数据挖掘：数据（数据对象与属性类型）

Posted 2021-01-25 volcao

一、概述

1. 现实中的数据一般有噪声、数量庞大并且可能来自异种数据源。
2. 数据集由数据对象组成，一个数据对象代表一个实体。
3. 数据对象：又称样本、实例、数据点或对象。
4. 数据对象以数据元组的形式存放在数据库中，数据库的行对应于数据对象，列对应于属性。
5. 属性是一个数据字段，表示数据对象的特征，在文献中，属性、维度（dimension）、特征（feature）、变量（variance）可以互换的使用。
6. “维”，一般用在数据仓库中。
7. “特征”，一般用在机器学习中。
8. “变量”，一般用在统计学中。
9. 一个属性的类型由该属性可能具有的值的集合决定，可以是标称的、二元的、序数的、数值的。

 

二、标称属性（nominal  attribute）

　1）特点

1. 标称属性的值是一些符号或事物的名称。
2. 每个值代表某种类别、编码、状态，因此标称属性又被看做是分类的（categorical）。
3. 标称属性的值不具有有意义的序，而且不是定量的。（也就是说，给定一个对象集，找出这种属性的均值没有意义）

　2）其它

1. 这些值不必具有有意义的序，在计算机科学中，这些值也被看做是枚举的（enumeration）。
2. 尽管标称属性的值是一些符号或“事物的名称”，但也可以用数表示这些符号或名称，如 hari_color，可以用 0 表示黑色，1 表示黄色。
3. 但一种属性中最长出现的值，称为众数（mode），是一种中心趋势度量。

　　# 例：hari_color（头发颜色）、marital_status（婚姻状况）、occupation（职业），都是标称属性，表示对象的特征。

 

三、二元属性（binary  attitute）

　1）特点

1. 二元属性是一种标称属性，只有两个状态：0 或 1，其中 0 通常表示该属性不出现，1 表示出现。
2. 二元属性又称布尔属性，如果两种状态对应的是 true 和 false。

　2）其它

1. 对称的二元属性：如果两种状态具有同等价值，并且携带相同权重，如表示性别，则 0 和 1 分别表示男性或女性没有影响。
2. 非对称的二元属性：两种状态的结果不是同等重要的，如 HIV 患者和不是 HIV 患者，为了方便计，将用 1 对最重要的结果（通常是稀有的）编码（如，HIV 患者），而另一个用 0 编码。

 

四、序数属性（ordinal  attribute）

　1）特点

1. 属性对应的可能的值之间具有有意义的序或秩评定（ranking），但是相继值之间的查是未知的。（也就是对应的值有先后次序）

　2）其它

1. 例：drink_size，表示饮料杯的大小：小、中、大，这些值具有有意义的先后次序。
2. 序数属性可以通过把数值量的值域划分成有限个有序类别（如，0-很不满意、1-不满意、2-中性、3-满意、4-很满意），把数值属性离散化而得到。
3. 可以用众数和中位数表示序数属性的中性趋势，但不能定义均值。
4. 标称、二元和序数属性都是定性的，即，它们描述对象的特征，而不给出实际大小或数值。

 

五、数值属性（numeric  attribute）

• 特点

1. 是定量的可度量的量，用整数或实数表示。
2. 可以是区间标度的或比率标度的。

　1）区间标度（interval-scaled）属性

• 例：temperature（温度）属性，一般表示：10℃~15℃。
• 特点：

1. 用相等的单位尺度度量，区间属性的值有序，可以为正、0、负。（值的秩评定）
2. 允许比较与定量评估值之间的差。
3. 区间标度属性是数值的，中心趋势度量中位数和众数，还可以计算均值。

　2）