![点击分享此内容可以赚币 分享](/master/images/share_but.png)
韩家炜-数据挖掘:概念与技术-第2章.pptx
《韩家炜-数据挖掘:概念与技术-第2章.pptx》由会员分享,可在线阅读,更多相关《韩家炜-数据挖掘:概念与技术-第2章.pptx(44页珍藏版)》请在咨信网上搜索。
1、第二章 了解你的数据2014.10目录2.1 数据对象和属性类型2.2 数据的基本统计描述2.3 数据可视化2.4 衡量数据相似性和相异性2.5 总结2.1 Data Objects and Attribute Types2.1.1 What is an Attribute?2.1.2 Nominal Attributes2.1.3 Binary Attributes2.1.4 Ordinal Attributes2.1.5 Numeric Attributes2.1.6 Discrete versus Continuous Attributes2.2 Basic Statistical De
2、sciptions of Data2.3 Data Visualization2.4 Measuring Data Similarity and Dissimilarity2.5 Summary2.1 数据对象和属性类型数据集是由数据对象构成的。一个数据对象表示一个实体在销售数据库中,对象可以是顾客、商品或者销售记录。在医学数据库中,数据对象可以是病人。在大学数据库中,数据对象可以是学生、教授和课程。数据对象用属性来描述。数据对象可以是一个抽样、举例、实例、数据点或者对象。如果数据对象存放在数据库中,它们是数据元组。即数据库中行对应数据对象,列对应于属性。2.1.1 什么是属性?一个属性是一个
3、域,表示一个数据对象的一个特征。“属性”、“维度”、“特征”和“变量”这些词在语义上是可交换的。“维度”通常被用在数据仓库中,机器学习中倾向于使用“特征”;统计学倾向使用“变量”,数据挖掘和数据库经常使用“属性”。属性描述一个顾客对象,如:顾客ID,姓名,地址。对给定的属性的可观察值被称为观察。刻画一个给定对象的属性集合被称为属性向量(或特征向量)。包含单个属性的数据分布被称为单变量的分布;包含2个属性的被称为二变量的分布。属性的类型是有属性可取的值决定的,有名词、二进制型、顺序值或者数值类型。2.1.2 名词属性名词属性的值是事物的标号或者名称。每一个值表示类别、编码或者状态。因此名词属性被
4、称为是分类。值没有次序信息。在计算机领域,也可以称为枚举型。举例如:发色和婚姻状态。发色可以是黑色,棕色,红色,灰色,白色。婚姻状态可以是单身、已婚、离异或者丧偶。这些都是名词属性。尽管名词属性是标号或者名称,但也可以是数值的表示形式。比如,发色,可以用0表示黑色,1表示棕色等。顾客ID可以是数字。但是,在这种情况,数字并不被当成数值来使用。因为名词属性不包含任何顺序信息也非数值型,所以不用终止或者平均数去衡量这类属性。可以使用属性最多出现的值,“众数”来做中心性测量。2.1.2 二进制属性二进制属性是只有两个类别或状态:0和1.0一般表示属性缺失,1表示存在。二进制属性也即bool型,两个状
5、态表示真和假。举例。如,病人对象的吸烟属性,1表示吸烟,0表示不吸烟。再比如,病人的某个医学检查结果有两种情况。1表示结果为阳性,0表示为阴性。如果二进制属性的两个状态是同等有价值的具有相同的权重,则为对称的。2个属性被标为1或者0都可以,比如性别属性的两个值男和女。如果两个状态不是同等重要的,则为非对称的。比如HIV检查的结果呈阴性和阳性。通常,用1表示更重要的通常是更稀少的结果,其他的用0表示。2.1.4 次序属性次序属性具有次序或者级别的意义。但是相邻值的级别未知。举例:例如饮料尺寸,可以是“小杯”,“中杯”,“大杯”。值有顺序的意义,但是不能分辨中杯比大杯大多少。再比如,成绩等级A+,
6、A,A-,B+职称:助理,副教授,教授次序属性被用来衡量无法客观衡量的属性,用主观的评估定质量。在调查中常用来排序。比如,参与者作为顾客,他们的满意度可以是:0:非常不满意,1 有点不满意,2 中立 3 满意 4 很满意把数值数据离散化,把它们按照值的范围分类,也可以得到次序属性的数据。次序属性的中心性可以用众数和中值来衡量,但是不能计算平均数。名词属性、二进制属性和次序属性都是定性的。它们在描述一个对象的特征时不给出具体的尺寸和数量。值通常是一个词表示类别,即使以整数的方式表现,也不是表示数量。2.1.5 数值型属性数值型属性是定量的,是可测量的数值,为整数或实数。分为间隔尺度和比例尺度。间
7、隔尺度属性间隔尺度使用同等大小的单元来衡量。间隔尺度属性有大小,可以是正,0或者负值。除了能对属性值排序,还可以比较和衡量不同值的差值大小。举例:温度属性是间隔尺度。20摄氏度高于15摄氏度。日历也是间隔尺度,以及年份。Celsius和Fahrenhet是两个温度,没有绝对0点,并且我们能计算温度的差值,但是不能说一个值是另一个值的多少倍,例如10摄氏度比5摄氏度温暖2倍。间隔尺度是数值型的,可以计算平均值,中值和众数。比例尺度比例尺度属性是数值型的,有固定的0值。如果一个测量是比例尺度,则可以以比率来衡量两个值,也可以计算值的差值,以及中值,均数和众数。例如:Kelvin温度有一个真正的0点
8、。另外,计数属性,经验年数,单词个数,体重,身高,速度,货币都是比例尺度。2.1.6 离散和连续属性离散属性有有限的或者可数的值集合,可能不能表示为整数。例如发色,是否吸烟,医学检查结果,饮料尺寸,都有有限的值,因此是离散的。离散值可能是数值型的,比如二进制的0和1,年龄的0到110.一个属性是可数无限的如果可能的值集合是无限的但是值和自然数有一一对应的关系。比如,顾客ID是可数无限的。邮政编码也是。如果值不是离散的,则是连续的。数值属性或者连续属性是含义上是一样的。2.2 数据的基本统计描述为了更好的做数据预处理,对数据有整体的了解很关键。基本的统计描述能鉴别数据,分辨出噪声和离群点。2.2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 韩家炜 数据 挖掘 概念 技术
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【a199****6536】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【a199****6536】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。