2025年浙江财经大学《数据挖掘综合》考研初试大纲及参考书目

• 2025考研复试伴学班
• 2025考研复试标准班
• 2026考研英语全程班
• 26考研全科上岸规划营「择校▪规划▪备考」
• 浙江财经大学2025考研专业课复习资料「真题▪笔记▪讲义▪题库」

《数据挖掘综合》考试大纲

第一部分：考试内容及要求

一.数据挖掘概述

考试内容

数据挖掘的概念数据挖掘的任务数据挖掘应用数据挖掘的主要问题

考试要求

1.了解数据库系统技术的演变过程;理解数据挖掘的概念;掌握知识发现过程的7个步骤。

2.掌握数据挖掘要解决的问题;掌握数据挖掘功能和模式;理解数据挖掘与统计学、机器学习的联系和区别;了解数据挖掘的起源;掌握数据挖掘的任务。

二.数据

考试内容

数据类型数据质量数据预处理 相似性和相异性度量

考试要求

1.了解数据对象与属性类型。

2.了解进行数据预处理的原因及其重要性;了解数据质量涉及的因素;掌握数据预处理的主要步骤。

3.了解数据清理的概念;了解处理数据缺失值的方法;了解处理噪音数据的方法。

4.理解数据预处理中的聚集、抽样、特征子集选择以及离散化和二元化等方法。

5.理解数据对象之间相似度;数据对象之间的相异度。

三. 分类和预测

考试内容

数据分类和预测的概念判定树归类算法信息增益树剪枝回归分析分类法的准确性组合分类器类不平衡问题

考试要求

1.理解数据分类的概念;了解分类的两个过程;理解监督学习和非监督学习的区别;了解分类和预测的数据预处理方法;掌握评估分类和预测方法的标准。

2.了解决策树的概念和优缺点;了解决策树归分类的主要步骤;了解常用的属性选择度量，掌握信息增益度量的求法;理解两种常用的树剪枝方法。

3.掌握神经网络的分类与构造原理

4.熟练掌握单层感知机原理与学习算法

5.掌握BP算法原理与学习过程

6.了解评估分类器性能的度量;了解评估分类和预测准确率的方法(混淆矩阵、灵敏度和特小型、F度量)。

7.掌握Boosting算法的基本思想。

8.熟练掌握支持向量机SVM分类建模原理和计算方法。

9.了解组合分类器的概念和常用的组合分类方法;了解装袋和提升的基本思想以及两者的区别;了解随机森林的基本思想。

10.了解类不平衡问题的概念;了解提高类不平衡数据分类准确率的一般方法。

四. 挖掘频繁模式、关联和相关性

考试内容

频繁项集概念 频繁项集挖掘方法 Apriori算法 FP-growth算法

考试要求

1.理解项集、闭项集、频繁项集和关联规则的概念 ;了解规则兴趣度的两种度量(支持度和置信度)。

2.了解关联规则挖掘的步骤。

3.了解Apriori算法的步骤;了解FP-growth算法的步骤和优缺点;掌握相关性度量提升度(lift)的计算方法。

五. 聚类分析

考试内容

聚类分析的概念聚类方法的分类算法方法的距离度量划分方法层次方法基于密度的方法基于网格的方法聚类评估

考试要求

1.理解聚类分析的概念;了解聚类分析的应用领域;了解比较聚类方法的标准;了解数据挖掘对聚类的典型要求;了解比较聚类方法的各个方面。

2.理解划分方法的概念和一般特点，以及典型算法;理解层次方法的概念和一般特点，以及典型算法;理解基于密度的聚类方法的概念和一般特点，以及典型算法;理解基于网格的聚类方法的概念和一般特点，以及典型算法;

3.理解K-均值算法的步骤和优缺点;

4.了解算法方法的距离度量。

5.了解聚类评估概念和主要任务;了解测定聚类质量的方法。

第二部分：考试方法和考试时间

数据挖掘导论考试采用闭卷、笔试形式，考试时间为180分钟。

第三部分：试卷结构及参考书目

(一)题分：试卷满分为150分

(二)题型比例：

选择题与判断题 约30%

简答题和计算题 约70%

(三)参考书目：

《数据挖掘导论》，(美)陈封能，(美)斯坦巴赫，(美)库玛尔，人民邮电出版社，2011年。