Data mining基础之认识数据(2)

认识数据(二)之统计描述

不想当项目负责人的技术人员不是好的科研人员

• 中心趋势度量
• 度量数据散布
• 图形显示

---

一、中心趋势度量

• 均值
  
  • 加权算数均值或加权平均：权重反映它们所依附的对应值的意义、重要性或出现的频率
  • 截尾均值：能抵消少数极端值的影响，丢弃高低极端值后的均值，应避免截取太多(如20%)
• 中位数：对倾斜(非对称)数据，这是更好的度量，是有序数据值的中间值
• 众数
• 中列数：最大和最小值的平均值

正倾斜：众数出现在小于中位数的值上
负倾斜：众数出现在大于中位数的值上

二、 度量数据散布

• 极差：max-min
• 分位数：数据分布的每隔一定间隔上的点
• 标称属性被看作是分类的(categorical)
• 这些值不必具有有意义的序
• 从计算机科学来看，这些值是枚举的(enumeration)

hair_color=0#头发为黑色hair_color=1#头发为棕色hair_color=2#头发为淡黄色occupation=0#职业为教师occupation=0#职业为牙医occupation=0#职业为程序员

• 标称属性之上，数学运算没有意义
• 标称属性值并不具有有意义的序，并且不是定量的
• 找出其均值或中位数没有意义，有意义的是该属性最常出现的值，称为众数

三、二元属性

• 二元属性是标称属性的一种，只有两个类别或状态：0或1
• 0通常表示不出现，1表示出现
• 二元属性又称作布尔属性，对应于true和false

smoker=0#患者不抽烟smoker=1#患者抽烟

• 一个二元属性是对称的，即它的两种状态具有同等价值并且携带相同的权重，如性别有男女这两种状态，编码为0或1并无偏好
• 一个二元属性是非对称的，即其状态结果不是同样重要，如艾滋病病毒(HIV)化验的阳性和阴性结果，这事将用1对重要的结果(通常是稀有的)编码，而另一个用0编码

medical_test=0#HIV阴性medical_test=1#HIV阳性

四 、序数属性

• 序数属性(ordinal attribute)其可能的值之间具有有意义的序或秩评定(ranking)
• 相继值之间的差是未知的

#快餐店的饮料量具有——小、中、大volume=0#小杯饮料volume=1#中杯饮料volume=2#大杯饮料#等级评定调查grade=0#很不满意grade=1#不太满意grade=2#中性grade=3#满意grade=4#很满意

• 序数属性也可通过把数值量的值域划分成有限个有序类别，把数值属性离散化得到
• 中心趋势可用众数和中位数表示，但不能定义均值

注意：

标称、二元和序数属性都是定性的，只描述对象的特征，不给出实际大小或数量。通常属性值都是代表类别的词。

五 、数值属性

• 数值属性(numerical attribute)是定量的，即是可度量的量，用整数或实数表示。
• 数值属性可以是区间标度的或比率标度的

1、区间标度属性(interval-scaled)

• 区间标度属性用相等的单位尺度度量。
• 区间属性的值有序，可以为正、0或负
• 允许比较和定量评估值之间的差，如temperature属性
• 该数值属性不存在真正的零点，不能说一个温度值是另一个温度值的几倍
• 可以计算值之间的差，均值、中位数和众数

2、比率标度属性(ratio-scaled)

• 比率标度属性是具有固定零点的数值属性。
• 可以说一个温度值是另一个温度值的几倍
• 可以计算值之间的差，均值、中位数和众数

六、离散属性与连续属性

• 离散属性具有有限或无限可数个值，可以用或不用整数表示
• 如果属性不是离散的，则它是连续的