大数据挖掘：实战题解与评价标准探讨

在大数据时代下，数据挖掘技术成为关键工具，用于从海量数据中发现有价值的信息和模式。这本资料《海量数据挖掘技术及工程实践》包含了丰富的试题和答案解析，涵盖了数据挖掘的基础概念和实际应用。 1. 数据预处理是数据挖掘的重要步骤，其中数据归约（D）的目标是通过缩小数据取值范围，优化数据以适应挖掘算法的需求，同时确保分析结果与原始数据一致。这涉及到数据的简化处理，以便于后续的分析。 2. 超市中的啤酒与尿布关联现象属于数据挖掘中的关联规则发现（A），这是一种发现数据项之间频繁出现的统计规律，有助于商家制定商品推荐策略。 3. 分类算法的评价标准包括精确度(Precision)和召回率(Recall)。前者衡量预测为正例中真正为正例的比例，后者衡量实际为正例中被正确预测为正例的比例。因此，选项A正确。 4. 数据预处理阶段主要包括数据集成、变换、维度规约和数值规约，这些都是为了清洗和整理数据，使其适合进一步的分析，如频繁模式挖掘（A）、分类和预测等任务。 5. 当数据无标签时，可以使用聚类（B）技术，让相似的数据自动分组，从而揭示潜在的类别结构。 6. 建立预测模型，通过已知变量预测未知变量，是数据挖掘中的预测建模（C）任务，这是典型的时间序列分析或预测性分析场景。 7. 数据预处理方法包括变量代换、离散化、聚集（可能是聚合数据，但此处可能指数据组织方式而非预处理方法）、估计遗漏值等，选项C的“聚集”在这里可能有误，应该是“聚集”操作，而非预处理方法。 8. 等频（等深）划分是将数据划分为等数量级别的箱子，具体到本题，15会被放在第三个箱子内，因为前面两个箱子已包含较小的数值，而15位于11和13之间。 9. 数据属性类型包括标称、序数、区间和数值属性，相异并不是一个标准的属性类型，所以选项D不正确。 10. 非对称的二元属性指的是那些只有非零值才有意义的属性，如用户是否购买过某个产品，对称属性是指两个值相互独立，如性别（男、女）。 11. 特征选择方法通常有嵌入（如决策树学习中）、过滤（基于属性的相关性）、包装（搜索最优子集）和抽样（如随机森林），选项D不属于标准方法。 12. 创建新属性的方法包括特征提取（从原始数据中提取有用信息）、特征构造（基于已有属性生成新属性）、映射数据到新的空间（如PCA），选项B（特征修改）不是常见术语，可能指的是特征工程的一部分，但不是独立的方法。 13. 映射数据到新的空间的方法通常涉及数学变换，如傅立叶变换（A）是常见的信号处理技术，可以用来提取数据的频率成分。 14. 属性income的值范围变化，12000元是最大值，说明这里可能是指数据的量纲或范围，没有直接指出哪个选项是映射方法，但通常与数值规约或标准化过程相关。 这些题目展示了数据挖掘的基本概念，涵盖了数据预处理、关联分析、分类评价、聚类、预测建模、属性类型、特征选择和数据转换等多个方面，对于学习者理解和掌握数据挖掘技术非常实用。