大数据时代下的数据挖掘：关键技术和应用实例

在大数据时代背景下，数据挖掘已经成为关键的分析工具，用于从海量数据中提取有价值的信息和知识。本资源包含了《海量数据挖掘技术及工程实践》的试题，涵盖了数据挖掘的基本概念和应用技术。 1. 数据挖掘中的一个重要环节是数据预处理，其中数据归约(D)是指通过缩小数据取值范围，如数据压缩或编码，以减少数据维度，同时保持分析结果的准确性。这样有助于提高数据挖掘算法的效率，尤其是在处理大规模数据时。 2. 关联规则发现(A)是数据挖掘中的一个经典问题，它揭示了数据项之间的统计关联，例如在案例中，超市的啤酒和尿布之间的购买关联，即所谓的“啤酒尿布定律”。 3. 分类算法的评价标准包括Precision（精确度）和Recall（召回率）。Precision衡量预测为正例的样本中有多少实际上是正例，而Recall衡量实际为正例的样本中有多少被正确预测为正例。题目中(a)描述的是Precision，(b)描述的是Recall。 4. 数据预处理阶段包括数据集成、数据变换、维度规约和数值规约，这些步骤为后续的挖掘任务如频繁模式挖掘、分类和预测等提供准备。 5. 当没有预先标记的数据（无标签数据）时，聚类(B)技术可以用来发现数据内部的结构和模式，自动将相似的数据分组，形成潜在的类别。 6. 预测建模(C)是数据挖掘中的一个核心任务，它利用已有的数据训练模型，然后基于该模型预测未知数据的某些变量值。 7. 数据预处理方法不包括估计遗漏值(D)，这通常涉及填充缺失值，而不是直接估算。 8. 在数据划分中，等频（等深）划分是指将数据分为具有相同数量（深度）的箱。对于给定的排序数据，15应该位于第二个箱子，因为等频划分会确保每个箱子包含大致相等数量的记录。 9. 数据属性类型包括标称(A)（名义）、区间(C)、序数(B)，不包括相异(D)，这可能是一个错误的选项或者需要进一步澄清。 10. 非对称的二元属性(C)是指只有其中一个值对于属性有意义，另一个值则被认为是缺失或无关的，这在处理有偏向性或不平衡的数据时常见。 11. 特征选择的标准方法包括嵌入(A)、包装(C)和过滤(B)，抽样(D)不是标准方法，尽管它是数据增强的一种方式，但不属于特征选择本身。 12. 创建新属性的方法包括特征提取(A)、特征构造(D)（通过组合现有特征生成新的属性）、映射数据到新的空间(C)（如傅立叶变换），而特征修改(B)通常指的是改变已有特征的表示形式，而非创造新属性。 13. 傅立叶变换(A)是一种常见的将信号从时间域转换到频率域的方法，它属于映射数据到新空间的技术之一。 这些题目涵盖了数据预处理、关联分析、分类算法评估、数据集划分、属性类型理解以及特征选择和新属性创造等多个数据挖掘的重要知识点。通过解答这些问题，可以提升对大数据挖掘技术的理解和应用能力。