【数据挖掘期末考试题目及答案,数据挖掘理论】_饮食文化

本文目录一览：

k均值聚类算法是：先随机选取K个对象作为初始的聚类中心。

应用：K均值聚类算法广泛应用于各种领域，如市场细分、图像分割、异常检测等。

关于更多的簇介绍参考《数据挖掘导论》。基本的聚类分析算法 K均值：基于原型的、划分的距离技术，它试图发现用户指定个数（K）的簇。凝聚的层次距离：思想是开始时，每个点都作为一个单点簇，然后，重复的合并两个最靠近的簇，直到尝试单个、包含所有点的簇。

1、列和列之间距离大，行与行之间距离小，聚成三类的最优结果应该是每一列为一类，此时，类内方差最小。但如果初始点选成中间的三个点，聚类结果就成了每一行为一类，显然是局部最优，不是全局最优。ps：来自别人的文献上。

2、关于更多的簇介绍参考《数据挖掘导论》。基本的聚类分析算法 K均值：基于原型的、划分的距离技术，它试图发现用户指定个数（K）的簇。凝聚的层次距离：思想是开始时，每个点都作为一个单点簇，然后，重复的合并两个最靠近的簇，直到尝试单个、包含所有点的簇。

3、使用 Pearson 相关系数中的特征计算数据点 O i 和 O j 之间距离的有效措施之一：Pearson（，） = k均值聚类算法（ k-means clustering algorithm）** 是一种迭代求解的聚类分析算法。属于无监督学习算法。

4、k均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。k均值聚类算法的优缺点优点原理比较简单，实现也是很容易，收敛速度快；聚类效果较优，算法的可解释度比较强。

5、K试图是一种数据挖掘和机器学习中的聚类分析算法。以下是关于K试图算法的详细解释：基本原理：K试图算法通过计算数据点之间的距离来划分不同的簇。算法首先随机选择K个中心点，然后将每个数据点分配到离其最近的中心点的簇中。

6、趋势面分析空间趋势反映的是空间物体在空间区域上变化的主体特征，因此它忽略了局部的变异以揭示总体规律。描述空间趋势是相当困难的问题，从理论上讲，空间梯度均值可以作为描述空间趋势的一个参数，但因其不能从空间的角度反映趋势，因此在实际当中很少使用。

1、常见的分箱方法：等宽分箱、等距分箱、数据的分位数分箱、K-Means分箱。

2、进行分箱操作有助于处理异常值或样本量较小的值，提高数据稳定性，便于发现变量与目标变量之间的非线性关系，从而提高分析结果和模型预测的稳健性。常见分箱方法有等频（等深）分箱与等宽分箱。等宽分箱将变量区间宽度保持一致，如将年龄分为多个10年段；等深分箱则确保每个区间内样本数量相同。

3、为什么要进行分箱操作？分箱之后，数值型变量的取值空间缩小，也就取值的数量变少了，每个取值的样本量增多，方差变小，但相应的偏差变大了，也就是数据所能提供的信息没有分箱前那么精确了。关于方差和偏差的trade-off可以参考这篇文章：模型自动化调参——基于R语言creditmodel包的实践。

本文来自作者[允振强]投稿，不代表乘龙号立场，如若转载，请注明出处：https://www.cdyqh.com/miao/6432.html