【数据挖掘笔记二】认识数据

 

2.认识数据

提出一些问题来开启数据的认识。数据由什么类型的属性或字段组成？每个属性具有何种类型的数据值？那些属性是离散的，那些事连续值的？数据值如何分布？什么方法更好地可视化数据可看出离群点？如何度量数据对象之间的相似性或相异性？

2.1数据对象与属性类型

数据集是由数据对象组成。一个数据对象代表一个实体。数据对象用属性描述。数据对象也称样本、实例、数据点或对象。如果数据对象存放在数据库中，则是数据元组，数据库的行对应于数据对象，而列对应于属性。

1） 什么是属性

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（variable）表示同样概念。

“维”一般用在数据仓库中。

“特征”用在机器学习中。

“变量”用在统计学中。

“属性”用在数据挖掘和数据库中。

给定属性的观测值称做观测。用来描述一个给定对象的一组属性称做属性向量（或特征向量）。设计一个属性（或变量）的数据分布称做单变量的（univariate）。双变量（bivariate）分布涉及两个属性。

一个属性的类型由该属性可能具有的值的集合决定。属性可以是标称的、二元的、序数的或数值的。

2）标称属性

标称意味与名称相关。标称属性（nominal attribute）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，因此标称属性也被看做是分类的（categorical），这些值不必具有有意义的序，在计算科学中，这些值也可看做是枚举的（enumeration）。

标称属性值并不具有有意义的序，并且不是定量的。对于标称属性来说，要描述其集中趋势，就是通过众数（mode）来。

3）二元属性

二元属性(binaryattribute)是一种标称属性，只有两个类别或状态：0或1。二元属性也称布尔属性。如果两种状态具有同等价值或相同权重，则是对称的；如果其状态的结果不是同样重要的，则是非对称的。

4）序数属性

序数属性(ordinalattribute)，其可能的值之间具有有意义的序或秩平顶（ranking），但是相继值之间的差是未知的，适用于记录不能客观度量的主管质量评估，通常用于等级评定调查。

在数据归约中，序数属性可通过把数值量的值域划分为有限个有序类别，把数值属性离散化而得到。序数属性的中心趋势可以用它的众数和中位数（有序序列的中间值）表示，但不能定义均值。

标称、二元和序数属性都是定性的，即它们描述对象的特征，但不给出实际大小或数量。

5）数值属性

数值属性（numericattribute）是定量的，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。除了值的秩评定之外，该属性还允许比较和定量评估值之间的差。区间标度属性是数值的，可计算均值。

比率标度（ratio-scaled）属性具有固有零点的数值属性。就是说，如果度量是比率标度的，则可以说一个值是另一个的倍数（或比率）。值是有序的，可计算值之间的差，也可以计算均值、众数和中位数。

6）离散属性与连续属性

属性分类标称、二元、序数和数值类型。机器学习领域通常把属性分成离散的或连续的。离散属性具有有限或无限个数，可以用或不用整数表示。数值属性和连续属性是等同的，连续属性一般用浮点变量表示。

2.2数据的