2024年最全数据挖掘期末考题针对复习_数据挖掘期末考试题库，2024年最新2024大厂物联网嵌入式开发春招面试经历

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上物联网嵌入式知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、电子书籍、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

教材P241：从给定训练元组中有放回的均匀抽样，有多种自助方法, 最常用的一种是.618自助法，因为0.618代表黄金分割。（F）

教材P293：聚类方法有很多种，实际使用中只会选择其中的一种，聚类分析不会采用多种方法整合。（F）

教材P293：K均值算法适应性广，即使簇均值没有定义的情况，也可使用。(F)

简答题

1、(1)数据预处理的主要任务是？书上p56
答：
数据清理：补充缺失数据、平滑噪声数据、识别或删除离群点，解决不一致

数据集成：集成多个数据库、数据立方或文件

数据变换：规范化、数据离散化、概念分层产生

数据归约：简化数据、但产生同样或相似的结果

(2)数据清理，对缺失值的处理方法是？书上p58
答：
忽略元组

人工填写空缺值

使用一个全局常量填充空缺失值

使用属性的中心度量（如均值或中位数）填充缺失值

使用与给定元组属同一类的所有样本的属性均值或中位数

使用最可能的值填充空缺值

2、什么是监督学习？与无监督学习的区别是？什么是训练集与检验集?书上p213
答：
在机器学习领域，分类称做监督学习，因为给定了类标号信息，即学习算法是监督的，因为它被告知每个训练元组的类隶属关系。

聚类被称做无监督学习，因为没有提供类标号信息。

训练集由数据元组和与它们相关的类标号组成，检验集由检验元组和与它们相关联的类标号组成。

3、请描述 K 均值(K-Means)算法的核心思想。书上p293
答：
随机选择k个对象，每个对象代表一个簇的初始均值或中心

对剩余的每个对象，根据它与簇均值的距离，将他指派到最相似的簇

计算每个簇的新均值

回到步骤2，循环，直到准则函数收敛

4.4、什么是离群点，离群点有哪些类型。书上p352
答：
离群点是一个数据对象，它显著不同于其他的数据对象，好像它是被不同的机制产生的一样。

类型：
全局离群点：显著的偏离数据集中其余部分的点

情景离群点（条件离群点：关于特定情境下，它显著的偏离其他对象，情景离群点是局部离群点的推广

集体离群点：一个数据对象子集作为整体显著的偏离整个数据集，这个子集形成集体离群点。

老师今年画的重点（背住）

一、属性有哪些？特点？书上p27
属性是一个数据字段，表示数据对象的一个特征。

包括：
定性的：描述特征，不给出实际大小和数量：

1. 标称属性
   其值是一些符号或者事物的名称，每个值代表某种编码或状态。是分类的，不必具有有意义的序。
2. 二元属性(binary attribute)
   是一种标称属性，只有两个状态：0或1。
   对称的(symmetric): 两种状态具有同等价值，携带相同权重。如：性别
   非对称的(asymmetric): 其状态的结果不是同样重要。如：艾滋病毒的阳性和阴性结果。对重要的结果用1编码，另一个用0编码。
3. 序数属性(ordinal attribute)
   其可能的值之间具有有意义的序或者秩评定(ranking)，但是相继值之间的差是未知的。

定量的：可度量的量

4. 数值属性
   数值属性是定量的，它是可度量的量
   区间标度属性:使用相等的单位尺度度量。可以为正，0，负。
   值有序，可以评估值之间的差，不能评估倍数。
   没有绝对的零点。
   比率标度(ratio-scaled)属性:具有固定零点的数值属性。
   值有序，可以评估值之间的差，也可以说一个值是另一个的倍数。

其他类型

5. 离散属性(discrete Attribute)：具有有限或者无限可数个值，可以用或不用整数表示。
   连续属性(Continuous Attribute)：属性值为实数。如果属性不是离散就是连续的。

二、什么叫数据立方体？什么叫冰山立方体？书上p122
答：

• 数据立方体是一种多维数据模型,允许以多维对数据建模和观察。数据立方体由方体的格组成，每个方体代表一个group-by，对应给定多维数据的一个不同级别的汇总。
• 冰山立方体：对于稀疏的数据立方体，我们往往通过指定一个最小支持度阈值（也称冰山条件），来进行部分物化。
  这种部分物化的方体称之为冰山方体，其只存放其聚集值大于某个最小支持度阈值的立方体单元。

三、简要介绍聚类方法，每种给出一个例子 书上p320
划分方法：

• 概念：给定一个n个对象或元组的数据库，一个划分方法构建数据的k个划分，每个划分表示一个簇，并且k<=n。它采用迭代重定位的方式，把对象从一个簇转移到另一个簇来改变划分质量。
  划分准则：同一个聚类中的对象尽可能的接近或相关，不同聚类中的对象尽可能的远离或不同。
• 举例：K-均值和K-中心点算法。
• 特点：
  发现的球形互斥的簇。
  基于距离。
  可以用均值或中心点等代表簇中心。
  对中小规模数据集有效。

层次方法：

• 概念：对给定数据对象集合进行层次分解；
  自底向上方法（凝聚）：开始将每个对象作为单独的一个组，然后相继的合并相近的对象或组，直到所有的组合并为一个，或者达到一个终止条件。
  自顶向下方法（分裂）：开始将所有的对象置于一个簇中，在迭代的每一步，一个簇被分裂为多个更小的簇，直到最终每个对象在一个单独的簇中，或达到一个终止条件
• 举例：AGNES算法（自底向上方法）DIANA算法（自顶向下方法）
• 特点：
  聚类是一个层次分解（多层）
  不能纠正错误的合并
  可以集成其他技术

基于密度的方法：

• 概念：根据邻域中对象的密度，或根据某种密度函数生成簇。指导思想是，只要一个区域中的点的密度大于某个域值，就把它加到与之相近的聚类中去。这类算法能克服基于距离的算法只能发现“类圆形”的聚类的缺点，可发现任意形状的聚类，且对噪声数据不敏感。
• 举例：DBSCAN、OPTICS、DENCLUE算法
• 特点
  可以发现任意形状的簇
  簇是对象空间中被低密度区域分割开的稠密区域。
  簇密度：每个点的领域内必须有最少个数个点。
  可能过滤离群点

基于网格的方法

• 概念：把对象空间量化为有限数目的单元，形成一个网格结构。所有的聚类都在这个网格结构上进行。
• 举例：STING算法
• 特点：
  使用一种多分辨率网格数据结构
  快速处理

四、离群点检测的挑战 书上p354
答：

1. 正常对象和离群点的有效建模
2. 针对应用的离群点检测
   不同的应用有不同的要求，不可能开发通用的离群点检测的方法。
3. 在离群点检测中处理噪声
4. 可理解性
   被检测的点为什么是噪点

大题

K均值

书上p320

Apriori算法

min_sup ：最小支持度，min_conf：最小置信度

书上p161 例题

信息增益进行决策树归纳

书上p218

综述题

物联网相关

以你对物联网信息系统的了解，回答下面两个问题：
(1) 在搭建物联网信息系统时，面临的挑战。(7.5 分)

答：
一、安全
二、平台

收集整理了一份《2024年最新物联网嵌入式全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升的朋友。

如果你需要这些资料，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人

都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

链图片转存中…(img-F50xQXTy-1715637179753)]
[外链图片转存中…(img-G1HJADwd-1715637179754)]

如果你需要这些资料，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人

都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！