哈尔滨医科大学《数据挖掘》第2章 数据.pptVIP

Minkowski Distance Distance Matrix 城市块距离应用-衡量疾病之间的”距离” 数据对象之间的相异度-马氏距离 Mahalanobis Distance Covariance Matrix: B A C A: (0.5, 0.5) B: (0, 1) C: (1.5, 1.5) Mahal(A,B) = 5 Mahal(A,C) = 4 数据对象之间的相似度 两个仅包含二元属性的对象之间的相似性度量也称相似系数 两个对象的比较导致四个量 f00 = x取0并且y取0的属性个数 f01 = x取0并且y取1的属性个数 f10 = x取1并且y取0的属性个数 f11 = x取1并且y取1的属性个数 二元属性的对象之间的相似性度量（重点） 简单匹配系数（Simple Matching Coefficient） SMC = 值匹配的属性个数 / 属性个数 = (f11 +f00) / (f01 + f10 + f11 + f00) Jaccard(雅卡尔 ) 系数 J = 匹配的个数 / 不涉及0-0匹配的属性个数 = (f11) / (f01 + f10 +f11) SMC vs Jaccard: 例子 x = 1 0 0 0 0 0 0 0 0 0 y = 0 0 0 0 0 0 1 0 0 1 SMC = (f11 + f00)/(f01 + f10 + f11 + f00) = (0+7) / (2+1+0+7) = 0.7 J = (f11) / (f01 + f10 + f11) = 0 / (2 + 1 + 0) = 0 f00 = 7 f01 = 2 f10 = 1 f11 = 0 数据对象之间的相似度-余弦相似度 cos( x, y ) = (x ? y) / ||x|| ||y|| 例: x = 3 2 0 5 0 0 0 2 0 0 y = 1 0 0 0 0 0 0 1 0 2 x ? y=3*1+2*0+0*0+5*0+0*0+0*0+0*0+2*1+0*0+0*2 = 5 ||x|| = (3*3+2*2+0*0+5*5+0*0+0*0+0*0+2*2+0*0+0*0)0.5 = (42) 0.5 = 6.481 ||y|| =(1*1+0*0+0*0+0*0+0*0+0*0+0*0+1*1+0*0+2*2) 0.5 = (6) 0.5 = 2.245 cos( d1, d2 ) = 0.3150 数据对象之间的相似度-相关性 皮尔逊相关系数 应用-计算microRNA调控基因的强度 miRNA1 mRNA1 计算miRNA和mRNA的表达相关性（模拟）： miRNA-c(23.5,10,10,5.1,1.2) mRNA-c(1.2,5.2,12,12.3,24.1) cor(miRNA,mRNA) miRNA和mRNA的表达负相关性，强烈的暗示他们之间的调控关系！ 习题： 数据（或属性）的类型有哪几种？怎样区分这些类型？每种类型举一个例子。 标称属性的值只提供足够的信息以________对象. 序数属性的值提供足够的信息确定对象的________. 对于比率属性的值，进行________和________操作都是有意义的. 摄氏温度、年龄、质量、长度、基因表达量、一号染色体的基因起始位置，它们分别属于什么数据类型。 数据集的类型主要有几类？每种类型又包含哪些具体的数据集子类型。 数据矩阵是一种特殊的记录数据类型。与记录数据类型相比，特殊在哪里？ 目前有100多个代谢通路，如葡萄糖代谢、嘌呤代谢等，那么葡萄糖代谢属于带有对象之间联系的数据还是具有图形对象的数据？ 如下是酵母细胞在多个时间点上的全基因组表达情况。该数据集属于哪种具体的数据集类型？这种数据有什么特点。 噪声和离群点的区别？ 产生遗漏值的原因有哪些?怎样处理遗漏值？ 数据预处理主要有什么方法？ 聚集的主要目的有:数据归约、使数据性质更加稳定、________。 （判断对错！）OMIM数据库中每个疾病已知的疾病基因很少，因此难以利用他们来识别相应的通路。为此我们可以利用特征选择的方法把疾病亚类汇集起来，如肝移植、肾移植、…等疾病，称为器官移植疾病。然后得到较多的基因，再进行识别通路。 统计学使用抽样是因为________（获得、处理）感兴趣的整个数据集的费用太高、太费时间。数据挖掘使用抽样是因为_______（获得、处理）所有的数据的费用太高、太费时间。 已知人类基