数据仓库与数据挖掘考试习题汇总3

2、元数据是描述数据仓库内数据的结构和建立方法的数据，它为访问数据仓库提供了一个信息目录，根据数据用途的不同可将数据仓库的元数据分为技术元数据和业务元数据两类。 3、数据处理通常分成两大类：联机事务处理和联机分析处理。

4、多维分析是指以“维”形式组织起来的数据（多维数据集）采取切片、切块、钻取和旋转等各种分析动作，以求剖析数据，使拥护能从不同角度、不同侧面观察数据仓库中的数据，从而深入理解多维数据集中的信息。 5、ROLAP是基于关系数据库的OLAP实现，而MOLAP是基于多维数据结构组织的OLAP实现。 6、数据仓库按照其开发过程，其关键环节包括数据抽取、数据存储于管理和数据表现等。

7、数据仓库系统的体系结构根据应用需求的不同，可以分为以下4种类型：两层架构、独立型数据集合、以来型数据结合和操作型数据存储和逻辑型数据集中和实时数据仓库。

8、操作型数据存储实际上是一个集成的、面向主题的、可更新的、当前值的（但是可“挥发”的）、企业级的、详细的数据库，也叫运营数据存储。

9、“实时数据仓库”以为着源数据系统、决策支持服务和仓库仓库之间以一个接近实时的速度交换数据和业务规则。 10、从应用的角度看，数据仓库的发展演变可以归纳为5个阶段：以报表为主、以分析为主、以预测模型为主、以运营导向为主和以实时数据仓库和自动决策为主。

1、调和数据是存储在企业级数据仓库和操作型数据存储中的数据。

2、抽取、转换、加载过程的目的是为决策支持应用提供一个单一的、权威数据源。因此，我们要求ETL过程产生的数据（即调和数据层）是详细的、历史的、规范的、可理解的、即时的和质量可控制的。

3、数据抽取的两个常见类型是静态抽取和增量抽取。静态抽取用于最初填充数据仓库，增量抽取用于进行数据仓库的维护。

4、粒度是对数据仓库中数据的综合程度高低的一个衡量。粒度越小，细节程度越高，综合程度越低，回答查询的种类越多。

5、使用星型模式可以从一定程度上提高查询效率。因为星型模式中数据的组织已经经过预处理，主要数据都在庞大的事实表中。

6、维度表一般又主键、分类层次和描述属性组成。对于主键可以选择两种方式：一种是采用自然键，另一种是采用代理键。

7、雪花型模式是对星型模式维表的进一步层次化和规范化来消除冗余的数据。

1

8、数据仓库中存在不同综合级别的数据。一般把数据分成4个级别：早期细节级、当前细节级、轻度综合级和高度综合级。

1、SQL Server SSAS提供了所有业务数据的同意整合试图，可以作为传统报表、在线分析处理、关键性能指示器记分卡和数据挖掘的基础。

2、数据仓库的概念模型通常采用信息包图法来进行设计，要求将其5个组成部分（包括名称、维度、类别、层次和度量）全面地描述出来。

3、数据仓库的逻辑模型通常采用星型图法来进行设计，要求将星型的各类逻辑实体完整地描述出来。

4、按照事实表中度量的可加性情况，可以把事实表对应的事实分为4种类型：事务事实、快照事实、线性项目事实和事件事实。

5、确定了数据仓库的粒度模型以后，为提高数据仓库的使用性能，还需要根据拥护需求设计聚合模型。

6、在项目实施时，根据事实表的特点和拥护的查询需求，可以选用时间、业务类型、区域和下属组织等多种数据分割类型。

7、当维表中的主键在事实表中没有与外键关联时，这样的维称为退化维。它于事实表并无关系，但有时在查询限制条件（如订单号码、出货单编号等）中需要用到。

8、维度可以根据其变化快慢分为元变化维度、缓慢变化维度和剧烈变化维度三类。

9、数据仓库的数据量通常较大，且数据一般很少更新，可以通过设计和优化索引结构来提高数据存取性能。 10、数据仓库数据库常见的存储优化方法包括表的归并与簇文件、反向规范化引入冗余、表的物理分割（分区）。 第四章

1、关联规则的经典算法包括Apriori算法和FP-growth算法,其中FP-grownth算法的效率更高。 2、如果L2={{a,b},{a,c},{a,d},{b,c},{b,d}},则 连接产生的C3={{a,b,c},{a,b,d},{a,c,d},{b,c,d}} 再经过修剪，C3={{a,b,c},{a,b,d}} 3、设定supmin=50%,交易集如 则L1={A}，{B}，{C} L2={A,C} T1 A B C T2 A C T3 A D

2

T4 B E F

1、分类的过程包括获取数据、预处理、分类器设计和分类决策。

2、分类器设计阶段包含三个过程：划分数据集、分类器构造和分类器测试。 3、分类问题中常用的评价准则有精确度、查全率和查准率和集合均值。 4、支持向量机中常用的核函数有多项式核函数、径向基核函数和S型核函数。

1、聚类分析包括连续型、二值离散型、多值离散型和混合类型4种类型描述属性的相似度计算方法。 2、连续型属性的数据样本之间的距离有欧氏距离、曼哈顿距离和明考斯基距离。

3、划分聚类方法对数据集进行聚类时包含三个要点：选种某种距离作为数据样本减的相似性度量、选择评价聚类性能的准则函数和选择某个初始分类，之后用迭代的方法得到聚类结果，使得评价聚类的准则函数取得最优值。 4、层次聚类方法包括凝聚型和分解型两中层次聚类方法。 1、数据仓库的组成P2

数据仓库数据库，数据抽取工具，元数据，访问工具，数据集市，数据仓库管理，信息发布系统

2、数据挖掘技术对聚类分析的要求有哪几个方面P131

可伸缩性；处理不同类型属性的能力；发现任意形状聚类的能力；减小对先验知识和用户自定义参数的依赖性；

处理噪声数据的能力；可解释性和实用性

3、数据仓库在存储和管理方面的特点与关键技术P7

数据仓库面对的是大量数据的存储与管理 并行处理

针对决策支持查询的优化 支持多维分析的查询模式

4、常见的聚类算法可以分为几类P132

基于划分的聚类算法，基于层次的聚类算法，基于密度的聚类算法，基于网格的聚类算法，基于模型的聚类算法 等。 5、一个典型的数据仓库系统的组成P12

数据源、数据存储与管理、OLAP服务器、前端工具与应用

6、 数据仓库常见的存储优化方法P71

表的归并与簇文件；反向规范化，引入冗余；表的物理分割。 7、 数据仓库发展演变的5个阶段P20

3

v1.0 可编辑可修改 以报表为主 以分析为主 以预测模型为主

以运行向导为主以实时数据仓库、自动决策应用为主 8、 ID3算法主要存在的缺点P116

（1）ID3算法在选择根结点和各内部结点中的分枝属性时，使用信息增益作为评价标准。信息增益的缺点是倾向于选择取值较多的属性，在有些情况下这类属性可能不会提供太多有价值的信息。 （2）ID3算法只能对描述属性为离散型属性的数据集构造决策树。 9、 简述数据仓库ETL软件的主要功能和对产生数据的目标要求。P30

ETL软件的主要功能:

数据的抽取，数据的转换，数据的加载 对产生数据的目标要求：

详细的、历史的、规范化的、可理解的、即时的、质量可控制的 10、简述分类器设计阶段包含的3个过程。★

划分数据集，分类器构造，分类器测试 11、什么是数据清洗P33★

数据清洗是一种使用模式识别和其他技术，在将原始数据转换和移到数据仓库之前来升级原始数据质量的技术。 12、支持度和置信度的计算公式及数据计算（P90）

找出所有的规则X Y , 使支持度和置信度分别大于门限支持度： 事务中X和Y同时发生的比例,P(X Ո Y)置信度：项集X发生时，Y同时发生的条件概率P(Y|X) Example:

13、利用信息包图设计数据仓库概念模型需要确定的三方面内容。P57

确定指标，确定维度，确定类别

c(XY)Support(XY)Support(X){Milk,Diaper}Beer(0.4, 0.67)14、K-近邻分类方法的操作步骤（包括算法的输入和输出）。P128

4

v1.0 可编辑可修改

15、什么是技术元数据，主要包含的内容P29

技术元数据是描述关于数据仓库技术细节的数据，应用于开发、管理和维护DW，包含：

DW结构的描述,如DW的模式、视图、维、层次结构和导出数据的定义，数据集市的位置和内容等

业务系统、DW和数据集市的体系结构和模式

汇总算法。包括度量和维定义算法，数据粒度、主题领域、聚合、汇总和预定义的查询和报告。

由操作型业务环境到数据仓库业务环境的映射。包括源数据和他们的内容、数据分割、数据提取、清洗、转换规则和数据刷新规则及安全（用户授权和存取控制）

16、业务元数据主要包含的内容P29

业务元数据：从业务角度描述了DW中的数据，提供了介于使用者和实际系统之间的语义层，主要包括：

使用者的业务属于所表达的数据模型、对象名和属性名 访问数据的原则和数据的来源

系统提供的分析方法及公式和报表的信息。

17、K-means算法的基本操作步骤（包括算法的输入和输出）。P138★

5

v1.0 可编辑可修改

18、数据从集结区加载到数据仓库中的主要方法P36

SQL命令（如Insert或Update） 由DW供应商或第三方提供专门的加载工具 由DW管理员编写自定义程序

19、多维数据模型中的基本概念：维，维类别，维属性，粒度P37

维：人们观察数据的特定角度，是考虑问题的一类属性，如时间维或产品维

维类别：也称维分层。即同一维度还可以存在细节程度不同的各个类别属性（如时间维包括年、季度、月等）

维属性：是维的一个取值，是数据线在某维中位置的描述。

粒度：DW中数据综合程度高低的一个衡量。粒度低，细节程度高，回答查询的种类多

单选题

1. 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题(A) A. 关联规则发现 B. 聚类

C. 分类 D. 自然语言处理

2. 以下两种描述分别对应哪两种对分类算法的评价标准 (A) (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 (b)描述有多少比例的小偷给警察抓了的标准。 A. Precision, Recall B. Recall, Precision A. Precision, ROC D. Recall, ROC

6

3. 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘

4. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 5. 什么是KDD (A)

A. 数据挖掘与知识发现 B. 领域知识发现 C. 文档知识发现 D. 动态知识发现

6. 使用交互式的和可视化的技术，对数据进行探索属于数据挖掘的哪一类任务（A） A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则

7. 为数据的总体分布建模；把多维空间划分成组等问题属于数据挖掘的哪一类任务(B) A. 探索性数据分析 B. 建模描述 C. 预测建模 D. 寻找模式和规则

8. 建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的哪一类任务(C) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则

9. 用户有一种感兴趣的模式并且希望在数据集中找到相似的模式，属于数据挖掘哪一类任务(A) A. 根据内容检索 B. 建模描述

C. 预测建模 D. 寻找模式和规则 11.下面哪种不属于数据预处理的方法 (D)

A变量代换 B离散化 C 聚集 D 估计遗漏值

12. 假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内 (B) A 第一个 B 第二个 C 第三个 D 第四个 13.上题中，等宽划分时（宽度为50），15又在哪个箱子里 (A) A 第一个 B 第二个 C 第三个 D 第四个 14.下面哪个不属于数据的属性类型：(D)

7

A 标称 B 序数 C 区间 D相异 15. 在上题中，属于定量的属性类型是：(C)

A 标称 B 序数 C区间 D 相异 16. 只有非零值才重要的二元属性被称作：( C )

A 计数属性 B 离散属性 C非对称的二元属性 D 对称属性 17. 以下哪种方法不属于特征选择的标准方法： (D) A嵌入 B 过滤 C 包装 D 抽样 18.下面不属于创建新属性的相关方法的是： (B)

A特征提取 B特征修改 C映射数据到新的空间 D特征构造 19. 考虑值集{1、2、3、4、5、90}，其截断均值（p=20%）是 (C) A 2 B 3 C D 5 20. 下面哪个属于映射数据到新的空间的方法 (A)

A 傅立叶变换 B特征加权 C 渐进抽样 D维归约

21. 熵是为消除不确定性所需要获得的信息量，投掷均匀正六面体骰子的熵是： (B) A 1比特 B 比特 C 比特 D 比特

22. 假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为：(D) A B C D

23.假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，30，33，33，35，35，36，40，45，46，52，70, 问题：使用按箱平均值平滑方法对上述数据进行平滑，箱的深度为3。第二个箱子值为：(A) A B C D

24. 考虑值集{12 24 33 2 4 55 68 26}，其四分位数极差是：(A) A 31 B 24 C 55 D 3

25. 一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年级110人。则年级属性的众数是： (A)

A 一年级 B二年级 C 三年级 D 四年级

8

26. 下列哪个不是专门用于可视化时间空间数据的技术： (B) A 等高线图 B饼图 C 曲面图 D 矢量场图

27. 在抽样方法中，当合适的样本容量很难确定时，可以使用的抽样方法是： (D) A 有放回的简单随机抽样 B无放回的简单随机抽样 C分层抽样 D 渐进抽样 28. 数据仓库是随着时间变化的,下面的描述不正确的是 (C) A. 数据仓库随时间的变化不断增加新的数据内容; B. 捕捉到的新数据会覆盖原来的快照; C. 数据仓库随事件变化不断删去旧的数据内容;

D. 数据仓库中包含大量的综合数据,这些综合数据会随着时间的变化不断地进行重新综合. 29. 关于基本数据的元数据是指: (D)

A. 基本元数据与数据源,数据仓库,数据集市和应用程序等结构相关的信息; B. 基本元数据包括与企业相关的管理方面的数据和信息; C. 基本元数据包括日志文件和简历执行处理的时序调度信息;

D. 基本元数据包括关于装载和更新处理,分析处理以及管理方面的信息. 30. 下面关于数据粒度的描述不正确的是: (C) A. 粒度是指数据仓库小数据单元的详细程度和级别; B. 数据越详细,粒度就越小,级别也就越高; C. 数据综合度越高,粒度也就越大,级别也就越高;

D. 粒度的具体划分将直接影响数据仓库中的数据量以及查询质量. 31. 有关数据仓库的开发特点,不正确的描述是: (A) A. 数据仓库开发要从数据出发;

B. 数据仓库使用的需求在开发出去就要明确;

C. 数据仓库的开发是一个不断循环的过程,是启发式的开发;

D. 在数据仓库环境中,并不存在操作型环境中所固定的和较确切的处理流,数据仓库中数据分析和处理更灵活,且没有固定的模式

32. 在有关数据仓库测试,下列说法不正确的是: (D)

A. 在完成数据仓库的实施过程中,需要对数据仓库进行各种测试.测试工作中要包括单元测试和系统测试.

9

B. 当数据仓库的每个单独组件完成后,就需要对他们进行单元测试.

C. 系统的集成测试需要对数据仓库的所有组件进行大量的功能测试和回归测试. D. 在测试之前没必要制定详细的测试计划. 33. OLAP技术的核心是: (D) A. 在线性;

B. 对用户的快速响应; C. 互操作性. D. 多维分析;

34. 关于OLAP的特性,下面正确的是: (D)

(1)快速性 (2)可分析性 (3)多维性 (4)信息性 (5)共享性 A. (1) (2) (3) B. (2) (3) (4) C. (1) (2) (3) (4) D. (1) (2) (3) (4) (5)

35. 关于OLAP和OLTP的区别描述,不正确的是: (C)

A. OLAP主要是关于如何理解聚集的大量不同的数据.它与OTAP应用程序不同. B. 与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务. C. OLAP的特点在于事务量大,但事务内容比较简单且重复率高.

D. OLAP是以数据仓库为基础的,但其最终数据来源与OLTP一样均来自底层的数据库系统,两者面对的用户是相同的. 36. OLAM技术一般简称为”数据联机分析挖掘”,下面说法正确的是: (D) A. OLAP和OLAM都基于客户机/服务器模式,只有后者有与用户的交互性; B. 由于OLAM的立方体和用于OLAP的立方体有本质的区别. C. 基于WEB的OLAM是WEB技术与OLAM技术的结合.

D. OLAM服务器通过用户图形借口接收用户的分析指令,在元数据的知道下,对超级立方体作一定的操作. 37. 关于OLAP和OLTP的说法,下列不正确的是: (A) A. OLAP事务量大,但事务内容比较简单且重复率高. B. OLAP的最终数据来源与OLTP不一样.

10

C. OLTP面对的是决策人员和高层管理人员. D. OLTP以应用为核心,是应用驱动的.

38. 设X={1，2，3}是频繁项集，则可由X产生__(C)__个关联规则。 A、4 B、5 C、6 D、7 40. 概念分层图是__(B)__图。

A、无向无环 B、有向无环 C、有向有环 D、无向有环

41. 频繁项集、频繁闭项集、最大频繁项集之间的关系是： (C) A、频繁项集 频繁闭项集 =最大频繁项集 B、频繁项集 = 频繁闭项集 最大频繁项集 C、频繁项集 频繁闭项集 最大频繁项集 D、频繁项集 = 频繁闭项集 = 最大频繁项集

42. 考虑下面的频繁3-项集的集合：{1，2，3}，{1，2，4}，{1，2，5}，{1，3，4}，{1，3，5}，{2，3，4}，{2，3，5}，{3，4，5}假定数据集中只有5个项，采用 合并策略，由候选产生过程得到4-项集不包含（C） A、1，2，3，4 B、1，2，3，5 C、1，2，4，5 D、1，3，4，5 43.下面选项中t不是s的子序列的是 ( C ) A、s=<{2,4},{3,5,6},{8}> t=<{2},{3,6},{8}> B、s=<{2,4},{3,5,6},{8}> t=<{2},{8}> C、s=<{1,2},{3,4}> t=<{1},{2}> D、s=<{2,4},{2,4}> t=<{2},{4}>

44. 在图集合中发现一组公共子结构，这样的任务称为 ( B )

A、频繁子集挖掘 B、频繁子图挖掘 C、频繁数据项挖掘 D、频繁模式挖掘 45. 下列度量不具有反演性的是 (D)

A、 系数 B、几率 C、Cohen度量 D、兴趣因子

46. 下列__(A)__不是将主观信息加入到模式发现任务中的方法。 A、与同一时期其他数据对比 B、可视化 C、基于模板的方法

11

D、主观兴趣度量

47. 下面购物篮能够提取的3-项集的最大数量是多少（C） ID 购买项

1 牛奶，啤酒，尿布 2 面包，黄油，牛奶 3 牛奶，尿布，饼干 4 面包，黄油，饼干 5 啤酒，饼干，尿布 6 牛奶，尿布，面包，黄油 7 面包，黄油，尿布 8 啤酒，尿布

9 牛奶，尿布，面包，黄油 10 啤酒，饼干 A、1 B、2 C、3 D、4

48. 以下哪些算法是分类算法，A，DBSCAN B， C,K-Mean D,EM （B）

49. 以下哪些分类方法可以较好地避免样本的不平衡问题， A，KNN B，SVM C，Bayes D，神经网络 （A） 50. 决策树中不包含一下哪种结点，A,根结点（root node) B,内部结点（internal node） C,外部结点（external node） D,叶结点（leaf node） (C)

51. 不纯性度量中Gini计算公式为（其中c是类的个数） (A) A, B, C, D, （A）

53. 以下哪项关于决策树的说法是错误的 (C) A. 冗余属性不会对决策树的准确率造成不利的影响 B. 子树可能在决策树中重复多次 C. 决策树算法对于噪声的干扰非常敏感 D. 寻找最佳决策树是NP完全问题

54. 在基于规则分类器的中，依据规则质量的某种度量对规则排序，保证每一个测试记录都是由覆盖它的“最好的”规格来分类，这种方案称为 (B)

12

A. 基于类的排序方案 B. 基于规则的排序方案 C. 基于度量的排序方案 D. 基于规格的排序方案。

55. 以下哪些算法是基于规则的分类器 (A) A. B. KNN C. Nave Bayes D. ANN

56. 如果规则集R中不存在两条规则被同一条记录触发，则称规则集R中的规则为（C）； A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

57. 如果对属性值的任一组合，R中都存在一条规则加以覆盖，则称规则集R中的规则为(B) A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则 58. 如果规则集中的规则按照优先级降序排列，则称规则集是 (D) A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

59. 如果允许一条记录触发多条分类规则，把每条被触发规则的后件看作是对相应类的一次投票，然后计票确定测试记录的类标号，称为（A）

A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

60. 考虑两队之间的足球比赛：队0和队1。假设65%的比赛队0胜出，剩余的比赛队1获胜。队0获胜的比赛中只有30%是在队1的主场，而队1取胜的比赛中75%是主场获胜。如果下一场比赛在队1的主场进行队1获胜的概率为 (C) A， B, C, D,

61. 以下关于人工神经网络（ANN）的描述错误的有 (A)

A，神经网络对训练数据中的噪声非常鲁棒 B，可以处理冗余特征 C，训练ANN是一个很耗时的过程 D，至少含有一个隐藏层的多层神经网络

62. 通过聚集多个分类器的预测来提高分类准确率的技术称为 (A)

A,组合(ensemble) B,聚集(aggregate) C，合并(combination) D，投票(voting)

63. 简单地将数据对象集划分成不重叠的子集，使得每个数据对象恰在一个子集中，这种聚类类型称作（ B ） A、层次聚类 B、划分聚类 C、非互斥聚类 D、模糊聚类

64. 在基本K均值算法里，当邻近度函数采用（ A ）的时候，合适的质心是簇中各点的中位数。 A、曼哈顿距离 B、平方欧几里德距离 C、余弦距离 D、Bregman散度

13

65.（ C ）是一个观测值，它与其他观测值的差别如此之大，以至于怀疑它是由不同的机制产生的。 A、边界点 B、质心 C、离群点 D、核心点 66. BIRCH是一种（ B ）。

A、分类器 B、聚类算法 C、关联分析算法 D、特征选择算法 67. 检测一元正态分布中的离群点，属于异常检测中的基于（ A ）的离群点检测。 A、统计方法 B、邻近度 C、密度 D、聚类技术

68.（ C ）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。 A、MIN（单链） B、MAX（全链） C、组平均 D、Ward方法

69.（ D ）将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量，它是一种凝聚层次聚类技术。 A、MIN（单链） B、MAX（全链） C、组平均 D、Ward方法 70. DBSCAN在最坏情况下的时间复杂度是（ B ）。

A、O(m) B、O(m2) C、O(log m) D、O(m*log m)

71. 在基于图的簇评估度量表里面，如果簇度量为proximity(Ci , C)，簇权值为mi ，那么它的类型是（ C ）。 A、基于图的凝聚度 B、基于原型的凝聚度 C、基于原型的分离度 D、基于图的凝聚度和分离度 72. 关于K均值和DBSCAN的比较，以下说法不正确的是（ A ）。 A、K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象。 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均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇。 D、K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇。

73. 以下是哪一个聚类算法的算法流程：①构造k－最近邻图。②使用多层图划分算法划分图。③repeat：合并关于相对互连性和相对接近性而言，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、MST B、OPOSSUM C、Chameleon D、Jarvis－Patrick（JP）

74. 考虑这么一种情况：一个对象碰巧与另一个对象相对接近，但属于不同的类，因为这两个对象一般不会共享许多近邻，所以应该选择（ D ）的相似度计算方法。

A、平方欧几里德距离 B、余弦距离 C、直接相似度 D、共享最近邻 75. 以下属于可伸缩聚类算法的是（ A ）。

A、CURE B、DENCLUE C、CLIQUE D、OPOSSUM

14

76. 以下哪个聚类算法不是属于基于原型的聚类（ D ）。 A、模糊c均值 B、EM算法 C、SOM D、CLIQUE 77. 关于混合模型聚类算法的优缺点，下面说法正确的是（ B ）。

A、当簇只包含少量数据点，或者数据点近似协线性时，混合模型也能很好地处理。 B、混合模型比K均值或模糊c均值更一般，因为它可以使用各种类型的分布。 C、混合模型很难发现不同大小和椭球形状的簇。 D、混合模型在有噪声和离群点时不会存在问题。 78. 以下哪个聚类算法不属于基于网格的聚类算法（ D ）。 A、STING B、WaveCluster C、MAFIA D、BIRCH

79. 一个对象的离群点得分是该对象周围密度的逆。这是基于（ C ）的离群点定义。 A．概率 B、邻近度 C、密度 D、聚类

80. 下面关于Jarvis－Patrick（JP）聚类算法的说法不正确的是（ D ）。 A、JP聚类擅长处理噪声和离群点，并且能够处理不同大小、形状和密度的簇。 B、JP算法对高维数据效果良好，尤其擅长发现强相关对象的紧致簇。 C、JP聚类是基于SNN相似度的概念。 D、JP聚类的基本时间复杂度为O(m)。 三、 判断题

1. 数据挖掘的主要任务是从数据中发现潜在的规则，从而能更好的完成描述数据、预测数据等任务。 (对) 2. 数据挖掘的目标不在于数据采集策略，而在于对于已经存在的数据进行模式的发掘。（对）3. 图挖掘技术在社会网络分析中扮演了重要的角色。（对）

4. 模式为对数据集的全局性总结，它对整个测量空间的每一点做出描述；模型则对变量变化空间的一个有限区域做出描述。（错）

5. 寻找模式和规则主要是对数据进行干扰，使其符合某种规则以及模式。（错） 6. 离群点可以是合法的数据对象或者值。 （对） 7. 离散属性总是具有有限个值。 （错）

8. 噪声和伪像是数据错误这一相同表述的两种叫法。 （错） 9. 用于分类的离散化方法之间的根本区别在于是否使用类信息。 （对）

15

10. 特征提取技术并不依赖于特定的领域。 （错） 11. 序列数据没有时间戳。 （对）

12. 定量属性可以是整数值或者是连续值。 （对）

13. 可视化技术对于分析的数据类型通常不是专用性的。 （错） 14. DSS主要是基于数据仓库.联机数据分析和数据挖掘技术的应用。（对）

15. OLAP技术侧重于把数据库中的数据进行分析、转换成辅助决策信息，是继数据库技术发展之后迅猛发展起来的一种新技术。 （对）

16. 商业智能系统与一般交易系统之间在系统设计上的主要区别在于：后者把结构强加于商务之上，一旦系统设计完毕，其程序和规则不会轻易改变；而前者则是一个学习型系统，能自动适应商务不断变化的要求。 （对） 17. 数据仓库中间层OLAP服务器只能采用关系型OLAP （错）

18．数据仓库系统的组成部分包括数据仓库，仓库管理，数据抽取，分析工具等四个部分. (错)

19. Web数据挖掘是通过数据库仲的一些属性来预测另一个属性,它在验证用户提出的假设过程中提取信息. （错） 21. 关联规则挖掘过程是发现满足最小支持度的所有项集代表的规则。（错） 22. 利用先验原理可以帮助减少频繁项集产生时需要探查的候选项个数（对）。

23. 先验原理可以表述为：如果一个项集是频繁的，那包含它的所有项集也是频繁的。（错

24. 如果规则 不满足置信度阈值，则形如 的规则一定也不满足置信度阈值，其中 是X的子集。（对） 25. 具有较高的支持度的项集具有较高的置信度。（错）

26. 聚类（clustering）是这样的过程：它找出描述并区分数据类或概念的模型(或函数)，以便能够使用模型预测类标记未知的对象类。 （错）

27. 分类和回归都可用于预测，分类的输出是离散的类别值，而回归的输出是连续数值。(对)

28. 对于SVM分类算法，待分样本集中的大部分样本不是支持向量，移去或者减少这些样本对分类结果没有影响。 （对） 29. Bayes法是一种在已知后验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。 (错)

30.分类模型的误差大致分为两种：训练误差（training error）和泛化误差（generalization error）. (对) 31. 在决策树中，随着树中结点数变得太大，即使模型的训练误差还在继续减低，但是检验误差开始增大，这是出现了模型拟合不足的问题。 （错）

32. SVM是这样一个分类器，他寻找具有最小边缘的超平面，因此它也经常被称为最小边缘分类器（minimal margin

16

classifier） (错)

33. 在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。（错） 34. 聚类分析可以看作是一种非监督的分类。（对）

35. K均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。（错

36. 给定由两次运行K均值产生的两个不同的簇集，误差的平方和最大的那个应该被视为较优。（错） 37. 基于邻近度的离群点检测方法不能处理具有不同密度区域的数据集。（对） 38. 如果一个对象不强属于任何簇，那么该对象是基于聚类的离群点。（对）

39. 从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。（错）40. DBSCAN是相对抗噪声的，并且能够处理任意形状和大小的簇。（对） 二. 简答题

1. 预测与分类的区别是什么

分类是预测数据对象的离散类别，预测是用于数据对象的连续取值 2. 数据分类由哪几步过程组成

第一步，建立一个模型，描述指定的数据类集或概念集；第二步，使用模型进行分类。 3. ID3算法的核心是什么

在决策树各级节点上选择属性时，用信息增益作为属性的选择标准，以使得在每一个叶节点进行测试时能获得关于被测试记录最大的类别信息。

4. 为什么朴素贝叶斯分类称为“朴素”的简述朴素贝叶斯分类的主要思想。

① 朴素贝叶斯分类假定一个属性值对给定类的影响独立于其它属性的值。该假定称作类条件独立。做此假定是为了简化所需计算，并在此意义下称为“朴素的”。

② 设为一个类别未知的数据样本，H为某个假设，若数据样本X属于一个特定的类别C，分类问题就是决定P（H|X），即在获得数据样本X时假设成立的概率。 5. 神经网络的优点和缺点分别是什么

优点：其对噪音数据的高承受能力，以及它对未经过训练的数据的分类能力。 缺点：需要很长的训练时间，因而对于有足够长训练时间的应用更合适。 6. 典型的数据挖掘系统主要由哪几部分组成

数据库，数据仓库或其他信息库；数据库或数据仓库服务器；知识库；数据挖掘引擎；图形用户界面

17

7. OLAP与OLTP的全称分别是什么它们两者之间的区别是什么

联机事务处理OLTP (on-line transaction processing)；联机分析处理OLAP (on-line analytical processing)； OLTP和OLAP的区别：

用户和系统的面向性:OLTP面向顾客，而OLAP面向市场； 数据内容：OLTP系统管理当前数据，而OLAP管理历史的数据；

数据库设计：OLTP系统采用实体-联系（ER)模型和面向应用的数据库设计，而OLAP系统通常采用星形和雪花模型； 视图：OLTP系统主要关注一个企业或部门内部的当前数据，而OLAP 系统主要关注汇总的统一的数据；

访问模式：OLTP访问主要有短的原子事务组成，而OLAP系统的访问大部分是只读操作，尽管许多可能是复杂的查询。 8. 数据仓库与数据集市的区别是什么

数据仓库收集了关于整个组织的主题信息，因此是企业范围的。对于数据仓库，通常使用星座模式，因为它能对多个相关的主题建模；

数据集市是数据仓库的一个部门子集，它针对选定的主题，因此是部门范围的。对于数据集市，流行星型或雪花模式，因为它们都适合对单个主题建模。 9. 不完整数据的产生原因有哪些 (1)有些属性的内容有时没有 (2)有些数据当时被认为是不必要的

(3)由于误解或检测设备失灵导致相关数据没有记录下来 (4)与其他记录内容不一致而被删除 (5)历史记录或对数据的修改被忽略了。 10. 噪声数据的产生原因有哪些 (1)数据采集设备有问题

(2)在数据录入过程中发生了人为或计算机错误 (3)数据传输过程中发生错误

(4)由于命名规则或数据代码不同而引起的不一致。 11. 对遗漏数据有哪些处理方法

忽略该条记录；手工填补遗漏值；利用默认值填补遗漏值；利用均值填补遗漏值；利用同类别均值填补遗漏值；利用最可能的值填充遗漏值。

18

12. 数据消减的主要策略有哪些

数据立方合计；维数消减；数据压缩；数据块消减；离散化与概念层次生成。 13.数据源对象可以创建几种不同的安全认证选项

4种：使用特定用户名和密码；使用服务账户；使用当前用户的凭据；默认值。 14.数据挖掘对聚类的典型要求有哪些

可伸缩性；处理不同类型属性的能力；发现任意形状的聚类；用于决定输入参数的领域知识最小化；处理“噪声”数据的能力；对于输入记录的顺序不敏感；高维度；基于约束的聚类。 15.简述下列聚类算法

划分方法：给定一个n个对象或元组的数据库，一个划分方法构造数据的k个划分，每个划分表示一个聚类，并且k< n。

层次方法：对给定数据对象集合进行层次的分解。

基于密度的方法：只要是临近区域的密度超过某个阀值，就继续聚类。 基于网格的方法：把对象空间量化为有限数目的单元。

基于模型的方法：试图优化给定的数据和某些数学模型之间的适应性。 三. 计算题

1. 假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13,15,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,33,35,35,35,35,36,40,45,46,52,70 (a)使用按箱平均值平滑对以上数据进行平滑，箱的深度为3。 (b)使用按箱边界值平滑对以上数据进行平滑，箱的深度为3。 例题如下操作：

* price 的排序后数据(美元): 4, 8, 9, 15, 21, 21, 24, 25, 26, 28,

29, 34

* 划分为（等深的）箱:

- 箱 1: 4, 8, 9, 15 - 箱2: 21, 21, 24, 25 - 箱3: 26, 28, 29, 34

* 用箱平均值平滑:

19

v1.0 可编辑可修改 - 箱 1: 9, 9, 9, 9

- 箱 2: 23, 23, 23, 23 - 箱 3: 29, 29, 29, 29

* 用箱边界值平滑:

2. 使用以下age数据：

13,15,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,33,35,35,35,35,36,40,45,46,52,70 ，回答以下问题： (a)使用min-max规范化，将age值35转换到[,]区间。

(b)使用z-score规范化转换age值35，其中，age的标准偏差为年。 (c)使用小数定标规范化转换age值35。 (d)画一个宽度为10的等宽的直方图。 例题如下操作： 1. 大最小规格化：

规格化对原始数据进行线性变换。

假定min A和max A分别为属性A的最小和最大值，最大最小规格化方法通过计算将A的值v映射到区间[new _minA，new _max A]中的v’。

- Bin 1: 4, 4, 4, 15 - Bin 2: 21, 21, 25, 25 - Bin 3: 26, 26, 26, 34

例 假定属性income的最小与最大值分别为$12,000和$98,000。我们想映射income（income值为$73,600）到区间［0，1］。

2. 零均值规格化：

属性A的值基于A的平均值和标准差规范化。 A的值v被规范化为v’，由下式计算：

20

v1.0 可编辑可修改 其中，A和σ A分别为属性A的平均值和标准差。

当属性A的最大和最小值未知，或局外者左右了最小最大规格化时，该方法是有用的。

例 假定属性income的平均值和标准差分别为$54,000和$16,000。使用零均值规格化方法，值$73,600被转换为什么

3. 数点规格化：

属性A的小数点位置进行规范化。

小数点的移动位数依赖于A的最大绝对值。 A的值v被规范化为v’，由下式计算： 其中，j是使得Max(|v’|)<1的最小整数。

例假定A的值由-986到917。A的最大绝对值为986。为使用十基数变换规格化方法，-986被规范化为多少 29. 用1,000（即，j=3）除每个值。这样，-986被规范化为。 填空：

数据仓库的四个基本特征是指数据仓库中的数据是面向主题的、集成的、不可更新的和随时间不断变化的。 OLAP的实现方式有以下两种：基于关系数据库系统的实现和基于 基于多维数据库系统 的实现。

数据从操作型环境到数据仓库过程中，通常需要进行的处理操作有 抽取 、 转化 、 分析 和 模式化处理 。

数据仓库中数据的分割是指 把数据分散到各自的物理单元中，他们能独立的处理。 。数据分割后的数据单元称为分片，数据分片的类型有 水平分片、垂直分片 、混合分片和导出分片等。

数据仓库系统是多种技术的综合体，它是由 数据仓库,管理部分和分析工具 三部分组成。

聚集函数分为三种类型，分别是 分布的 、 代数的 、 和 整体的 。 粒度是数据仓库的重要概念，粒度越小，数据的细节程度越 高 ，可以回答查询的种类就越 少 ，但是查询效率将会很低；提高粒度将会提高查询效率，在数据仓库中通常采用多重粒度。 问答题：

操作型数据和分析型数据的主要区别是什么

21

OLTP 数据库数据(操作型) 细节性数据 当前数据 经常更新 一次处理的数据量小 对响应时间要求高 用户数量大 面向操作人员，支持日常操作 面向应用，事务驱动 OLAP 数据库/数据仓库数据(分析型) 综合性数据 历史数据 周期性更新 一次处理的数据量大 响应时间合理 用户数量相对较少 面向决策人员，支持管理需要 面向分析，分析驱动 你是如何理解数据仓库的数据是不可更新的，数据仓库的数据又是随时间不断变化的。

从数据的使用方式上来看，数据仓库的数据是不可更新的，这是指当数据被存放到数据仓库中之后，最终用户只能通过分析工具进行查询、分析，而不能修改其中存储的数据。

数据仓库的数据不可更新并不是说数据从进入数据仓库之后就永远不变，是随时间变化而定期地被更新，从而保证前端分析结论的时间有效性。

举例说明数据仓库有哪三类聚集函数。

聚集函数分成三类： 分布的：一个聚集函数是分布的，如果它能以如下分布方式进行计算：设数据被划分为 n 个集合，函数在每一部分上的计算得到一个聚集值。如果将函数用于 n 个聚集值得到的结果，与将函数用于所有数据得到的结果一样，则该函数可以用分布方式计算。 例如，count() 代数的：一个聚集函数是代数的，如果它能够由一个具有 M（其中，M 是一个整数界）个参数的代数函数计算，而每个参数都可以用一个分布聚集函数求得。例如，avg() 整体的：一个聚集函数是整体的，如果描述它的子聚集所需的存储没有一个常数界。即，不存在一个具有M个（其中，M是常数）参数的代数函数进行这一计算。整体函数的常见例子包括median(),mode()（即，最常出现的项），和 rank()。 为什么说naive Bayesian分类法是 naïve的

朴素贝叶斯分类器是一种应用基于独立假设的贝叶斯定理的简单概率分类器.更精确的描述这种潜在的概率模型为独立特征模型。这种方法采用忽略了因数之间的关系，简化处理,把各属性彼此独立 请简述数据仓库的体系结构。

22

数据仓库系统的体系结构的分类（1）两层架构（Generic Two-Level Architecture）。（2）独立型数据集市（Independent Data Mart）。（3）依赖型数据集市和操作型数据存储（Dependent Data Mart and Operational Data Store）。（4）逻辑型数据集市和实时数据仓库（Logical Data Mart and Real-Time Data Warehouse） 举例说明多维分析操作（drill-down，roll-up）的含义是什么

钻取(drill)各粒度级别(维的层次)之间的访问。上卷(drill up)是指沿某一个维的概念分层向上归约。下钻(drill down)是上卷的逆向操作，它是沿某一个维的概念分层向下或者引入新的维来实现。钻过（drill_across）是指对多个事实表进行查询。钻透（drill through）是指对立方体操作时，；利用数据库关系，钻透立方体的底层，进入后端的关系表。旋转(pivoting)平面数据的坐标轴转换即对多维数据集改变其显示的维方向。 试述常用的数值属性离散化方法

离散化方法的研究，已经提出了等频划分、等宽划分和适应离散法等。

1、等宽划分：在最小值和最大值之间平均划分成N个区间（N用户给定）,假定A和B分别是最大值和最小值，则每个区间的宽度为W=（B-A）/N，区间的边界线分别为A，A+W，A+2W，......，A+（N-1）W，A+NW=B 2、等频划分：把整个区域分为N个区间，每个区间有大约相同数目的例子 如：N=10，则每个区间中有大约10%的例子 这两种离散化方法都与分类信息无关

当属性值分布不均匀时，不能很好表示数据分布

向数据仓库追加数据时，捕捉数据变化常用的途径有哪些

数据仓库的数据初装完成以后，再向数据仓库输入数据的过程称为数据追加 变化数据的捕获 时标法：加标识 DELTA法：对更新作记录 前后映象法：两次快照的对比 日志法：利用DBMS的日志，需改进

简要说明事务处理环境不适宜DSS应用的原因

（1）事务处理和分析处理的性能特性不同。 （2）数据集成问题。 （3）数据动态集成问题。 （4）历史数据问题。（5）数据的综合问题。

举例说明多维分析操作（切片、切块、旋转）的含义是什么

23

v1.0 可编辑可修改 切片和切块(slice and dice)

在多维数组的某一维选定一个维成员的动作称为切片。 在多维数组的某一维上选定某一区间的维成员的动作称为切块

旋转是改变一个报告或页面显示的维方向,以用户容易理解的角度来观察数据 数据挖掘的步骤是什么

确定挖掘对象，准备数据，建立模型，数据挖掘，结果分析，知识应用阶段 简要说明数据仓库环境中元数据的内容。

元数据（Meta Data）——“关于数据的数据”，是指在数据仓库建设过程中产生的有关数据源定义、目标定义、转换规则等关键数据，是定义数据仓库对象的数据。如传统数据库中的数据字典就是一种元数据。 企业的数据库体系化环境的四个层次是什么它们之间的关系是什么

数据库的体系化环境,是在一个企业或组织内部，由各面向应用的OLTP数据库及各级面向主题的数据仓库所组成的完整的数据环境

四层体系化环境:操作型环境——OLTP,全局级——数据仓库,部门级——局部仓库,个人级——个人仓库，用于启发式的分析

简要说明数据仓库设计的步骤。

数据仓库的设计可以分为以下几个步骤：

◆明确主题 ◆概念模型设计 所要完成的工作：界定系统边界,确定主要的主题域及其内容 ◆技术准备工作 这一阶段的工作包括：技术评估，技术环境准备。 形成技术评估报告、软硬件配置方案、系统(软、硬件)总体设计方案。

24

v1.0 可编辑可修改 ◆逻辑模型设计 进行的工作主要：

分析主题域，确定当前要装载的主题 确定粒度层次划分 确定数据分割策略 关系模式定义 ◆物理模型设计 这一步所做的工作：

确定数据的存储结构 ---RAID技术 确定索引策略——B树索引 位图索引等 确定数据存放位置 ——磁带 磁盘 等 确定存储分配优化 ◆数据仓库生成

通过专用的数据抽取工具或者通过自行编程 实现数据抽取、转换和装载。 ◆数据仓库运行与维护

建立DSS应用，使用数据仓库理解需求，调整和完善系统，维护数据仓库。 简要说明异常点挖掘有哪些方法

简述采用决策树方法进行分类的过程。

决策树是以实例为基础的归纳学习算法。它从一组无次序、无规则的元组中推理出决策树表示形式的分类规则。它采用自顶向下的递归方式，在决策树的内部结点进行属性值

的比较，并根据不同的属性值从该结点向下分支，叶结点是要学习划分的类。从根到叶结点的一条路径就对应着一条合取规则，整个决策树就对应着一组析取表达式规则。

25

请简述采用神经元网络进行分类的过程。

人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 举一个实例说明如何确定数据仓库的主题，如何确定主题所应包含的数据内容

数据仓库的主题(Subject)是在较高层次上将企业信息系统中的数据进行综合、归类和分析利用的一个抽象概念,每一个主题基本对应一个宏观的分析领域。 举例说明什么是“星星模式”。

星型模型：是最常用的数据仓库设计结构的实现模式。使数据仓库形成了一个集成系统，为用户提供分析服务对象。核心是事实表，围绕事实表的是维度表。通过事实表将各种不同的维度表连接起来，各个维度表都连接到中央事实表。 常用的聚类方法有哪些

常见的k-means、层次聚类、SOM、FCM等四种聚类算法

k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高，所以在对大规模数据进行聚类时被广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。

层次聚类算法 根据层次分解的顺序是自底向上的还是自上向下的，层次聚类算法分为凝聚的层次聚类算法和分裂的层次聚类算法。

SOM神经网络算法假设在输入对象中存在一些拓扑结构或顺序，可以实现从输入空间(n维)到输出平面(2维)的降维映射，其映射具有拓扑特征保持性质,与实际的大脑处理有很强的理论联系。

FCM算法是一种以隶属度来确定每个数据点属于某个聚类程度的算法。该聚类算法是传统硬聚类算法的一种改进。 计算题：

1．数据库面向5个事物，min-sup=60%,min-conf=80%. TID T100 购买商品 {M,O,N,K,E,Y} 26

T200 T300 T400 T500 {D,O,N,K,E,Y} {M,A,K,E } {M,U,C,K,Y} {C,O,O,K,I,E} （1） 分别用Apriori算法找出所有频繁项集

（2） 列举所有与下面的元规则匹配的强关联规则（给出支持度S和置信度C），其中，X代表顾客的变量，item代表项的变量（如“A”，“B”等）

对于 x∈transaction,buys(X,item1)^buys(X,item2)=>buys(X,item3) [S,C] 解：（1）、用Apriori算法找出所有频繁项集。原数据库D如下： TID T100 T200 T300 T400 T500 Itemset Sup {M} 3 Items M O N K E Y D O N K E Y M A K E M U C K Y C O O K I E {O} 3 {N} 2 {K} 5 {E} 4 {Y} 3 {D} 1 {A} 1 {U} 1 {C} 2 {I} 1 扫描D后，得到候选1-项集C1，如下所示： 从而得到频繁一项集L1： itemset {M} {O} {K} {E} {Y} Itemset Sup {M，O} 1 sup 3 3 5 4 3 {M,K} 3 {M,E} 2 {M,Y} 2 {O,K} 3 {O,E} 3 {O,Y} 2 {K,E} 4 {K,Y} 3 {E,Y} 2 再次扫描D后，得到候选2-项集C2： 27

根据上面候选2-项集，产生频繁2-项集L2： Itemset Sup {M,K} 3 {O,K} 3 {} 3 {K,E} 4 {K,Y} 3 再次扫描D后，得到候选3-项集C3： Itemset Sup {M,O,K} 1 {M ,K,E} 2 {M,K,Y} 2 {O,K,E} 3 {O,K,Y} 2 {K,E,Y} 2 {O,E,Y} 2 根据上面候选3-项集，产生频繁3-项集L3： Itemset {O,K,E} Sup 3 综上所述，得到所有的频繁项集如下所示： 频繁1-项集：{M};{O};{K};{E};{Y}.

频繁2-项集：{M,K};{O,K};{O,E};{K,E};{K,Y}. 频繁3-项集：{O,E,K}.

（2）、从上面得出的频繁3-项集中，构造如下关联规则：

buys(X,O)^buys(X,E)=>buys(X,K) [support=3/5=60%,confidence=100%] buys(X,O)^buys(X,K)=>buys(X,E) [support=3/5=60%,confidence=100%] buys(X,E)^buys(X,K)=>buys(X,O) [support=3/5=60%,confidence=75%] 得到符合条件的强关联规则，即sup>=60%,conf>=80%,如下所示：

buys(X,O)^buys(X,E)=>buys(X,K) [support=3/5=60%,confidence=100%] buys(X,O)^buys(X,K)=>buys(X,E) [support=3/5=60%,confidence=100%]

28