資料集由資料物件組成。乙個資料物件代表乙個實體。通常，資料物件用屬性描述。資料物件又稱樣本、例項、資料點或物件。如資料物件存放在資料庫中，則是資料元組，即行對應資料物件，列對應屬性。
屬性的型別有：標稱屬性、二元屬性、序數屬性、數值屬性。
中心趨勢度量：度量資料分布的中部或中心位置。有均值、中位數（若為數值型別且有偶數個資料，取中間兩數的均值）、眾數（出現次數最多的數）、中列數（最大和最小值的平均值）。
資料的散布：極差（最大值與最小值之差）、四分位數（遞增序排列，1/4、2/4、3/4處的資料，分別表示為q1、q2、q3）、四分位數極差（q3與q1的差）、五數概括（中位數q2、四分位數q1、q3、最小值、最大值）、盒圖。還有方差、標準差。
識別可疑的離群點通常規則是：挑選落在第3個四分位數q3之上或第1個四分位數之下至少1.5x（q3-q1）處的值。
資料的相似性和相異性：在聚類、離群點分析和最近鄰分類等資料探勘應用中，我們需要評估物件間的相似或不相似程式。
中心趨勢度量和資料的散布都是對單一屬性的刻畫。
資料矩陣：nxp矩陣，n是物件個數，p是屬性個數。類似於資料庫表，每一行代表乙個物件，每一列代表乙個屬性。這些物件可以是關聯式資料庫的元組，也稱資料樣本或特徵向量。
相異性矩陣：存放n個物件兩兩之間的鄰近度，nxn矩陣，只在主對角線左下方有資料。資料值為d(i,j)，表示物件i和j的相異性。
標稱屬性的鄰近性度量：d(i,j)=(p-m)/p，p指屬性個數，m指兩個物件相同的屬性個數。
數值屬性的相異性：歐幾里得距離（類似於空間兩點間距離）、曼哈頓距離（兩物件各屬性差的絕對值的和）、閔可夫斯基距離（各屬性的差的絕對值的p次方，求其和後再開p次方，我們保留p為屬性數）。
數值屬性，上確界距離：屬性差的絕對值的最大值。
資料探勘概念與技術筆記
1.什麼是資料探勘？資料探勘是從大量資料中提取或 挖掘 知識，很多人也把資料探勘視作 資料庫中的知識發現 kdd 資料探勘的步驟包括 2.什麼是資料倉儲？資料倉儲是乙個從多個資料來源收集的資訊儲存，存放在乙個一致的模式下，並通常駐留在單個站點。通俗講，資料倉儲是通過資料清理 資料變換 資料整合 資料...
資料探勘概念與技術 讀書筆記（2）
原書第三版 jiawei han micheline kamber jian pei 著 在進行資料探勘之前，首先需要準備好資料，熟悉資料。乙個資料物件代表乙個實體，又稱樣本 例項 資料點或物件。屬性是乙個資料字段，表示資料物件的乙個特徵，又稱維 特徵和變數。二元屬性 一種標稱屬性 又稱布林屬性 序...
資料探勘概念與技術
在現實社會中的資料往往存在雜訊資料 缺失值和不一致資料的問題。為了提高資料探勘工作的效率和準確性，需要使用資料清理 資料整合 資料歸約和資料變換等方法對資料進行預處理操作。資料質量的三個要素是 準確性 完整性和一致性。資料清理試圖填充缺失值 光滑雜訊並識別離群點 糾正資料中的不一致。忽略元組。該方法...