简介面向数据挖掘课程备考与自学人群的常见计算题参考答案内容覆盖《数据仓库与数据挖掘》复习重点直接给出K-means聚类第1次循环与第2次迭代后的聚类中心变化、最终簇划分以及Apriori算法在min_sup60%、min_conf80%条件下从候选集到频繁项集的完整生成过程并附带关联规则置信度验证。同时涵盖ID3决策树、属性信息增益计算、超市销售数据等深分箱等典型题型每题均保留计算步骤与中间结果便于对照自查与掌握答题规范。资源仅含1个doc文件大小约110KB可灵活用于打印、移动端阅读或导入笔记软件批注。当前已有45人学习下载适合高校学生考前集中刷题、复习串讲或面试前快速回顾数据挖掘经典算法。1. 数据挖掘计算题为什么总差一步公式都会思路不对数据挖掘这门课挂人最多的往往不是编程题而是计算题。公式和算法看起来都懂但真正动手一算小数点、分母、初始中心、剪枝顺序任何一处偏差都会让结果直接翻车。这也是为什么像《数据挖掘计算题参考答案.doc》这类复习资料会被反复转存——它足够直接能快速告诉你“这题应该算出多少”。但多数人只把它当答案而不是当推理线索于是看完一道会一道换一道又错一道始终没摸到计算题的门路。这篇笔记专门解决这个问题。它适合两类人一类是考前突击的计算题新手需要按题型快速过一遍手算流程另一类是自学转岗的从业者想把散落在各处的公式术语串成能落地的标准计算路径。我会把题型识别、手算过程、对答案的姿势以及最隐蔽的扣分点逐层拆开照着走一遍就能形成自己的计算模板。2. 题型与选型考“口径”比考“算法名”更多2.1 关联规则题型支持度、置信度、提升度三件套这种题的识别特征非常明显给一张事务表每个事务里有若干商品项然后问“哪些是频繁项集”“某条规则的置信度是多少”有时候还会追加一个“提升度是否大于1”的判断。看起来就是套公式实际上扣分最多的地方在于“口径”——支持度的分母是总事务数置信度的分母却是箭头前项出现的事务数。很多人把两者都除以总事务数结果置信度被系统性缩小参考答案怎么也对不上。选型逻辑也很直接题目要求列出频繁项集就是用Apriori算法如果只问某条规则的置信度理论上可以不生成候选集直接查共现计数。但考试通常会要求写出生成过程所以Apriori的连接和剪枝步骤得完整背下来。剪枝用的反单调性是手算时唯一能提前止损的判断依据一个项集的子集如果不是频繁的它本身一定不频繁。这句话在程序里是自动执行的但手算时你要自己说出来并把它写在草稿上评卷才能看到。实操时我一般先把候选集和计数列成一张两列的表左侧写候选右侧写出现次数再做阈值过滤。这一步的价值是让数据流清晰避免看着一堆事务表发呆。把判断顺序固定成“识别题型→确认分母→列计数表→过滤阈值→写规则”就能应对绝大多数关联规则计算题。提示题目里如果出现“最小支持度”“最小置信度”先圈出来看单位。有的题给的是计数比如2有的给的是比例比如0.4换算错一步后面全废。2.2 决策树题型考“哪个属性做根节点”决策树计算题几乎是同一道题的不同外衣给你若干条带标签的记录让你算信息增益选根节点或者把整棵树画出来。这个题型的本质不是算熵而是比大小——谁的增益最大谁就做根节点。很多人卡住不是因为不会算熵而是不知道算完熵之后要干什么。要特别注意不同算法的差异。常见教材里ID3用信息增益C4.5用增益率CART用基尼指数同一组数据用不同指标选出的根节点可能不一样。如果参考答案只给最终树而没有标注口径先回到题面找“熵”“增益”“基尼”这些关键词判断出题人的预设。这个动作花三十秒比算完再返工节省半小时。读训练集也有讲究一条记录是一个样本同一个属性值会重复出现。计算条件熵时权重是“该属性值对应样本数除以总样本数”而不是属性取值个数的算术平均。这个权重漏掉是这题最常见也最隐蔽的错法。我在批改练习时见过不少同学把条件熵直接算成各分组熵的平均数看起来数字很接近但一个0.02的差距就足以让根节点换人。所以拿到决策树题第一步是统计每个属性取值下的标签分布第二步才是套熵和增益公式。分布表列清楚了后面的每一步都只是机械计算。2.3 聚类与距离题型考“迭代过程写得清不清楚”聚类计算题通常给平面上的若干点指定K值和初始中心要求手写两到三次迭代。它不要求收敛但要求每一步的分配结果和新的质心坐标都写清楚。参考答案最有参考价值的地方也在这里——不同教材对“小数保留几位”“质心是否能成为新中心点”的约定不同导致同一道题出现两个“正确答案”。距离计算多数用欧氏距离个别题目会用曼哈顿距离。题目里如果出现坐标全是整数的小方格网图八成是曼哈顿距离如果是浮点坐标且问聚类结果则是欧氏。这个判断比盲目套公式可靠。另外K值对结果的影响比想象中大题目说K2就按K2算不要因为觉得“某个点和另一个很像”就擅自改K。这个题型真正的得分点不在最终聚类图而在每一轮的分配依据。我习惯把每一轮写成三行第一行写每个点到两个中心距离的对比第二行写归属类别第三行写新质心坐标。这样写了三轮即使最终结果和标准答案差在小数位阅卷也能看到计算过程是对的。3. 三个高频考点的完整手算路径从公式到数值一步步走3.1 Apriori四步走连接、剪枝、计数、再连接用只有4条事务的小样例来说明这个样例是我为演示随手构造的模拟数据不代表任何真实交易记录。T1: 牛奶面包 T2: 牛奶尿布面包 T3: 牛奶尿布可乐 T4: 尿布可乐设最小支持度计数为2。第1步单项目计数牛奶出现3次、面包2次、尿布3次、可乐2次全部达标得到频繁1项集L1。第2步连接生成候选2项集牛奶面包、牛奶尿布、牛奶可乐、面包尿布、面包可乐、尿布可乐。第3步剪枝并计数牛奶面包在T1、T2出现计数2保留牛奶尿布在T2、T3出现计数2保留牛奶可乐只在T3出现计数1淘汰面包尿布只在T2出现计数1淘汰面包可乐没出现计数0淘汰尿布可乐在T3、T4出现计数2保留。第4步生成候选3项集。这里用Apriori的连接条件只有前K-1项相同的项集才能连接。牛奶面包和牛奶尿布连接后得到{牛奶面包尿布}但它的子集{面包尿布}不是频繁集按反单调性直接剪掉。其他组合同样被剪。频繁3项集为空迭代结束。看一条规则牛奶→面包。支持度 2/4 0.5置信度 2/3 ≈ 0.67。注意这里的分母3是牛奶出现的事务数而不是总事务数4。这是关联规则里最核心的“口径”问题手算时建议把“共现计数”和“前项计数”分开写在两列避免混用。# 伪代码Apriori 候选生成与剪枝适合手算前先理清逻辑 transactions [ {牛奶, 面包}, {牛奶, 尿布, 面包}, {牛奶, 尿布, 可乐}, {尿布, 可乐}, ] def count(itemset): return sum(1 for t in transactions if itemset.issubset(t)) L1 [{牛奶}, {面包}, {尿布}, {可乐}] L1 [s for s in L1 if count(s) 2] candidates [a | b for a in L1 for b in L1 if len(a | b) 2] frequent [c for c in candidates if count(c) 2] print(frequent) # 输出频繁2项集这段代码的关键参数是支持度阈值2对应题目里的最小支持度计数。把阈值改成其他值结果会立刻变化可以用于自测例如阈值改成3频繁项集只剩牛奶和尿布。这就是手算和脚本对账的基础。3.2 信息增益计算熵、条件熵、增益三步走使用6条模拟记录做演示属性为天气和风速标签为是否运动。天气风速是否运动晴高否晴低否雨高是雨低是晴高否雨低是总样本数6其中“是”4个“否”2个。总熵E(S) -(2/6)log2(2/6) - (4/6)log2(4/6) ≈ 0.918按天气分组。天气晴有3条标签为2个否1个是天气雨有3条标签全是“是”。先算条件熵E(S|天气) (3/6) × E(晴组) (3/6) × E(雨组)E(晴组) -(2/3)log2(2/3) - (1/3)log2(1/3) ≈ 0.918 E(雨组) -(3/3)log2(3/3) 0所以 E(S|天气) 0.5 × 0.918 0 0.459信息增益 0.918 - 0.459 0.459。再按风速分组。风速高有3条2否1是熵为0.918风速低有3条1否2是熵同样为0.918。条件熵 0.5 × 0.918 0.5 × 0.918 0.918信息增益 0。结论天气属性带来最多的信息量下降所以它做根节点。这里有一个高频错误条件熵的权重要用样本占比而不是属性取值个数的占比。有些同学把0.5写成1/2看似一样但本质表达不清楚一旦属性变成三个取值就会暴露问题。import math def entropy(labels): total len(labels) from collections import Counter counter Counter(labels) return -sum((v / total) * math.log2(v / total) for v in counter.values()) samples [ {weather: 晴, wind: 高, play: 否}, {weather: 晴, wind: 低, play: 否}, {weather: 雨, wind: 高, play: 是}, {weather: 雨, wind: 低, play: 是}, {weather: 晴, wind: 高, play: 否}, {weather: 雨, wind: 低, play: 是}, ] total_entropy entropy([s[play] for s in samples]) # 按天气分组算条件熵 group {} for s in samples: group.setdefault(s[weather], []).append(s[play]) cond sum(len(v) / len(samples) * entropy(v) for v in group.values()) print(total_entropy, cond, total_entropy - cond)代码里entropy接收标签列表自动统计频次并计算熵。逻辑说明分组后用每组样本数除以总样本数作为权重与手算公式完全一致。运行时输出的第三个值0.459就是天气属性的信息增益。这个脚本也适合验证其他属性只需改动分组键。3.3 K-means三次迭代的书写模板初始点、分配、质心模拟数据6个点A(1,1)、B(2,1)、C(1,2)、D(5,5)、E(6,5)、F(5,6)。K2题目指定初始中心为A和D。第1轮用欧氏距离分配 A到A距离0到D距离约5.66归第一类 B到A距离1到D距离约4.47归第一类 C到A距离1到D距离约4.47归第一类 D、E、F明显更接近D归第二类。第一类{A,B,C}新质心 ((121)/3, (112)/3) (4/3, 4/3) ≈ (1.33, 1.33)。 第二类{D,E,F}新质心 ((565)/3, (556)/3) (16/3, 16/3) ≈ (5.33, 5.33)。第2轮按新质心重新分配 A到第一类质心距离约0.47到第二类质心约5.66仍归第一类 其余点同理归属不变。质心不再变化迭代收敛。手算K-means时我一般写三行就够第一行列每个点到两个中心的距离和归属第二行写新质心坐标第三行写“归属未变化则停止”。参考答案如果和你第二轮结果有出入先看小数位是否一致如果第三轮归属一样但坐标有0.01的差异属于精度问题不是知识错误。如果归属不同则要回去检查距离计算。这个题型的玄学之处在于初始中心的选择。同一个数据集初始中心选得不同可能收敛到完全不同的聚类结果。考试给初始中心时按给定中心算即可不给时我一般选两个距离较远的样本点作为初始中心这也是最常规的做法。4. 参考答案的正确打开方式先闭卷、再对照、后还原4.1 先把参考答案当成仲裁者而不是教材《数据挖掘计算题参考答案.doc》这类文档在复习资料里属于“题库答案”的定位通常的结构是题目、解题步骤、最终答案依次排列偶尔会附一点解题提示。问题在于多数人从第一题开始看看完觉得“我会了”合上文档还是不会。我的建议是先挑自己最弱的题型闭卷完整做一遍再打开文档对照。闭卷做的价值是暴露你在哪一步会停下来、会犹豫、会选错公式——这些才是考试里真正扣分的位置。直接看答案时你看到的是作者已经铺好的正确路径但这代表不了你自己能找到这条路径。就像看懂了地图不等于认得路。对照时也有技巧。我习惯把草稿纸分成三栏左边写自己的计算过程中间写参考答案的过程右边写差异说明。差异说明只写一句比如“分母用了总事务数4而不是牛奶计数3”。这种一句话的差异比抄十遍正确答案都管用因为它直接指向你的思维盲区。4.2 三步对照法先对结果再对步骤最后对符号第一步对照最终数字判断方向对不对。第二步对照中间步骤重点看四个位置分母、对数底数、权重系数、是否做了剪枝。第三步对照符号约定比如有的教材用P(A∩B)有的直接用P(AB)符号不同不代表算法不同。这个方法在聚类题里格外好用。手算K-means时每个人保留小数位数不同会让结果有细微差异。如果你用第三步排除符号问题就能判断“算对了但写法不同”而不是盲目怀疑自己错。反过来如果第三步发现符号一致但结果仍不同那就一定是公式或计算错误优先检查分母和权重。4.3 反向还原从答案推出题人的默认参数参考答案最有价值的信息藏在它省略掉的地方。比如答案只给了频繁项集没写最小支持度你可以从答案反推它列出的频繁2项集里有一项支持度是2/5说明题目阈值应不低于0.4。反推的过程相当于替出题人重新出一遍题对理解题型比单纯做题深得多。我备考时还会做一件事把每个题型的参考答案汇总成一张表左侧写“算法名”右侧写“该题默认的参数”比如Apriori的阈值、K-means的K值和迭代轮数、决策树的指标类型。这张表不需要很精美但能让你在考前快速定位“这类题我应该用什么口径算”。它就是属于你自己的“参考答案导读手册”。注意如果参考答案里某一步突然跳过了关键计算不要直接背结论。这一步往往是全文最难的逻辑点跳过它就等于没看。5. 计算题避坑清单5个高频扣分点与排查方法5.1 现象置信度算出来大于1原因把条件概率方向搞反了。A→B的置信度应该是“A出现的情况下B也出现”的比例必须用A的频次做分母而不是用总事务数更不是用B的频次。解决回到定义先圈出箭头前的项数它出现几次再数箭头前后同时出现几次两者相除。算完如果大于1不用查表一定是这里错了直接改方向重算。5.2 现象熵忽大忽小信息增益对比失真原因对数底数混乱。同一道题里有的地方用log2有的地方用了自然对数ln算出来的熵单位不同信息增益对比就没有意义。解决整个计算统一用log2这是绝大多数教材和考试的标准口径。如果参考答案用的是其他底数结果会有固定倍数差异可以先换算再对比不要直接判定自己错。5.3 现象K-means结果和参考答案差一位小数原因质心保留位数不一致或者迭代停止条件不同。你保留三位小数答案保留两位第二轮就会开始出现微小偏差。解决题目没明确要求时保留两位小数并在草稿上写一句“迭代至归属不再变化为止”。如果答案多迭代了一轮而你已经收敛不算错但要把收敛判断写出来让阅卷知道你的停止依据。5.4 现象Apriori频繁项集少了好几个原因剪枝时机错了。有些人先在脑子里“感觉”某个项集不频繁就跳过连接结果后续频繁项集全都断了。解决严格执行“先连接、再剪枝”的顺序剪枝只检查一个条件——该候选的所有真子集是否都在上一轮频繁集里。手算时把上一轮的频繁集写在草稿最上方每剪一个候选就对照一次。这是一个纯机械动作不需要感觉。5.5 现象朴素贝叶斯题目里概率算出0直接判死原因没做拉普拉斯平滑。测试样本里出现训练集没见过的属性取值时概率为0会导致整个乘积累零。解决分子加1分母加类别数或可能的属性取值数。如果参考答案用了平滑而你没用数值自然对不上。判断方法很简单看题目有没有出现“平滑”“避免零概率”这类字眼或者看训练集中是否有罕见属性值。只要有按平滑处理。5.6 现象决策树根节点和别人选的不一样原因你用的指标是ID3信息增益答案用的是C4.5增益率或者是CART基尼指数。三者选出的根节点在属性相近时经常不同。解决对照题面关键词——出现“信息增益”就是ID3口径出现“增益率”或“信息增益比”就是C4.5出现“基尼”就是CART。如果题目没写看参考答案的公式它写了log就是熵系列写∑p(1-p)就是基尼。这一步在所有题型里最值得花时间确认因为它决定整棵树的形状。6. 最后一步用脚本对账让“对不对”不再悬案手算最让人难受的局面是你觉得算对了参考答案却对不上而且没有可验证的中间依据。卡住的原因各不相同但仲裁方式只有一种——让程序按你的计算逻辑跑一遍看输出是否和手算一致。如果程序输出你的结果那参考答案可能用了不同口径如果输出参考答案的结果那你的计算过程里必然有一个肉眼没发现的错位。我备考时会专门给每个题型保留一个验证脚本。上次用同一个思路验证信息增益大概只用了二十行代码我就把之前不确定的决策树题目全部重新核了一遍。import math from collections import Counter def entropy(labels): total len(labels) counter Counter(labels) return -sum((v / total) * math.log2(v / total) for v in counter.values()) # 第3.2节演示用的6条样本 samples [ {weather: 晴, wind: 高, play: 否}, {weather: 晴, wind: 低, play: 否}, {weather: 雨, wind: 高, play: 是}, {weather: 雨, wind: 低, play: 是}, {weather: 晴, wind: 高, play: 否}, {weather: 雨, wind: 低, play: 是}, ] def gain(attr): groups {} for s in samples: groups.setdefault(s[attr], []).append(s[play]) cond sum(len(v) / len(samples) * entropy(v) for v in groups.values()) return entropy([s[play] for s in samples]) - cond for attr in [weather, wind]: print(f{attr} 的信息增益: {gain(attr):.3f})这段代码把第3.2节的手算过程完整复现了一遍输出的两个数值可以直接用手算结果核对。如果手算和代码不一致优先怀疑自己的草稿因为代码逻辑简单且容易审查。脚本的关键参数是分组键attr换成任意其他属性都可以复用只看结果不核对过程同样不靠谱。用这个思路验证关联规则时我常用另一个很成熟的方案先手算Apriori的频繁项集再用脚本对频繁项集计数做二次确认。脚本输出的不是答案本身而是“不同算法口径下的交叉验证”。这也侧面说明了参考答案的价值边界它是某一种口径下的标准解不是唯一解。自己算出来的对错要用逻辑去仲裁而不是停在“我是不是又漏了什么”的猜测里。我自己的备考习惯是凡是和参考答案对不上的题一定拿脚本跑一遍找出差异出在公式还是出在口径。这个过程帮我从被动的“看答案”变成了主动的“验答案”一道题花十分钟换来的是整类题型的稳定得分。希望这个习惯对你也有用。本文还有配套的精品资源点击获取