《数据挖掘期末简答1》涵盖了数据挖掘课程中关键概念和算法的基础理解与应用，包括但不限于数据预处理、分类规则学习、关联模式分析等。适合复习巩固所学知识及准备考试使用。
数据挖掘期末简答题1
1. 过拟合与泛化性的理解：
过拟合是指模型在训练过程中过分适应了特定的训练样本而未能有效捕捉到更广泛的模式，导致其对新数据预测能力下降的现象。这通常发生在过度复杂的模型或有限的数据集上。相对地，泛化性指的是一个模型能够成功应用于未见过的新数据的能力。因此，过拟合与泛化性的关系在于前者会损害后者的实现；区别则在于前者的关注点是训练样本的适应度，而后者的焦点则是新数据上的表现。
2. 特征选择与特征提取的区别：
特征选择是从原始属性中挑选出对目标变量贡献最大的子集的过程，以减少复杂性、提高模型可解释性和预测准确性。其结果是一个未改变特性的子集；而特征提取则通过变换生成新的特性组合或降维来改进数据表示，例如主成分分析(PCA)和线性判别分析(LDA)，这有助于去除噪声但可能带来过拟合的风险。
3. 回归与分类的区别：
回归用于预测连续数值型的目标变量，如房价。其目标是建立输入特征与输出值之间的函数关系；而分类则是关于离散类别标签的预测任务，例如垃圾邮件识别。主要区别在于它们处理的数据类型和模型预期的结果形式不同。
4. 有监督学习、无监督学习及半监督学习：
在有监督的学习中，使用带有标记数据集来训练模型以执行如分类或回归的任务；而无监督学习则是在没有标签的情况下进行模式发现，例如聚类。半监督学习结合了两者的特点，利用少量标注的数据和大量未标注的信息提升算法的泛化能力。
5. TF-IDF算法及其应用：
TF-IDF是一种用于评估文本中词汇重要性的统计方法，在信息检索与文本挖掘领域广泛应用。其中，“TF”代表词频，表示一个单词在文档中的出现频率；“IDF”则为逆向文档频率，体现了该词语在整个文集中的稀有性。“TF-IDF”的综合计算有助于确定关键词的优先级，并且广泛应用于如关键词提取、相似度分析和自动摘要生成等场景。
6. 数据挖掘与统计学的区别及联系：
数据挖掘涉及从大量数据中寻找有价值的信息；而统计学则关注于如何有效地搜集、分析以及解释这些信息。虽然两者都使用数据分析方法，但统计学更侧重于概率模型的建立，而数据挖掘更多地专注于大规模数据集中的模式识别和规律发现。在实际应用上，统计学通常用于实验设计及假设检验的支持；相比之下，数据挖掘则更加灵活，并且旨在揭示隐藏的数据关系以支持决策制定。
关联规则、决策树增益、贝叶斯定理以及全概率是数据分析中常见的计算题型，它们对于理解并预测不同变量间的关系至关重要。这些方法的运用能够帮助我们更好地分析和利用各种类型的数据集中的信息模式，从而做出更明智的选择与策略规划。
5星
