数据科学与大数据导论期末复习笔记（大数据）

 来自于深圳技术大学，此笔记涵盖了期末老师画的重点知识，分享给大家。

• 等深分箱和等宽分箱的区别：
• 等宽分箱基于数据的范围来划分箱子，每个箱子的宽度相等。
• 等深分箱基于数据的观测值数量来划分箱子，每个箱子包含相同数量的数据点。

 

 文本编辑相似度度量方法

 

类比直角坐标系中两点距离，理解一下公式。

r 是一个正整数，称为参数或次数。当 r=1 时，明氏距离变为曼哈顿距离；当 r=2 时，它变为欧几里得距离。

曼哈顿距离是 单单每个类型的距离差之和。

X = (-3, -2, -1, 0, 1, 2,3) Y = (9, 4, 1, 0, 1, 4, 9)这个例子pearson的r是0 。

pearson=COV（x,y）/x的标准差*y的标准差。

独热编码将每个标称属性进行扩充，

p将一个颜色标称属性扩充为4个二元属性，分别对应黑、白、蓝、

黄四种取值。对于每一个产品，它在这四个属性上只能有一个取1，

其余三个都为0，所以称为独热编码

* 

最大最小值未知，或者离群点影响较大时 

**

确定程度较高，对应的信息熵也较小。

n 数据点被完全打乱的时候，难以理解其意思，造成不确定性也

就多了，对应的信息熵也变大了。

选择信息增益最大的分隔点

*

既可以降低数据“维数” 又保留了原数据的大部分信息

示例：

D 

如果当某属性两个样例都为0对聚类的影响不大，例如医院体检两个人某种不重要的病毒抗原都是阴性，则不影响分到不同聚类。

这个时候abcd中的d就没啥用了。

通俗理解：jaccard=不一样的个数/（不一样的个数+都为1的个数）

jaccard数值小的越相似。

 误差平方和不再减小

SSE（Sum of Squared Errors，误差平方和）是一种用于衡量聚类质量的指标。SSE计算的是每个数据点到其所属簇的中心的距离的平方之和。

kmeans算法还会受到，离群点，规模，形状，密度影响。

***

邻域：以样本为中心，eps为半径所包括的点。

核心点：这个点的圈圈囊括的点的数量达到最小阈值 minpts

边界点：这个点的圈圈所囊括的点的数量未达到最小阈值 minpts，但是被核心点圈住了。

噪声点：既没有被核心点圈住，自己的圈圈里也没有达到最小阈值数量

直接密度可达：单个核心点它圈圈里的点，它可以直接可达的点。

密度可达：例如 A密度可达B （A必须是核心点） 意味着A可通过链接其他核心点最终到达B（B可以是核心点也可以是边界点）。密度可达是非对称的。

密度相连：跟密度可达唯一不同的是 A可以是边界点，即：A可通过链接其他核心点最终到达B

1.遍历数据集中的点，判断是否是核心，如果是创建簇，进行2，如果不是列为噪声点或边界点。

2.把核心点直接密度可达的点加入到簇中

3.循环，直到没有新的点添加到簇中

决策树

B站视频：http://【【数据挖掘】决策树零基础入门教程，手把手教你学决策树！】https://www.bilibili.com/video/BV1T7411b7DG?vd_source=1a684a3a1b9d05485b3d6277aeeb705d

IG（X|Y）表示X在以Y为条件分为两类后，各类的加权熵比原来的熵减少了多少。

   除了用熵来确定最优决策类别，还能用基尼系数来确定t。基尼系数是 1-所分的类别的平方和，一次分类好后要求加权基尼。

然后选择基尼系数最小的划分作为当前的最佳划分。

判断构建的决策树的优劣

判断构建的决策树的优劣

***

当d=1时就为一元线性回归。

=1289 8115

几何中心度

跟它相交的结点/除了自己以外的所有结点

接近中心度

下面的也不全对！ 

这里e11要*2

d1

分子in相当于自己社区内的边的和*2   ； tot是自己社区内的边的和*2+外部连接的边

在我的主页里搜索数据科学导论课件，可以获得期末总复习ppt，需要各章节ppt的私我。