一、数据类型和统计
1、数据对象
数据集是由数据对象组成，一个数据对象代表一个实体
数据库里通常每行代表一个数据对象，每列通常代表一个属性
1）常见的四类属性：
A、标称：一种类型的数据状态是可以列举的，比如颜色，婚姻状态等
二进制是特殊的标称数据
二进制类型的分为对称二进制（两种类型规模相当）和不对称二进制（两种类型规模相差比较大）
B、序数：有一个有意义的顺序，但不知道差距大小，比如大小，等级等等
C、区间
通常不存在零点，倍数没有意义
D、比率
具有固定零点，有序且可以计算倍数，如长度等
2、数据统计汇总
1）、中性化趋势度量：均值，中位数，众数
2）、分布趋势度量：方差和标准差，分位数，箱线图（最小值，1/4位数，中位数，3/4位数，最大值）
二、数据可视化
1、箱线图
能分析多个属性数据的分布差异性，能找到离群点
例：鸾尾花数据集
四个特征：花瓣长度，花瓣宽度，花萼长度，花萼宽度
类别：三种类型的花
以上是训练集
首先对四个特征分别画上箱线图，可以非常直观看到四个属性分布的差异性，圆圈表示箱线图里的离群点，即可能是噪音数据
2、直方图
来分析单个属性在各个区间变化分布
再次使用鸾尾花数据集
对四个特征画直方图，可以看出单个属性在各个区间变化的分布
直方图可视化可以发现特征对类别的区分度
例：
花萼宽度在一定程度上可以区分不用类型的花
3、散点图
用来分析两组数据的相关性分布
数据通常有三种相关性：正相关、负相关、不相关
还是鸾尾花数据集
第二个图相关性更强
案例分析：房价预测
预测房价，最基本的idea就是看哪个属性和房价相关
越是强相关，说明该属性对房价预测更有作用
三、数据相似性
1、相似性和相异性
数据矩阵：N个数据，p个维度
相异矩阵：N个数据，记录两点之间的距离
相似性：度量两个数据对象有多相似，值越大越相似，取值0-1
相异性
近邻性：指相似度和相异度
2、标称属性的邻近性度量
标称属性可以取两个或者多个状态
标称类型的属性如何计算相异性：简单匹配d(i,j)，即对象i和对象j之间的距离，所谓距离就是指它们的相异性
分子指的是有多少个属性不一样
3、二值属性的邻近性度量
例如：体检数据
数据挖掘中1通常代表阳性
通常先把两个对象的数据形成一个邻接表
q表示两个数据里面阳性有多少个，r表示数据i为1而数据j为0的情况有多少个，s表示数据i为0而数据j为1的情况有多少个，t表示两个数据中都是0的情况有多少个
对称二进制数据按照以上计算，非对称二进制数据会少一个t，因为通常会关注阳性的数据，表示阴性的t会非常大，造成分母太大
4、数值属性的邻近性度量
例：
闵可夫斯基距离进一步细化
上确界距离是每个属性的数据它们差的绝对值的最大值
标签：标称,认识,二进制,对象,数据挖掘,度量,数据,属性 From： https://www.cnblogs.com/jiezstudy/p/16980533.html