数据挖掘学习笔记（二）

第二章 认识数据

一、数据的属性
1.标称属性
值得特征：代表：某种类别、状态、编码。不必具有：有意义的顺序性、定量处理任务。
标称属性——分类的
标称属性值——枚举的
2.二元属性（布尔属性）
值得特征：只有两个类别或状态
3.序数属性（定序型）
值得特征：具有有意义的顺序性或秩的评定性。

4.数值属性
值得特征：整数或实数
5.离散属性
6.连续属性
二、数据的基本统计描述
1.均值
分类：①算数均值 ②加权算数均值 （每一个值xi，与一个权重wi相关联）
加权算数平均值扩展–频数（分布）表。


2.中位数


3**.众数**
含义：在集合中，出现次数最多的值。
数据集合的分类：单峰的→多峰的
4.中列数
在数据集中，最大值和最小值的平均值。

三、数据发散度量
1.极差
最大值和最小值的差
缺点：①小数据量的粗略分析②仅关注了最值的区间→其他数据的变异情况未知
2.分位数

• 有序数据被等份→每一个间隔点的值：分位数。（常见中位数（二分位数）、四分位数、百分位数）
• 数据分布的中心情况：中位数
• 数据分布的散布情况：一个百分位数Px（第X个百分位数）→数据被划成两部分
• （1）小于Px的值最多X%；或X%的值小于等于Px
• （2）大于Px的值最多1-X%，或1-X%的值大于等于Px。
  
  
  3.方差与标准差
• 描述数据分布的散布程度
• 比标准差低→数据趋向于：非常靠近均值
• 比标准差高→数据散布于：大的值区域
• 计算公式
  四、基本统计描述图形显示
  1.直方图
  2.散点图
  3.分位数图
  五、数据相似性和相异性度量
  相似性和向异性统称：（邻近性）
  1.相异性矩阵
• 存放n个对象、两两之前的邻近度
• 通常用n*n矩阵表示值
• d（i，j） 是对象i和j之间相异性的度量。对象i和j高度相似→值接近于0. 越不同→该值越大。
• 不匹配率的计算：d（i，j）=（p-m）/p （m：匹配的数目→对象i和j取值相同状态的属性数 ）（p：对象的属性总数）
• 
• 
• 匹配率：sum（i，j）=1-d（i，j）

—————————————————————————
下次再更吧