书名：数据挖掘导论(Introduction to Data Mining)
作者: Pang-Ning Tan / Michael Steinbach / Vipin Kumar
出版社: 人民邮电出版社
译者: 范明 / 范宏建
出版年: 2010-12-10
ISBN: 9787115241009
属性(attribute)：对象的性质或特性，它因对象而异，或随时间变化。
测量标度(measurement scale)：将数值或符号值与对象的属性相关联的规则（函数）。
注意形式上，测量过程是使用测量标度将一个值与一个特定对象的特定属性相关联。
属性的性质不必与用来度量它的值的性质相同。如代表ID的数字，作为一系列数字，具有平均数等性质，但是这些性质与ID这个属性无关。
用值的个数描述属性离散(discrete)：离散属性具有有限个值或无限可数个值。
连续(continuous)：连续属性是取实数值的属性。
非对称的属性更关注部分属性值。如学生选修了对应某属性的课程，该属性记为1，否则记为0.由于学生只选修所有可选课程集合中的很小一部分，所以在这种情况，通过更加关注非零值。
数据集类型 数据集的一般特征维度(dimensionality)
数据集的维度是数据集中的对象具有的属性数目。分析高维数据有时候会陷入所谓的维度灾难(curse of dimensionality)，所以，数据预处理有的时候需要减少维度，称为维度归约(dimensionality reduction)。
稀疏性(sparsity)
数据集中大部分数据缺失或为0。这将节省大量的计算时间和存储空间，有些数据挖掘算法仅适合处理稀疏数据。
分辨率(resolution)
在不同的分辨率下数据的性质不同。如在几米的分辨率中，地球表面崎岖，但在几十公里的分辨率中，地球表面相对平坦。
记录数据
事务数据(transaction data)：其中每个记录（事务）涉及一系列的项。如顾客一次购买的商品集合。
数据矩阵(data matrix)：如果一个数据集族中的所有数据对象都具有相同的数值属性集，则数据对象可以看作多维空间中的向量，其中每个维代表对象的一个不同属性。
基于图形的数据
用图形表示对象之间的关系：如社交网络等。
数据本身用图形表示：如化合物的分子结构图。
有序数据
时序数据(sequential data)：每个记录包含一个与之相关联的时间。
序列数据(sequence data)：有序序列，考虑项的位置，如基因序列。
时间序列数据(time series data)：特殊的时序数据，一段时间以来的测量序列，如股票每日价格。
空间数据：具有空间属性的数据，如全球温度。
精度(percision)：（同一个量的）重复测量值之间的接近程度。
偏倚(bias)：测量值与被测量值之间的系统变差。
准确率(accuracy)：被测量的测量值与实际值之间的接近程度。
准确率依赖于精度和偏倚，而且是一个一般化的概念，因此没有用这两个量表达准确的具体公式。
噪声：测量误差的随机部分。
离群点(outlier)：某种意义上具有不同于数据集中其他大部分数据对象的特征的数据对象，或是相对于该属性的典型值来说不同寻常的属性值。注意区别噪声和离群点，离群点也可以是合法的数据对象或值。
遗漏值：一个对象遗漏一个或多个属性值。
对于遗漏值，通常有三种应对措施：1. 删除数据对象或属性；2. 估计遗漏值；3. 在分析时忽略遗漏值（有些数据挖掘方法可以做到）。
注意两个问题：
数据的时效性
数据的相关性：数据与模型必须相关，可用的数据必须包含应用功能所需要的信息。
数据预处理 聚集(aggregation)定义：将两个或多个对象合并成单个对象。
动机：1. 减少数据规模，可以使用开销更大的数据挖掘算法。 2. 通过高层而不是低层的数据视图，起到了范围或标度转换的作用。 3. 对象或属性群的行为比单个对象或属性的行为更加稳定。
缺点：可能会丢失一些细节。
定义：选择数据对象子集进行分析。
要求：如果样本具有代表性，则使用样本与使用整个数据集的效果几乎一样。而样本具有代表性，要求样本近似地具有与原数据集相同的性质。
渐进抽样：需要自适应(adaptive)或渐进抽样(progressive sampling)来确定合适的样本容量。具体来说，从一个小样本开始，然后增加样本容量直至得到足够容量的样本。
定义：通过创建新属性，将一些旧属性合并在一起来降低数据集的维度。
好处：1. 删除不相关的属性并降低噪声； 2. 维归约使得模型更好理解，更容易让数据可视化。
维灾难：随着数据维度的增加，许多数据分析变得非常困难。
维归约的线性代数技术：主成分分析(Principal Components Analysis, PCA)。奇异值分解(Singular Value Decomposition, SVD)。