2.1 資料物件與屬性型別
2.1.1 什麼是屬性
2.1.2 標稱屬性：其值是一些符號或事物的名稱。每個值代表某種類別、編碼或狀態，因此標稱屬性又被看作是分類的。
標稱屬性不是定量的，找出它的均值或中位數沒有意義，有意義的是找到眾數，是一種中心趨勢度量。
2.1.3 二元屬性：是一種標稱屬性，只有兩個類別或狀態：0或1，也稱布林屬性。
二元屬性可以是對稱的：關於哪個結果應該用0或1並無偏好。
二元屬性可以是非對稱的：其狀態結果不是同樣重要的，如陽性或陰性。為方便計，將用1對重要的結果編碼，另乙個用0編碼。
2.1.4 序數屬性：其可能的值之間具有有意義的序或秩評定，但是相繼值之間的差是未知的。比如，大、中、小；優、良、中、及格；很不滿意、不太滿意、中性、滿意、很滿意。
序數屬性的中心趨勢可以用它的眾數和中位數表示，但不能定義均值。
2.1.5 數值屬性：可以是區間標度或比率標度
1.區間標度屬性：用相等的單位尺度度量。區間屬性的值有序，可以為正、0或負。可以計算中位數和眾數，還可以計算均值。
2.比率標度屬性：是具有固有零點的數值屬性。可以計算差、均值、中位數和眾數。
2.1.6 離散屬性與連續屬性
2.2 資料的基本統計描述
2.2.1 中心趨勢度量：均值、中位數和眾數
均值：對極端值過於敏感
加權算術均值或加權平均：
截尾均值：丟棄高低極端值後的均值。
中位數：有序資料值的中間值。
眾數：中列數：最大和最小值的平均值
正傾斜：眾數出現在小於中位數的值上。
負傾斜：眾數出現在大於中位數的值上。
2.2.2 度量資料散布：極差、四分位數、方差、標準差和四分位數極差
1.極差、四分位數和四分位數極差
極差：最大值與最小值之差
分位數：把資料劃分成基本大小相等的連貫集合。
四分位數：分成4部分。
百分位數：分成100個大小相等的連貫集。
第乙個四分位數：q1，第25個百分位數
第三個四分位數：q3，第75個百分位數
四分位數極差iqr：q3-q1
2.五數概括、盒圖與離群點
識別可疑離群點的通常規則：挑選落在第3個四分位數之上或第1個四分位數之下1.5*iqr處的值。
五數概括：中位數，q1，q2，最小和最大值。
3.方差和標準差
低標準差意義資料觀測趨向於非常靠近的均值，而高標準差表示資料散布在乙個大的值域中。
標準差方差
2.2.3 資料的基本統計描述的圖形顯示
1.分位數圖
2.分位數-分位數圖
3.直方圖：
4.散點圖：確定兩個數值變數之間看上去是否存在聯絡、模式或趨勢的最有效圖形方法之一。
2.3 資料視覺化
2.4 度量資料的相似性和相異性
2.4.1 資料矩陣與相異性矩陣
2.4.2 標稱屬性的鄰近性度量
不匹配率：d(i,j)=(p-m)/p p是刻畫物件的屬性總數，m是匹配的數目
相似性：sim(i,j)=1-d(i,j)=m/p
2.4.3 二元屬性的鄰近性度量
r：i中取1，j中取0的屬性數
s：i中取0，j中取1的屬性數
q：i,j中都取1的屬性數
t：i,j中都取0的屬性數
對稱的二元相異性：d(i,j)=(r+s)/(q+r+s+t)
非對稱的二元相異性：d(i,j)=(r+s)/(q+r+s)
非對稱的二元相似性：sim(i,j)=q/(q+r+s)=1-d(i,j)，也稱為jaccard係數
2.4.4 數值屬性的相異性：閔可夫斯基距離
歐幾里得距離：
加權的歐幾里得距離：
曼哈頓距離：
它們具有如下數學性質：
非負性：
同一性：物件到自身的距離是0
對稱性：距離是乙個對稱函式
三角不等式：從物件i到物件j的直接距離不會大於途徑任何其他物件k的距離。
閔可夫斯基距離：
2.4.5 序數屬性的鄰近性度量
2.4.6 混合型別屬性的相異性
2.4.7 余弦相似性
上確界距離（切比雪夫距離）
習題：r語言版
2.2 假設所分析的資料報括屬性age，它在資料元組中的值為13,15,16,16,19,20,20,21,22,22,25,25,25,25,30,33,33,35,35,35,35,36,40,45,46,52,70
a)均值？中位數？
b)眾數？
c)中列數？
d)q1,q3？
e)五數？
f)盒圖？
#出迴圈後i+1為中位數區間所在下標，即20~50
20+((sum(data)/2+sum)/data[i+1])*30
2.4
age2.6)fat
)mean(age)
median(age)
sd(age)
mean(fat)
median(fat)
sd(fat)
barplot(table(age))
barplot(table(fat))
plot(age,fat)
qqplot(age,fat)
v12.8a))sqrt(sum((v1-v2)^2
)) #歐幾里德
sum(abs(v1-v2)) #曼哈頓距離
(sum(abs(v1-v2)^3))^(1/3
) #閔可夫斯基
max(abs(v1-v2)) #上確界距離
a1)dataxm
ucofor(i in
1:nrow(data))
rank(e)
rank(m)
rank(u)
rank(co)
資料探勘概念與技術 讀書筆記（1）
原書第三版 jiawei han micheline kamber jian pei 著 解決 資料豐富，但資訊貧乏 的問題。資料的 式增長，廣泛可用，巨大數量 資料時代 需要功能強大和通用的工具，從海量資料中發現有價值的資訊。從資料中挖掘知識。資料倉儲 事務資料 其他型別的資料 類 概念描述 特徵...
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...
讀書筆記 資料探勘概念與技術 資料預處理
資料預處理的目的 提高資料質量，資料質量的三要素 準確性 完整性 一致性。資料預處理的任務 資料清理 填充缺失的值 光滑雜訊 識別離群點 糾正資料中的不一致 忽略元組 人工填寫缺失值 使用乙個全域性常量 使用屬性的中心度量 使用與給定元組屬同一類的所有樣本的屬性均值或中位數 使用最可能的值 最流行 ...