数据挖掘概念与技术（原书第三版）范明 孟小峰译-----第三章课后习题答案

第三章答案

---

该答案为重庆大学计算机学院Jack Channy所作，由于本人水平有限，难免有错误和不当之处，如有意见请评论或者发邮件至majiecqu@126.com。

3.1 数据质量可以从多方面评估，包括准确性、完整性、一致性问题……
准确性：对于一些需要进行精准营销的商品，比如蛋糕店的生日蛋糕、孕妇必备物品等，以上这些商品则需要数据的准确性。
完整性：如果要对某宝、某东或者某宁的买家信息进行一个数据挖掘，从而用来营销其他东西，比如要对地址进行挖掘，此时详细、完整的地址数据则是一个必备的特性。
一致性问题：由于某些不可抗因素而导致的数据不一致，比如技术问题，在并发量大的情况下，记录数据时出现问题；或者某些数据值是一样的，然而在不同的数据库中其命名却不一样；这些不一致性问题在数据挖掘时则会影响挖掘的结果。
数据质量的其他两个尺度：时效性和可信性。

3.2 在现实世界的数据中，某些属性……
解决缺失值有如下方法：

• 忽略该元组；
• 人工填写缺失值；
• 使用一个全局常量填充缺失值；
• 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者中位数；
• 使用回归、贝叶斯方法或者决策树与对缺失值进行预测。

3.3 在习题2.2中，属性age包括如下值……

(a) 使用深度为3的箱，用箱均值光滑以上数据。说明你的步骤，讨论这种技术对给定数据的效果。
首先将以上数据划分为深度为3的箱：（13，15，16，16，19，20，20，21，22），（22，25，25，25，25，30，33，33，35），（35，35，35，36，40，45，46，52，70）；其次，用箱均值光滑：（18，18，18，18，18，18，18，18，18）， （28，28，28，28，28，28，28，28，28）， （43.7，43.7，43.7，43.7，43.7，43.7，43.7，43.7，43.7）。对于给定数据，该方法虽然在一定程度上光滑了噪声数据，但是由于箱深度太小，将数据的分布特征也抹去了。

(b) 如何确定该数据中的离群点？
可以将以上数据看作到0点的距离，然后通过聚类方法识别以上数据中的离群点。

(c) 还有什么其他方法可以用来光滑数据
可以用回归、聚类等来检测离群点。

3.4 讨论数据集成需要考虑的问题。
在数据集成时，需要考虑诸如实体识别、数据冗余、以及元组的重复等问题。

3.5 如下规范化方法的值域是什么？

• 最小最大规范化。
  $[new\_min_A,new\_max_A]$

• $z$分数规范化。
  $[\frac{v_{min}-\overline{A}}{\sigma_A},\frac{v_{max}-\overline{A}}{\sigma_A}]$

• $z$分数规范化，使用绝对偏差而不是标准差。
  [v