在《大数据时代下的数据挖掘》试题和答案及解析文档中，主要涵盖了数据挖掘的基本概念、技术及应用场景。以下是一些关键知识点的详细解释：
1. 数据预处理：数据清洗（A）是指去除数据中的噪声、不一致性或冗余，而数据变换（D）则是调整数据的格式或结构，使其更适合挖掘算法的需求，例如通过标准化或归一化减小数据范围。这样可以确保分析结果的一致性，同时不会因为数据尺度不同而影响挖掘效果。
2. 数据关联规则：商场中啤酒和尿布的购买关联（A）是数据挖掘中的关联规则发现，这种发现有助于零售商进行商品推荐和库存管理。
3. 分类算法评价标准：分类任务中的评价指标包括精确度(Precision)和召回率(Recall)。精确度衡量预测为正例的样本中实际为正例的比例，召回率则表示实际为正例的样本中被正确预测为正例的比例，这两个指标共同评估了分类器的性能。
4. 数据挖掘流程：数据预处理阶段包括原始数据的集成、变换（如数据清洗和失散化）、维度规约（减少数据的复杂性和维度）和数值规约（如标准化），这些步骤是为了准备数据以便后续的模式识别或预测。
5. 无监督学习：当数据缺乏标签时，可以使用聚类（B）方法来找出数据内在的结构和群组，使得相似的数据点聚集在一起。
6. 数据发掘任务：根据已知变量预测未知变量的模型建立属于预测建模（C）类别，这是数据分析的重要应用之一。
7. 数据预处理方法：选项D（预计遗漏值）不属于常见的数据预处理方法，通常包括变量代换、失散化（将连续变量离散化）、数据集合并等，而不是预测缺失值。
8. 数据分箱和属性类型：等频（等深）分箱法中，15落在第几个箱子依赖于具体算法设置，这里没有提供具体答案。标称属性（B）、区间属性（C）、序数属性（D）是数据属性的不同种类，但序数属性的特点是有明确的顺序关系，而非等深分箱问题。
9. 特征属性：非对称的二元属性（C）指的是只有非零值才有意义的属性，比如用户是否拥有某种服务，0表示没有，1表示有，这种属性通常用于二元分类。
10. 特征选择方法：选项D（抽样）不属于特征选择的标准方法，其他选项如嵌入、包装和过滤都是常用的方法，它们通过不同的策略评估和选择最优特征子集。
11. 创建新属性：选项B（特色改正）不是创建新属性的常见方法，而是指对现有属性进行修改或改进，其他选项如特色提取、映照数据到新空间（如傅立叶变换）和特征结构构建都是创建新属性的方式。
12. 映射到新空间：选项A（傅立叶变换）是一种常见的数学方法，用于将数据转换到频率域，以揭示潜在的周期性和复杂结构，属于映射数据到新空间的方法。
13. 属性最大最小值：属性income的最大值和最小值分别是12000元和98000元，这可能是用于数据规范化或标准化过程中的参数，以便在数据挖掘时消除量纲影响。
以上知识点展示了大数据时代数据挖掘的基本操作、评估方法以及预处理和特征工程的重要性。
我的内容管理
展开
