数据挖掘mooc国防科技大学笔记（自留）

• 第一章 导论
• 认识数据
• 数据预处理
• 朴素贝叶斯分类
• 决策树分类
• k-均值聚类
• 逻辑回归
• 关联规则挖掘
• 数据挖掘实践
• 支持向量机
• 神经网络分类
• 集成学习

---

（持续更新中）

• 第一章 导论

什么是数据挖掘

三个概念：

知识：就是要通过一定的判断来得出答案，不是浅显的数据

主要的四个方面

以下是这四个方面的基础了解
关联规则挖掘：

通俗来说，就是不少人去超市，买了面包也很有可能会买牛奶，所以商家把牛奶和面包放在一块或者是捆起来一起卖

监督式机器学习：（分类，比如让计算机判定哪个是苹果，哪个是梨）
标签分类：

数值预测：

聚类分析：
（比如我有一个篮子，要把里面的水果分到两个篮子里，我先拿出一个放在左边的篮子，再拿出一个
跟第一个比较，进行相似度计算，如果像的话，放在一起，不像放在右边的篮子里，以此类推）

回归：

• 认识数据

一些术语

数据对象=一行数据
数据集的一列数据=属性
数据对象也称为样品 实例 示例 数据点 对象 元组

属性的四种类型：
标称，序数，区间，比率



标称：
对称二进制和不对称二进制的区别：
对称：性别：男和女数量大致相等
不对称：核酸检测：得阳性的人和得阴性的人数量

序数

区间

比率
（区别于区间：有0点）

数据统计汇总

分位数，箱型图：


箱型图包括：

比最小值小，比最大值大的：离群点

数据可视化

箱型图：

直方图：
蓝色区域表示第一种花的花萼长度
红色第二种 绿色第三种
很容易看出来三种花的区别

小问题：

散点图：
优点1：

（正相关，负相关，不相关）

可以看出来房屋面积和建筑面积和房价有较高正相关

优点2：

（女性在左下角 男性在右上角）

数据相似性

数据相似性度量（聚类：利用相似性分类）

d(2,1):第二个数据和第一个数据的距离
对角线的0代表：自己与自己的距离为0

问：

众所周知 我们有4个数据类型
每个数据类型有不一样的计算方法
标称型：

p：总共有四个属性 m：只有属性1对上了
标称数据中有特殊的数据类型：二进制类型，怎么计算距离？

将两个数据的对象形成一个邻接表（比如jack和mary）
形成一个领接矩阵

q:都呈阳性的有多少个
r：jack生病的为1的 mary没病的为0的有多少个
以此类推


提问：
为什么要把t去掉？

补充：

计算答案：（因为是非对称二进制数据）