【理论篇】数据挖掘 第二章 认识数据

说明：文章为《数据挖掘：概念与技术 原书第03版》的学习笔记，该书是数据挖掘领域的经典之作，想了解更多内容请参阅原著。

带着问题看文章：

        1、数据由什么类型的属性或字段组成？

        2、每个属性具有何种类型的数据值?

        3、哪些属性是离散的，哪些是连续值的?

        4、什么方法可以可视化地观察数据，以便更好地理解它吗?

        5、可以度量某些数据对象与其他数据对象之间的相似性吗?

一、数据对象与属性类型

        数据对象：数据集由数据对象组成，一个数据对象代表一个实体；例如，在销售数据库中，对象可以是顾客、商品或销售。

        属性(attribute)是一个数据字段，表示数据对象的一个特征。属性、维 (dimension)、特征(feature)和变量(varieble)可以互换地使用。

        1、标称属性（定性）：标称属性(nominal attibute)的值是一些符号或事物的名称。每个值代表某种类别、编码或状态，因此标称属性又被看做是分类的(calegorical)。这些值不必具有有意义的序。在计算机科学中，这些值也被看做是枚举的(enumeration)；

        2、二元属性（定性）：二元属性(binary attribute)是一种标称属性，只有两个类别或状态：0或1,其中0通常表示该属性不出现，而1表示出现。二元属性又称布尔属性，如果两种状态对应于 rue 和false 的话；二元属性分为对称二元属性（两种状态具有同等价值并且携带相间的权重）和非对称的二元属性（其状态的结果不是同样重要的）；

        3、序数属性（定性）：其可能的值之间具有有意义的序或秩评定(ranking)，但是相继值之间的差是未知的；

        4、数值属性（定量）：是可度量的量，用整数或实数值表示。数值属性可以是区间标度的或比率标度的；区间标度(interval-scaled)属性用相等的单位尺度度量。区间属性的值有序，可以为正、0或负；比率标度(ratio-scaled)属性是具有固有零点的数值属性。也就是说，如果度量是比率标度的，则我们可以说一个值是另一个的倍数(或比率)；

        5、离散属性与连续属性：离散属性具有有限或无限可数个值，可以用或不用整数表示；连续属性值为实数，一般用浮点变量表示。

二、数据的基本统计描述

        1、中心趋势度量：均值、中位数和众数；

        2、度量数据散布：极差、四分位数、方差、标准差和四分位数极差；

        3、数据的基本统计描述的图形显示；

三、 数据可视化

        1、基于像素的可视化技术；

        2、几何投影可视化技术；

        3、基于图符的可视化技术；

        4、层次可概化技术；

        5、可视化部杂对象和关系。

四、度量数据的相似性和相异性

        1、数据矩阵与相异性矩阵；

        2、标称属性的邻近性度量；

        3、二元属性的邻近性度量；

        4、数值属性的相异性；闵可夫斯基距离；

        5、序数属性的邻近性度量；

        6、混合类型属性的相异性；

        7、余弦相似性；