4.3　基于异常的、发现驱动的立方体空间探查
• 5.5　小结
• 5.6　习题
• 5.7　文献注释
• 第6章　挖掘频繁模式、关联和相关性：基本概念和方法
• 6.1　基本概念
• 6.1.1　购物篮分析：一个诱发例子
• 6.1.2　频繁项集、闭项集和关联规则
• 6.2　频繁项集挖掘方法
• 6.2.1　Apriori算法：通过限制候选产生发现频繁项集
• 6.2.2　由频繁项集产生关联规则
• 6.2.3　提高Apriori算法的效率
• 6.2.4　挖掘频繁项集的模式增长方法
• 6.2.5　使用垂直数据格式挖掘频繁项集
• 6.2.6　挖掘闭模式和极大模式
• 6.3　哪些模式是有趣的：模式评估方法
• 6.3.1　强规则不一定是有趣的
• 6.3.2　从关联分析到相关分析
• 6.3.3　模式评估度量比较
• 6.4　小结
• 6.5　习题
• 6.6　文献注释
• 第7章　高级模式挖掘
• 7.1　模式挖掘：一个路线图
• 7.2　多层、多维空间中的模式挖掘
• 7.2.1　挖掘多层关联规则
• 7.2.2　挖掘多维关联规则
• 7.2.3　挖掘量化关联规则
• 7.2.4　挖掘稀有模式和负模式
• 7.3　基于约束的频繁模式挖掘
• 7.3.1　关联规则的元规则制导挖掘
• 7.3.2　基于约束的模式产生：模式空间剪枝和数据空间剪枝
• 7.4　挖掘高维数据和巨型模式
• 7.5　挖掘压缩或近似模式
• 7.5.1　通过模式聚类挖掘压缩模式
• 7.5.2　提取感知冗余的top-k模式
• 7.6　模式探索与应用
• 7.6.1　频繁模式的语义注解
• 7.6.2　模式挖掘的应用
• 7.7　小结
• 7.8　习题
• 7.9　文献注释
• 第8章　分类：基本概念
• 8.1　基本概念
• 8.1.1　什么是分类
• 8.1.2　分类的一般方法
• 8.2　决策树归纳
• 8.2.1　决策树归纳
• 8.2.2　属性选择度量
• 8.2.3　树剪枝
• 8.2.4　可伸缩性与决策树归纳
• 8.2.5　决策树归纳的可视化挖掘
• 8.3　贝叶斯分类方法
• 8.3.1　贝叶斯定理
• 8.3.2　朴素贝叶斯分类
• 8.4　基于规则的分类
• 8.4.1　使用IF-THEN规则分类
• 8.4.2　由决策树提取规则
• 8.4.3　使用顺序覆盖算法的规则归纳
• 8.5　模型评估与选择
• 8.5.1　评估分类器性能的度量
• 8.5.2　保持方法和随机二次抽样
• 8.5.3　交叉验证
• 8.5.4　自助法
• 8.5.5　使用统计显著性检验选择模型
• 8.5.6　基于成本效益和ROC曲线比较分类器
• 8.6　提高分类准确率的技术
• 8.6.1　组合分类方法简介
• 8.6.2　装袋
• 8.6.3　提升和AdaBoost
• 8.6.4　随机森林
• 8.6.5　提高类不平衡数据的分类准确率
• 8.7　小结
• 8.8　习题
• 8.9　文献注释
• 第9章　分类：高级方法
• 9.1　贝叶斯信念网络
• 9.1.1　概念和机制
• 9.1.2　训练贝叶斯信念网络
• 9.2　用后向传播分类
• 9.2.1　多层前馈神经网络
• 9.2.2　定义网络拓扑
• 9.2.3　后向传播
• 9.2.4　黑盒内部：后向传播和可解释性
• 9.3　支持向量机
• 9.3.1　数据线性可分的情况
• 9.3.2　数据非线性可分的情况
• 9.4　使用频繁模式分类
• 9.4.1　关联分类
• 9.4.2　基于有区别力的频繁模式分类
• 9.5　惰性学习法(或从近邻学习）
• 9.5.1　k-最近邻分类
• 9.5.2　基于案例的推理
• 9.6　其他分类方法
• 9.6.1　遗传算法
• 9.6.2　粗糙集方法
• 9.6.3　模糊集方法
• 9.7　关于分类的其他问题
• 9.7.1　多类分类
• 9.7.2　半监督分类
• 9.7.3　主动学习
• 9.7.4　迁移学习
• 9.8　小结
• 9.9　习题
• 9.10　文献注释
• 第10章　聚类分析：基本概念和方法
• 10.1　聚类分析
• 10.1.1　什么是聚类分析
• 10.1.2　对聚类分析的要求
• 10.1.3　基本聚类方法概述
• 10.2　划分方法
• 10.2.1　k-均值：一种基于形心的技术
• 10.2.2　k-中心点：一种基于代表对象的技术
• 10.3　层次方法
• 10.3.1　凝聚的与分裂的层次聚类
• 10.3.2　算法方法的距离度量
• 10.3.3　BIRCH：使用聚类特征树的多阶段聚类
• 10.3.4　Chameleon：使用动态建模的多阶段层次聚类
• 10.3.5　概率层次聚类
• 10.4　基于密度的方法
• 10.4.1　DBSCAN：一种基于高密度连通区域的基于密度的聚类
• 10.4.2　OPTICS：通过点排序识别聚类结构
• 10.4.3　DENCLUE：基于密度分布函数的聚类
• 10.5　基于网格的方法
• 10.5.1　STING：统计信息网格
• 10.5.2　CLIQUE：一种类似于Apriori的子空间聚类方法
• 10.6　聚类评估
• 10.6.1　估计聚类趋势
• 10.6.2　确定簇数
• 10.6.3　测定聚类质量
• 10.7　小结
• 10.8　习题
• 10.9　文献注释
• 第11章　高级聚类分析
• 11.1　基于概率模型的聚类
• 11.1.1　模糊簇
• 11.1.2　基于概率模型的聚类
• 11.1.3　期望最大化算法
• 11.2　聚类高维数据
• 11.2.1　聚类高维数据：问题、挑战和主要方法
• 11.2.2　子空间聚类方法
• 11.2.3　双聚类
• 11.2.4　维归约方法和谱聚类
• 11.3　聚类图和网络数据
• 11.3.1　应用与挑战
• 11.3.2　相似性度量
• 11.3.3　图聚类方法
• 11.4　具有约束的聚类
• 11.4.1　约束的分类
• 11.4.2　具有约束的聚类方法
• 11.5　小结
• 11.6　习题
• 11.7　文献注释
• 第12章　离群点检测
• 12.1　离群点和离群点分析
• 12.1.1　什么是离群点
• 12.1.2　离群点的类型
• 12.1.3　离群点检测的挑战
• 12.2　离群点检测方法
• 12.2.1　监督、半监督和无监督方法
• 12.2.2　统计方法、基于邻近性的方法和基于聚类的方法
• 12.3　统计学方法
• 12.3.1　参数方法
• 12.3.2　非参数方法
• 12.4　基于邻近性的方法
• 12.4.1　基于距离的离群点检测和嵌套循环方法
• 12.4.2　基于网格的方法
• 12.4.3　基于密度的离群点检测
• 12.5　基于聚类的方法
• 12.6　基于分类的方法
• 12.7　挖掘情境离群点和集体离群点
• 12.7.1　把情境离群点检测转换成传统的离群点检测
• 12.7.2　关于情境对正常行为建模
• 12.7.3　挖掘集体离群点
• 12.8　高维数据中的离群点检测
• 12.8.1　扩充的传统离群点检测
• 12.8.2　发现子空间中的离群点
• 12.8.3　高维离群点建模
• 12.9　小结
• 12.10　习题
• 12.11　文献注释
• 第13章　数据挖掘的发展趋势和研究前沿
• 13.1　挖掘复杂的数据类型
• 13.1.1　挖掘序列数据：时间序列、符号序列和生物学序列
• 13.1.2　挖掘图和网络
• 13.1.3　挖掘其他类型的数据
• 13.2　数据挖掘的其他方法
• 13.2.1　统计学数据挖掘
• 13.2.2　关于数据挖掘基础的观点
• 13.2.3　可视和听觉数据挖掘
• 13.3　数据挖掘应用
• 13.3.1　金融数据分析的数据挖掘
• 13.3.2　零售和电信业的数据挖掘
• 13.3.3　科学与工程数据挖掘
• 13.3.4　入侵检测和预防数据挖掘
• 13.3.5　数据挖掘与推荐系统
• 13.4　数据挖掘与社会
• 13.4.1　普适的和无形的数据挖掘
• 13.4.2　数据挖掘的隐私、安全和社会影响
• 13.5　数据挖掘的发展趋势
• 13.6　小结
• 13.7　习题
• 13.8　文献注释
• 参考文献