数据挖掘期末抱佛脚专用 华南农业大学

简答题

---

1. SVM的优缺点

• 优点：
  【1】使用内积核函数向高维空间进行非线性映射
  【2】对特征空间进行超平面的划分，另外，最大化边界是SVM的核心思想
  【3】避免维度灾难
  【4】对于小样本好

• 缺点：
  【1】对大样本不好
  【2】多分类不方便，要解决的策略：一对一，一对多，组合二分类，SVM决策树

---

2. Kmeans的优缺点

• 优点：
  【1】简单，好，复杂度：O(knt)，k聚类数，n样本数量，t迭代次数
  【2】对于类和类明显区别明显的，好！

• 缺点
  【1】对于类和类之间不明显的，不好！
  【2】抗噪能力差
  【3】无法解决离群异常点的问题

---

3. K中心点相对于Kmeans的改进之处

解决了离群特异的问题

---

4. 决策树的生成过程

计算信息熵的时候，信息熵越小，信息的效益越大。

关于某个属性的信息熵的计算公式：

假设现在有这么一个表：

属性1	属性2	类别

假设属性1的可能是两种：A或者B

$$E_{属性1=A}=-\frac{数{量}_{属性1=A且类别=？}}{数{量}_{属性1=A}}lo{g}_2(\&)-...-...-$$

那么：
$$entropy(S,属性1)=\frac{数{量}_{属性1=A}}{总样本数}\ast E_{属性1=A}+....$$

角色：

• sample：样本list
• at_list：属性的list

def Gen_tree(samples, at_list):
	N = node()
	if all_in_same_Label(samples) == True:
		return N # 则返回N作为叶节点，并且标记为对应的label value, 程序结束
	if len(at_size) == 0:
		return N # 则返回N作为叶节点，并且标记为对应的label value
	test_at = max_info(at_list) # 选取最大信息增益的属性作为当前的test_at
	N = test_at # 标记当前节点为test_at
	for op_value in test_at:
		N.branch(condition:test_at == op_value).grow()
		si = find_from_samples(samples, test_at = op_value)
		if len(si) == 0:
			N.branch(condition:test_at == op_value).end()
		else:
			Gen_tree(samples, at_list.remove(test_at))	

---

5. SOM算法的过程

• 用随机数初始化权重，生成初始优胜域
• 接受输入向量
• 计算$x_i$和$w_i$的点积，寻找优胜权重点
• 利用学习率更新优胜域

---

6. 密度聚类算法的原理+名词

局部密度：
$$\begin{gathered} x(d)=\{\begin{array}{l}1,d<R\\ 0,d>=R\end{array} \\ \rho =\sum x(d) \end{gathered}$$

距离阈值：$${\theta }_i=\underset{j:{\rho }_i>{\rho }_j}{\min }(d_{i}j)$$

聚类中心：大局部密度和大距离阈值的点

异端点：小局部密度和距离高密度点远的点

原理：利用低密度区域对高密度区域进行分割。

过程：

• 计算每个点到高密度点的距离和每个点的局部密度
• 找出聚类中心和异端点

(无需优化迭代)

---

7. 贝叶斯决策准则的优缺点

• 优点：
  稳定，强壮，简单

• 缺点：
  一旦，条件不独立，GG

---

---

8. SOM的拓扑结构

【1】一维的：

【2】二维的

---

9. C4.5相对于ID3的优胜之处

【1】用了信息增益比例
【2】扩充到数值属性
【3】处理具有缺失样本的时候用平均值代替
【4】K次迭代交叉校验

---

计算题

---

1. 卡方检验

期望是：横平均

打横计算期望，然后计算：

$$x^2=\sum \frac{(x_i-x_{期望}{)}^2}{x_{期望}}$$

查表，解决。

---

2. 贝叶斯分类

第一步，你先把标签筛选出来，然后，计算

• $P(C|Label)=\frac{Su{m}_{C\&Label}}{Su{m}_{Label}}$
• $P(Label)=\frac{Su{m}_{Label}}{Sum}$

计算：$$P(Label)\ast P(C_i|Label)...$$

看哪种可能性更大

---

3. Kmeans的计算过程

【1】随机得出一个数作为中心点
【2】计算每一个样本点到中心点的欧氏距离
【3】计算每一个类的平均值
【4】得到的新的中心，迭代…

---

4. K中心点的计算过程

【1】你先随机选择样本点作为中心点
【2】然后计算样本点到中心点的曼哈顿距离
【3】然后交换可能性，得到新的中心点策略
【4】计算在新的中心点策略下，每一种策略的代价和当前策略的代价的差
【5】采取负最大的那个代价差作为新的策略，然后迭代…

---

5. Apriori算法计算过程

先找出一级频繁项集，二级的，三级的，注意，在从二级到三级的时候，我们要检查：非频繁剪枝问题。然后罗列出频繁项集表，分析规则，注意，规则的两者$A\to B$，A和B必须处于同一个频繁项集当中，而且两者恰好能组成母集。

$$conf=\frac{su{m}_{母}}{su{m}_A}$$

---

6. 分箱，规范化的计算过程

• 等宽分箱：我们先求出最大值和最小值之间的差值是多大，然后根据要求的箱数，计算区间大小，然后分。不能保证每个箱子的样本数量一样多。

• 等深分箱：先对数据进行排序，然后根据要求的箱数，进行数量上划分，能做到：基本满足每个箱子的样本数量一样多。

• Min-Max
  $$V=\frac{D_{new}}{D_{old}}(V-mi{n}_{old})+mi{n}_{new}$$

• Z-Score
  $$V=\frac{V-\bar{V}}{V_{标准差}}$$

• 小数定标：

注意，定标出来的，不能等于1.
[9,99] = [0.09,0.99]
[9,100] = [0.09, 0.1]

---

7. 距离函数计算（欧式，曼哈顿，切比雪夫，余弦）

假设两个向量： X = { x 1 , x 2 } X=\{x_1,x_2\} X={x1​,x2​}和 Y = { y 1 , y 2 } Y=\{y_1,y_2\} Y={y1​,y2​}

• 欧式距离：
  $$D=\sqrt{(x_1-y_1{)}^2+(x_2-y_2{)}^2}$$

• 曼哈顿距离：
  $$D=|x_1-y_1|+|x_2-y_2|$$

• 切比雪夫距离：
  $$D=max(|x_1-y_1|,|x_2-y_2|)$$

• 余弦距离：
  $$D=\frac{XY}{|X||Y|}$$

---

8. 贝叶斯信念网络的例子分析题目

（1）没有先验信息，问得心脏病的概率？

解：

能推导出心脏病的无非就是：锻炼事件和饮食事件，

$$P(HD=yes)$$$$=0.25\ast 0.7\ast 0.25+0.45\ast 0.7\ast 0.75+0.55\ast 0.3\ast 0.25+0.75\ast 0.3\ast 0.75$$
$$=0.49$$

（2）已知有高血压，问得心脏病的概率？

$$P(BP=high)=0.5185$$

$$P(HD=yes|BP=high)=\frac{P(HD=yes\&BP=high)\ast P(HD=yes)}{P(BP=high)}$$
$$=\frac{0.85\ast 0.49}{0.5185}$$