頻率：
分類屬性的眾數：具有最高頻率的值
第1步：以遞增順序排列原始資料（即從小到大排列）。
第2步：計算指數i=np%
第3步：
l）若 i 不是整數，將 i 向上取整。大於i的毗鄰整數即為第p百分位數的位置。
2) 若i是整數，則第p百分位數是第i項與第（i＋l）項資料的平均值。
按照上述的計算公式i=n*p%=10*10%=1，其中n為1到10的整數個數，也就是10，p=10，所以我們得到i=1
i=1是整數，那我們計算p10=(x(i)+x(i+1))/2=(1+2)/2=1.5
剩下的大家可以按照這個公式以此計算了。
均值：就是資料的平均值 中位數：資料最中間的數（但是要從小到大順序排列）
因為均值對於離群值很敏感，有時使用截斷均值。指定0和100間的百分位數p，丟棄高階和低端的（p/2）%的資料，然後計算均值。意思就是說，把前
（p/2）%和後（p/2）%的資料扔掉，計算中間的資料均值 就能避免離群值。
極差：最大值與最小值的差
方差：每個數與平均值的差的均方誤差。用以體現變化程度
因為均值受離群值影響，所以方差也很敏感。
絕對平均偏差 aad ，中位數絕對偏差 mad ，四分位數極差iqr
協方差矩陣：由不同屬性的協方差構成的矩陣
協方差上的對角線，是屬性的方差。即
對於資料探索，相關性矩陣比協方差更可取，表示每兩個屬性的相關性。
表示：將資料對映到圖形元素 即選擇什麼樣的圖
安排：即如何排列資料 呈現更好的效果
選擇：即選擇要視覺化的屬性 是否需要刪除或不突出某些屬性
1、莖葉圖：可以用來觀測一維整形或連續型資料的分布。莖是高位數字，葉是低位數字 如圖
2、直方圖：將莖葉圖用條形圖來表示
3、二維直方圖：將每個屬性劃分成區間，兩個區間集定義值。
4、盒裝圖：盒的上端是第75個百分位數，下端是第25個百分位數，盒中的線是第五十個百分位數的值。
5、餅圖：通常用於相對較少的分類屬性，用面積表示相對頻率。但是在技術上，平方圖更可取。因為相對面積大小很難確定
6、散布圖
用途：1、圖形化地顯示兩個屬性之間的關係。2、當類標號給出時，考察兩個屬性將類分開的程度。
使用散布圖的方法：也可以根據三個屬性而不是兩個屬性來顯示每個物件
1、等高線圖：描述溫度或海拔高度
2、曲面圖：描述數學函式，或變化相對光滑的物理曲面
1、矩陣：儲存影象的亮度和顏色（如果類標號已知，重新排列次序，讓同類的物件聚集在一起，是很有用的方法。如果屬性列值域不同，則要進行標準化，讓均值為0，標準差為1，避免值大的屬性左右圖形）
2、平行座標系：每個屬性乙個座標軸，相互平行，最後用連線連線
缺點：如果線交叉太多，則圖形會變得模糊不清。需要安排座標軸，以得到較少交叉的座標軸序列
3、星型座標和chernoff臉
理解，清晰性，一致性，有效性，必要性，真實性
事實表：
步驟：1、維的識別 2、分析所關注的屬性的識別
資料立方體：計算聚集量 （計算邊緣總和）
維規約和轉軸（減少維度，轉軸：在除兩個維之外的所有維上聚集，即只保留兩個維）
資料探勘導論
20世紀60年代，從檔案處理演化到資料庫系統 20世紀70年代，演化到關聯式資料庫，聯機事務處理 oltp 將查詢看做唯讀事務 80年代中期到現在，研究分布性 多樣性和資料共享等問題，還有基於internet的全球資訊系統 80年代後期到現在，出現的資料庫結構是資料倉儲，可將多個一種資料來源在單個站...
資料探勘導論
誤差平方均值，越小越好 從大家直觀的感受，這三個模型哪個更好？左上？右上？還是左下？右上，因為左下有可能過擬合。最下面的模型過於強調特定點的誤差了。雜訊點也被擬合了。我們用什麼樣的手段，來幫助我們發現過擬合？擬合曲線的引數過多。分訓練集和測試集，設定測試資料用於判斷擬合的情況。泛化誤差 模型在新樣本...
資料探勘導論 （二）
序數 能確定物件的序，即大小關係。例 礦石程度 好，較好，最好 區間 可以進行差值比較。例 日曆日期 比例 除了能進行差值比較還能進行比率比較 例 長度 測量誤差 記錄的值與實際值不同 誤差 測量值 實際值 資料收集錯誤 遺漏資料或者不當地包含了其他資料 雜訊 測量誤差的隨機部分，使值被扭曲或者加入...