文档介绍：1.【p26 】
假设你是BigUniversity的软件工程师，任务是设计一个数据挖掘系统，
分析学校课程数据库。该数据库包括如下信息：每个学生的姓名、地址
和状态（例如本科生或研究生）所修课程以及他们的GPA（平均积分
点）。描述你要选取的结构。该结构的每个成分的作用是什么。
答：该数据挖掘结构应该包括以下几个主要成分：
（1）一个数据库、数据仓库或其它信息库，它由一系列包含学生和课
程信息的数据库、数据仓库、电子表格、或其它信息库组成。
（2）一个数据库或数据仓库服务器，它根据用户的数据挖掘请求获取
相关的数据。
（3）一个知识库，它包含领域知识，用于指导搜索或评估结果模式的
兴趣度。例如，知识库可能包含概念层次结构和元数据（例如，描述来
自多个异构数据源的数据）。
（4）一个数据挖掘引擎，它由一系列负责分类、关联、聚类分析、演
变和偏差分析的功能模块组成。
（5）一个模式评估模块，它与数据挖掘模块串联工作，采用兴趣度的
方法，将搜索重心投注在兴趣模式上。
（6）一个图形用户界面，它为用户提供对数据挖掘系统的交互式途
径。
2.【p63 】
中列数是最大值和最小值的平均数。
五数概括就是中位数、四分位数Q1和Q3、最小值和最大值
箱线图（盒图）在p35
分位数图是一种观察单变量数据分布的简单有效方法，他显示给定属性
的所有数据（允许用户评估总的情况和不寻常的出现）。其次它绘出了
分位数信息
3.【p63 】
问：以计数、标准差和中位数为例说明分布的或代数的度量
有利于有效的增量计算，而整体度量不行。
答：计数：当前的计数count可以作为一个值来保存，当有x个新值加进
来时，可以很容易地更新count值为（count+x）。这就是分布式度量，
可以很容易地进行增量计算。
标准差：如果我们之前存储了已有数据平方的和sum和它们的计数
count，就可以很容易地利用公式得到新的标准差，只需要计算新加入
数据平方的和并将其加入sum中，同时更新count值，随后将它们插入计
算中就可获得新的标准差。这些都不用重新扫描整个数据集而可以轻松
得到。这就是代数度量，可以容易进行增量计算。
中位数：要准确得到中位数必须扫描整个数据集。当加入了新的数据后
必须重新进行排序，然后在新的排序后的数据集中查找中位数。这是比
较困难的，这就是整体度量，没办法对增量进行有效的计算。
4.【p63 】数据缺省值处理
（1）忽略元组。当缺少类标号时通常这样做（假定挖掘任务涉及分
类）。除非元组有多个属性缺少值，否则该方法不是很有效。当每个属
性缺少值的百分比变化很大时，它的性能特别差。
（2）人工填写缺失值。一般该方法很费时，并且当数据集很大，缺少
很多值时，该方法可能行不通。
（3）使用一个全局常量填充缺失值。将缺失的属性值用同一个常数
（如“Unknown”）替换如果缺失值都用“Unknown”替换，则挖掘程序可
能误以为它们形成了一个有趣的概念，因为它们都具有相同的
值“Unknown”。因此，尽管该方法简单，但是它并不是十分可靠。
（4）使用属性的均值填充缺失值。
（5）使用与给定元组属同一类的所有样本的属性均值。
（6）使用最可能的值填充缺失值。可以用回归、使用贝叶斯形式化的
基于推理的工具或决策树归纳确定。
5.【p63 】
（1）问：使用分箱均值光滑对数据进行光滑的步骤（深度为
3）
答：①对数据进行排序；②将数据划分到大小为3的等频箱中；③计
算每个箱的均值；④箱中的值都被箱的均值替换。
（2）问：如何确定数据中的离群点
答：可以通过聚类来检测离群点，将类似的值组织成群或簇。直观地，
落在簇集合之外的值视为离群点。电脑和人的检查可以结合来判断，先
由电脑根据已有的数据分布状况得出可能的离散点，然后再由人来对这
些可能的离散点进行进一步的分析来确定离散点，这样大大地减少了人
单独工作的工作量。
（3）问：对于数据光滑还有哪些方法
答：类似的还有分箱中位数光滑，此时箱中的每一个值都被箱中位数替
换。分箱边界光滑，箱中的最大和最小值同样被视为箱边界，箱中的每
个值都被最近的边界值替换。一般来说，宽度越大光滑效果越大。箱可
以是等宽的，每个箱值的区间范围是个常量。
此外可以用一个函数（如回归函数）拟合数据来光滑数据。线性回归涉
及找出拟合两个属性的最佳线，使得一个属性可以用来预测另一个。多
元线性回归是线性回归的扩展，其中涉及的属性多于两个，并且数据拟
合到一个多维曲面。
概念分层也可以用于数据光滑。
6.【p63 】
问：数据集成需要考虑的问题
答：①实