數(shù)據(jù)挖掘試題(150道)

無序規(guī)則B,窮舉規(guī)則C,互斥規(guī)則D,有序規(guī)則如果規(guī)則集中的規(guī)則按照優(yōu)先級(jí)降序排列，則稱規(guī)則集是（D）無序規(guī)則B,窮舉規(guī)則C,互斥規(guī)則D,有序規(guī)則如果允許一條記錄觸發(fā)多條分類規(guī)則,把每條被觸發(fā)規(guī)則的后件看作是對(duì)相應(yīng)類的一次投票，然后計(jì)票確定測(cè)試記錄的類標(biāo)號(hào)，稱為（A）無序規(guī)則B,窮舉規(guī)則C,互斥規(guī)則D,有序規(guī)則考慮兩隊(duì)之間的足球比賽：隊(duì)0和隊(duì)1。假設(shè)65%的比賽隊(duì)0勝出,剩余的比賽隊(duì)1獲勝。隊(duì)0獲勝的比賽中只有30%是在隊(duì)1的主場(chǎng),而隊(duì)1取勝的比賽中75%是主場(chǎng)獲勝。如果下一場(chǎng)比賽在隊(duì)1的主場(chǎng)進(jìn)行隊(duì)1獲勝的概率為（C）B,C,D,以下關(guān)于人工神經(jīng)網(wǎng)絡(luò)（ANN）的描述錯(cuò)誤的有（A）神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)中的噪聲非常魯棒B,可以處理冗余特征C,訓(xùn)練ANN是一個(gè)很耗時(shí)的過程D,至少含有一個(gè)隱藏層的多層神經(jīng)網(wǎng)絡(luò)通過聚集多個(gè)分類器的預(yù)測(cè)來提高分類準(zhǔn)確率的技術(shù)稱為（A）A,組合（ensemble）B,聚集（aggregate）C,合并（combination）D,投票（voting）簡單地將數(shù)據(jù)對(duì)象集劃分成不重疊的子集,使得每個(gè)數(shù)據(jù)對(duì)象恰在一個(gè)子集中,這種聚類類型稱作（B）A、層次聚類B、劃分聚類C、非互斥聚類D、模糊聚類在基本K均值算法里，當(dāng)鄰近度函數(shù)采用（A）的時(shí)候，合適的質(zhì)心是簇中各點(diǎn)的中位數(shù)。A、曼哈頓距離B、平方歐幾里德距離C、余弦距離D、Bregman散度（C）是一個(gè)觀測(cè)值,它與其他觀測(cè)值的差別如此之大,以至于懷疑它是由不同的機(jī)制產(chǎn)生的。A、邊界點(diǎn)B、質(zhì)心C、離群點(diǎn)D、核心點(diǎn)BIRCH是一種（B）。A、分類器B、聚類算法C、關(guān)聯(lián)分析算法D、特征選擇算法檢測(cè)一元正態(tài)分布中的離群點(diǎn),屬于異常檢測(cè)中的基于（A）的離群點(diǎn)檢測(cè)。A、統(tǒng)計(jì)方法B、鄰近度C、密度D、聚類技術(shù)（C）將兩個(gè)簇的鄰近度定義為不同簇的所有點(diǎn)對(duì)的平均逐對(duì)鄰近度,它是一種凝聚層次聚類技術(shù)。A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Ward方法（D）將兩個(gè)簇的鄰近度定義為兩個(gè)簇合并時(shí)導(dǎo)致的平方誤差的增量,它是一種凝聚層次聚類技術(shù)。A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Ward方法DBSCAN在最壞情況下的時(shí)間復(fù)雜度是（B）。A、O（m）B、O（m2）C、O（logm）D、O（m*logm）在基于圖的簇評(píng)估度量表里面，如果簇度量為proximity（Ci,C）,簇權(quán)值為mi,那么它的類型是（C）。A、基于圖的凝聚度B、基于原型的凝聚度C、基于原型的分離度D、基于圖的凝聚度和分離度關(guān)于K均值和DBSCAN的比較，以下說法不正確的是（A）。A、K均值丟棄被它識(shí)別為噪聲的對(duì)象，而DBSCAN一般聚類所有對(duì)象。B、K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。C、K均值很難處理非球形的簇和不同大小的簇，DBSCAN可以處理不同大小和不同形狀的簇。D、K均值可以發(fā)現(xiàn)不是明顯分離的簇，即便簇有重疊也可以發(fā)現(xiàn)，但是DBSCAN會(huì)合并有重疊的簇。以下是哪一個(gè)聚類算法的算法流程：①構(gòu)造k—最近鄰圖。②使用多層圖劃分算法劃分圖。③repeat：合并關(guān)于相對(duì)互連性和相對(duì)接近性而言，最好地保持簇的自相似性的簇。④until：不再有可以合并的簇。（C）。A、MSTB、OPOSSUMC、ChameleonD、Jarvis—Patrick（JP）考慮這么一種情況：一個(gè)對(duì)象碰巧與另一個(gè)對(duì)象相對(duì)接近，但屬于不同的類，因?yàn)檫@兩個(gè)對(duì)象一般不會(huì)共享許多近鄰，所以應(yīng)該選擇（D）的相似度計(jì)算方法。A、平方歐幾里德距離B、余弦距離C、直接相似度D、共享最近鄰以下屬于可伸縮聚類算法的是（A）。A、CUREB、DENCLUEC、CLIQUED、OPOSSUM以下哪個(gè)聚類算法不是屬于基于原型的聚類（D）。A、模糊c均值B、EM算法C、SOMD、CLIQUE關(guān)于混合模型聚類算法的優(yōu)缺點(diǎn)，下面說法正確的是（B）。A、當(dāng)簇只包含少量數(shù)據(jù)點(diǎn)，或者數(shù)據(jù)點(diǎn)近似協(xié)線性時(shí)，混合模型也能很好地處理。B、混合模型比K均值或模糊c均值更一般，因?yàn)樗梢允褂酶鞣N類型的分布。C、混合模型很難發(fā)現(xiàn)不同大小和橢球形狀的簇。D、混合模型在有噪聲和離群點(diǎn)時(shí)不會(huì)存在問題。以下哪個(gè)聚類算法不屬于基于網(wǎng)格的聚類算法（D）。A、STINGB、WaveClusterC、MAFIAD、BIRCH一個(gè)對(duì)象的離群點(diǎn)得分是該對(duì)象周圍密度的逆。這是基于（C）的離群點(diǎn)定義。A.概率B、鄰近度C、密度D、聚類下面關(guān)于Jarvis—Patrick（JP）聚類算法的說法不正確的是（D）。A、JP聚類擅長處理噪聲和離群點(diǎn)，并且能夠處理不同大小、形狀和密度的簇。B、JP算法對(duì)高維數(shù)據(jù)效果良好，尤其擅長發(fā)現(xiàn)強(qiáng)相關(guān)對(duì)象的緊致簇。C、JP聚類是基于SNN相似度的概念。D、JP聚類的基本時(shí)間復(fù)雜度為0（m）。二、多選題通過數(shù)據(jù)挖掘過程所推倒出的關(guān)系和摘要經(jīng)常被稱為：（AB）A.模型B.模式C.模范D.模具尋找數(shù)據(jù)集中的關(guān)系是為了尋找精確、方便并且有價(jià)值地總結(jié)了數(shù)據(jù)的某一特征的表示，這個(gè)過程包括了以下哪些步驟（ABCD）決定要使用的表示的特征和結(jié)構(gòu)決定如何量化和比較不同表示擬合數(shù)據(jù)的好壞選擇一個(gè)算法過程使評(píng)分函數(shù)最優(yōu)決定用什么樣的數(shù)據(jù)管理原則以高效地實(shí)現(xiàn)算法。數(shù)據(jù)挖掘的預(yù)測(cè)建模任務(wù)主要包括哪幾大類問題（AB）A.分類B.回歸C.模式發(fā)現(xiàn)D.模式匹配數(shù)據(jù)挖掘算法的組件包括：（ABCD）A.模型或模型結(jié)構(gòu)B.評(píng)分函數(shù)C.優(yōu)化和搜索方法D.數(shù)據(jù)管理策略以下哪些學(xué)科和數(shù)據(jù)挖掘有密切聯(lián)系（AD）A.統(tǒng)計(jì)B.計(jì)算機(jī)組成原理C.礦產(chǎn)挖掘D.人工智能在現(xiàn)實(shí)世界的數(shù)據(jù)中，元組在某些屬性上缺少值是常有的。描述處理該問題的各種方法有：(ABCDE)A忽略元組C使用一個(gè)全局常量填充空缺值B使用屬性的平均值填充空缺值D使用與給定元組屬同一類的所有樣本的平均值E使用最可能的值填充空缺值下面哪些屬于可視化高維數(shù)據(jù)技術(shù)(ABCE)A矩陣B平行坐標(biāo)系C星形坐標(biāo)D散布圖EChernoff臉對(duì)于數(shù)據(jù)挖掘中的原始數(shù)據(jù)，存在的問題有：(ABCDE)A不一致B重復(fù)C不完整D含噪聲E維度高9?下列屬于不同的有序數(shù)據(jù)的有：(ABCE)A時(shí)序數(shù)據(jù)B序列數(shù)據(jù)C時(shí)間序列數(shù)據(jù)D事務(wù)數(shù)據(jù)E空間數(shù)據(jù)下面屬于數(shù)據(jù)集的一般特性的有：(BCD)A連續(xù)性B維度C稀疏性D分辨率E相異性下面屬于維歸約常用的線性代數(shù)技術(shù)的有：(AC)A主成分分析B特征提取C奇異值分解D特征加權(quán)E離散化下面列出的條目中，哪些是數(shù)據(jù)倉庫的基本特征：(ACD)A.數(shù)據(jù)倉庫是面向主題的B.數(shù)據(jù)倉庫的數(shù)據(jù)是集成的C.數(shù)據(jù)倉庫的數(shù)據(jù)是相對(duì)穩(wěn)定的D.數(shù)據(jù)倉庫的數(shù)據(jù)是反映歷史變化的數(shù)據(jù)倉庫是面向事務(wù)的以下各項(xiàng)均是針對(duì)數(shù)據(jù)倉庫的不同說法，你認(rèn)為正確的有(BCDE)。數(shù)據(jù)倉庫就是數(shù)據(jù)庫數(shù)據(jù)倉庫是一切商業(yè)智能系統(tǒng)的基礎(chǔ)數(shù)據(jù)倉庫是面向業(yè)務(wù)的，支持聯(lián)機(jī)事務(wù)處理(OLTP)數(shù)據(jù)倉庫支持決策而非事務(wù)處理數(shù)據(jù)倉庫的主要目標(biāo)就是幫助分析，做長期性的戰(zhàn)略制定數(shù)據(jù)倉庫在技術(shù)上的工作過程是：(ABCD)A.數(shù)據(jù)的抽取B.存儲(chǔ)和管理C.數(shù)據(jù)的表現(xiàn)D.數(shù)據(jù)倉庫設(shè)計(jì)E.數(shù)據(jù)的表現(xiàn)聯(lián)機(jī)分析處理包括以下哪些基本分析功能(BCD)A.聚類B.切片C.轉(zhuǎn)軸D.切塊E.分類利用Apriori算法計(jì)算頻繁項(xiàng)集可以有效降低計(jì)算頻繁集的時(shí)間復(fù)雜度。在以下的購物籃中產(chǎn)生支持度不小于3的候選3-項(xiàng)集，在候選2-項(xiàng)集中需要剪枝的是(BD)ID項(xiàng)集1面包、牛奶2面包、尿布、啤酒、雞蛋3牛奶、尿布、啤酒、可樂4面包、牛奶、尿布、啤酒5面包、牛奶、尿布、可樂A、啤酒、尿布B、啤酒、面包C、面包、尿布D、啤酒、牛奶下表是一個(gè)購物籃，假定支持度閾值為40%，其中__(AD)__是頻繁閉項(xiàng)集。TID項(xiàng)1abc2abcdbceacdedeA、abcB、adC、cdD、deApriori算法的計(jì)算復(fù)雜度受—（ABCD）—影響。A、支持度閥值B、項(xiàng)數(shù)（維度）C、事務(wù)數(shù)D、事務(wù)平均寬度非頻繁模式__（AD）__A、其支持度小于閾值B、都是不讓人感興趣的C、包含負(fù)模式和負(fù)相關(guān)模式D、對(duì)異常數(shù)據(jù)項(xiàng)敏感以下屬于分類器評(píng)價(jià)或比較尺度的有：A,預(yù)測(cè)準(zhǔn)確度B,召回率C,模型描述的簡潔度計(jì)算復(fù)雜度（ACD）在評(píng)價(jià)不平衡類問題分類的度量方法有如下幾種，A,F1度量B,召回率（recall）C,精度（precision）D,真正率（turepositiverate,TPR）（ABCD）貝葉斯信念網(wǎng)絡(luò)（BBN）有如下哪些特點(diǎn)，A,構(gòu)造網(wǎng)絡(luò)費(fèi)時(shí)費(fèi)力B,對(duì)模型的過分問題非常魯棒C,貝葉斯網(wǎng)絡(luò)不適合處理不完整的數(shù)據(jù)D,網(wǎng)絡(luò)結(jié)構(gòu)確定后，添加變量相當(dāng)麻煩（AB）如下哪些不是最近鄰分類器的特點(diǎn)，A,它使用具體的訓(xùn)練實(shí)例進(jìn)行預(yù)測(cè)，不必維護(hù)源自數(shù)據(jù)的模型B,分類一個(gè)測(cè)試樣例開銷很大C,最近鄰分類器基于全局信息進(jìn)行預(yù)測(cè)D,可以生產(chǎn)任意形狀的決策邊界（C）如下那些不是基于規(guī)則分類器的特點(diǎn)，A,規(guī)則集的表達(dá)能力遠(yuǎn)不如決策樹好B,基于規(guī)則的分類器都對(duì)屬性空間進(jìn)行直線劃分，并將類指派到每個(gè)劃分C,無法被用來產(chǎn)生更易于解釋的描述性模型D,非常適合處理類分布不平衡的數(shù)據(jù)集（AC）以下屬于聚類算法的是（ABD）。A、K均值B、DBSCANC、AprioriD、Jarvis-Patrick（JP）（CD）都屬于簇有效性的監(jiān)督度量。A、輪廓系數(shù)B、共性分類相關(guān)系數(shù)C、熵D、F度量簇有效性的面向相似性的度量包括（BC）。A、精度B、Rand統(tǒng)計(jì)量C、Jaccard系數(shù)D、召回率（ABCD）這些數(shù)據(jù)特性都是對(duì)聚類分析具有很強(qiáng)影響的。A、高維性B、規(guī)模C、稀疏性D、噪聲和離群點(diǎn)在聚類分析當(dāng)中，（AD）等技術(shù)可以處理任意形狀的簇。A、MIN（單鏈）B、MAX（全鏈）C、組平均D、Chameleon（AB）都屬于分裂的層次聚類算法。A、二分K均值B、MSTC、ChameleonD、組平均三、判斷題數(shù)據(jù)挖掘的主要任務(wù)是從數(shù)據(jù)中發(fā)現(xiàn)潛在的規(guī)則，從而能更好的完成描述數(shù)據(jù)、預(yù)測(cè)數(shù)據(jù)等任務(wù)。（對(duì)）數(shù)據(jù)挖掘的目標(biāo)不在于數(shù)據(jù)采集策略，而在于對(duì)于已經(jīng)存在的數(shù)據(jù)進(jìn)行模式的發(fā)掘。（對(duì)）圖挖掘技術(shù)在社會(huì)網(wǎng)絡(luò)分析中扮演了重要的角色。（對(duì)）模式為對(duì)數(shù)據(jù)集的全局性總結(jié)，它對(duì)整個(gè)測(cè)量空間的每一點(diǎn)做出描述；模型則對(duì)變量變化空間的一個(gè)有限區(qū)域做出描述。（錯(cuò)）尋找模式和規(guī)則主要是對(duì)數(shù)據(jù)進(jìn)行干擾，使其符合某種規(guī)則以及模式。（錯(cuò)）離群點(diǎn)可以是合法的數(shù)據(jù)對(duì)象或者值。（對(duì)）離散屬性總是具有有限個(gè)值。（錯(cuò)）錯(cuò)）噪聲和偽像是數(shù)據(jù)錯(cuò)誤這一相同表述的兩種叫法。錯(cuò)）用于分類的離散化方法之間的根本區(qū)別在于是否使用類信息。（對(duì)）特征提取技術(shù)并不依賴于特定的領(lǐng)域。（錯(cuò)）序列數(shù)據(jù)沒有時(shí)間戳。（對(duì)）定量屬性可以是整數(shù)值或者是連續(xù)值。（對(duì)）可視化技術(shù)對(duì)于分析的數(shù)據(jù)類型通常不是專用性的。（錯(cuò)）DSS主要是基于數(shù)據(jù)倉庫?聯(lián)機(jī)數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的應(yīng)用。（對(duì)）OLAP技術(shù)側(cè)重于把數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行分析、轉(zhuǎn)換成輔助決策信息，是繼數(shù)據(jù)庫技術(shù)發(fā)展之后迅猛發(fā)展起來的一種新技術(shù)。（對(duì)）商業(yè)智能系統(tǒng)與一般交易系統(tǒng)之間在系統(tǒng)設(shè)計(jì)上的主要區(qū)別在于：后者把結(jié)構(gòu)強(qiáng)加于商務(wù)之上，一旦系統(tǒng)設(shè)計(jì)完畢，其程序和規(guī)則不會(huì)輕易改變；而前者則是一個(gè)學(xué)習(xí)型系統(tǒng)，能自動(dòng)適應(yīng)商務(wù)不斷變化的要求。（對(duì)）數(shù)據(jù)倉庫中間層OLAP服務(wù)器只能采用關(guān)系型OLAP（錯(cuò)）18．?dāng)?shù)據(jù)倉庫系統(tǒng)的組成部分包括數(shù)據(jù)倉庫，倉庫管理，數(shù)據(jù)抽取，分析工具等四個(gè)部分.（錯(cuò)）Web數(shù)據(jù)挖掘是通過數(shù)據(jù)庫仲的一些屬性來預(yù)測(cè)另一個(gè)屬性,它在驗(yàn)證用戶提出的假設(shè)過程中提取信息.（錯(cuò)）21.關(guān)聯(lián)規(guī)則挖掘過程是發(fā)現(xiàn)滿足最小支持度的所有項(xiàng)集代表的規(guī)則。（錯(cuò)）22.利用先驗(yàn)原理可以幫助減少頻繁項(xiàng)集產(chǎn)生時(shí)需要探查的候選項(xiàng)個(gè)數(shù)（對(duì)）。23.先驗(yàn)原理可以表述為：如果一個(gè)項(xiàng)集是頻繁的，那包含它的所有項(xiàng)集也是頻繁的。（錯(cuò)24.如果規(guī)則不滿足置信度閾值，則形如的規(guī)則一定也不滿足置信度閾值，其中是X的子集。（對(duì)）25.具有較高的支持度的項(xiàng)集具有較高的置信度。（錯(cuò)）26.聚類（clustering）是這樣的過程：它找出描述并區(qū)分?jǐn)?shù)據(jù)類或概念的模型（或函TOC\o"1-5"\h\z數(shù)），以便能夠使用模型預(yù)測(cè)類標(biāo)記未知的對(duì)象類。（錯(cuò)）27.分類和回歸都可用于預(yù)測(cè)，分類的輸出是離散的類別值，而回歸的輸出是連續(xù)數(shù)值。（對(duì)）對(duì)于SVM分類算法，待分樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對(duì)分類結(jié)果沒有影響。（對(duì)）Bayes法是一種在已知后驗(yàn)概率與類條件概率的情況下的模式分類方法，待分樣本的分類結(jié)果取決于各類域中樣本的全體。（錯(cuò)）分類模型的誤差大致分為兩種：訓(xùn)練誤差（trainingerror）和泛化誤差（generalizationerror）.（對(duì)）在決策樹中，隨著樹中結(jié)點(diǎn)數(shù)變得太大，即使模型的訓(xùn)練誤差還在繼續(xù)減低，但是檢驗(yàn)誤差開始增大，這是出現(xiàn)了模型擬合不足的問題。（錯(cuò)）SVM是這樣一個(gè)分類器，他尋找具有最小邊緣的超平面，因此它也經(jīng)常被稱為最小邊緣分類器（minimalmarginclassifier）（錯(cuò)