大数据挖掘技术：试题解析与工程实践关键点

《基于大数据挖掘技术及工程实践》是一本针对软考继续教育的教材，主要探讨了大数据挖掘中的关键概念和技术。以下是部分题目及其知识点的详细解析： 1. 数据挖掘中的“数据归约”(D)指的是通过算法压缩或简化数据集，保持其原始信息的完整性，以便于后续的数据挖掘过程。这样做可以减少计算复杂性，提高挖掘效率，并且不改变分析结果。 2. 在超市销售数据中发现啤酒和尿布之间的关联(A)属于关联规则发现，这是一种数据挖掘技术，用于识别数据集中存在的频繁模式或相关性。 3. 题目中的评价标准(a)描述了分类模型的精度(Precision)，即正确预测为正例的比例；(b)描述的是召回率(Recall)，即实际为正例中被正确预测出的比例。两者共同衡量模型的性能。 4. 数据预处理阶段包括数据集成、变换、维度规约和数值规约(C)，这是在数据挖掘之前进行的准备工作，目的是清理和格式化数据，使之适合后续分析。 5. 当没有标签信息时，使用聚类(B)方法可以将相似的数据分组，从而发现潜在的结构或模式。 6. 建立模型预测特定变量值(C)属于预测建模，这是数据挖掘中的典型任务，如时间序列分析或回归预测。 7. 选项(D)估计遗漏值不属于数据预处理的常见方法，这通常是通过统计或机器学习算法填充缺失值。 8. 等频(等深)划分数据时，15属于中等值，因此可能位于第二个箱子(B)，具体取决于划分的精确规则。 9. (D)相异不属于数据属性类型的描述，通常指数据的不同特性，如标称、序数、区间等。 10. 非对称的二元属性(C)指的是属性值的取值有倾向性，仅非零值重要，如性别中的“男”和“女”。 11. 特征选择的标准方法包括嵌入(A)（例如LASSO回归）、过滤(B)（如卡方检验）、包装(C)（如递归特征消除）和抽样(A)（如随机森林中的特征子集），而(D)不属于这些标准。 12. 创建新属性的方法不包括(B)特征修改，而是特征提取(A)、特征构造(D)和映射数据到新的空间(C)。 13. 映射数据到新的空间的方法(A)指的是傅立叶变换，它将数据从原始域转换到频域或更复杂的表示形式，有助于特征表示的降维或特征提取。 14. 最后的问题涉及数据属性的类型，但题目内容在此处未给出，如果提供具体的数值信息，可以进一步分析属性类型。 以上知识点涵盖了大数据挖掘的基础理论和实践应用，对于准备软考继续教育的考生来说，理解和掌握这些内容至关重要。