1. 数据挖掘核心考点全景解析
数据挖掘作为四川大学软件学院的核心课程，其知识体系主要围绕"数据预处理-算法模型-评估应用"三大模块展开。2024年最新考纲显示，关联规则、分类算法和聚类分析构成了期末考试的"黄金三角"，这三部分在历年试卷中的分值占比超过60%。
以关联规则为例，考试重点常集中在支持度（Support）和置信度（Confidence）的计算。有个实用技巧：当题目给出购物篮事务数据集时，建议先用矩阵法标记各项出现情况。比如某次考题给出5次购物记录，要求计算{啤酒,尿布}的支持度，可以快速画出5×4的0-1矩阵（列代表商品），统计同时为1的行数占比。
分类算法中决策树的考点最有意思。去年有道题给出天气数据集，要求用ID3算法构建决策树。关键是要掌握信息增益的计算公式：Gain(A) = Info(D) - Info_A(D)。我习惯用Python的math.log2函数辅助计算，避免手工计算对数出错。有个易错点是连续属性的处理，记得要先离散化再计算。
2. 关联规则深度剖析与实战
关联规则挖掘的Apriori算法是必考重点，其核心在于理解"向下闭包性质"：频繁项集的所有非空子集也必须是频繁的。在2023年考题中，要求用Apriori找出最小支持度为0.4的所有频繁项集。解题时建议画迭代表格：
- 第一次扫描：统计单项支持度
- 第二次扫描：生成候选2项集并剪枝
- 第三次扫描：生成候选3项集
FP-growth算法近年考察频率上升，其优势在于只需扫描数据集两次。有个记忆诀窍：FP-tree的构建过程就像搭积木，每个路径代表一个事务的压缩存储。考试时若遇到大数据集题目，优先考虑FP-growth解法。
实战中我发现关联规则最容易踩的坑是支持度阈值设置。太高会漏掉重要规则，太低会导致组合爆炸。有个经验公式：初始阈值可设为1/(事务总数)^(1/3)，再根据结果动态调整。
3. 分类算法实战技巧
KNN算法看似简单实则暗藏玄机。去年考题给出鸢尾花数据集，要求用K=3进行分类。关键是要掌握加权投票法：给距离近的邻居更高权重。建议使用倒数距离权重公式：w_i = 1/(d_i + ε)，其中ε是防止除零的小常数。
支持向量机(SVM)的核函数选择是高频考点。当题目给出线性不可分数据时，优先考虑RBF核。其参数γ决定决策边界弯曲程度，有个实用选择方法：γ=1/(特征数×数据方差)。考试时若遇到软间隔问题，记得引入松弛变量ξ，此时优化目标变为： min 1/2||w||² + C∑ξ_i
决策树的预剪枝策略常考对比题。有次考题给出两种方案：最大深度限制vs最小样本数分割。建议从计算开销和效果平衡角度分析：最大深度限制计算量小但可能欠拟合，最小样本数更灵活但需要更多计算。
4. 聚类分析核心要点
K-means的初始中心点选择直接影响结果。在2024年模拟题中，要求比较随机初始化与k-means++的效果。建议记住k-means++的步骤：
- 随机选第一个中心
- 计算各点到最近中心的距离D(x)
- 按D(x)²的概率选取下一个中心
- 重复直到选够k个中心
层次聚类的连接方式常考选择题。单连接适合发现长条形簇但易受噪声影响，全连接对噪声鲁棒但可能分裂大簇。Ward方法在考试中最受青睐，因为它最小化簇内方差，适合球形分布数据。
密度聚类(DBSCAN)的参数选择有诀窍。对于MinPts，通常取维度+1；ε可以通过k距离图确定，找到拐点位置。考试时若给出空间分布图，可以先估算核心点半径再确定ε。
5. 数据预处理关键步骤
缺失值处理在2023年大题中出现过综合应用题。题目给出包含年龄、收入缺失的客户数据，要求设计处理方案。我的解题框架是：
- 连续变量：用同一簇的中位数填充
- 分类变量：用众数填充
- 重要特征：建立预测模型估算
数据标准化常考计算题。z-score标准化公式看似简单，但要注意分母是标准差而非方差。有个易错场景：当题目要求保留2位小数时，中间计算过程至少要保留4位，否则最终结果会有偏差。
特征选择在考题中常与分类算法结合。信息增益和卡方检验是高频考点。记住卡方统计量的计算公式： χ² = Σ[(O-E)²/E] 其中O是观察频数，E是期望频数。计算时建议画列联表辅助。
6. 模型评估方法论
混淆矩阵的衍生指标每年必考。去年有道题给出TP=50, FP=10, FN=5，要求计算F1-score。解题步骤：
- Precision = TP/(TP+FP) = 50/60 ≈ 0.833
- Recall = TP/(TP+FN) = 50/55 ≈ 0.909
- F1 = 2×(P×R)/(P+R) ≈ 0.869
ROC曲线绘制是操作题常客。记住关键点：横轴FPR=FP/N，纵轴TPR=TP/P。考试时可以先计算不同阈值下的(FPR,TPR)对，再连线作图。AUC面积大于0.9表示模型优秀。
交叉验证的实施细节容易被忽视。当题目给出小数据集(如100条记录)时，建议选择10折交叉验证而非留出法。计算时注意每个样本恰好被测试一次，总评估指标是各轮结果的均值。
7. 历年真题破解之道
2019年的大题要求用朴素贝叶斯分类器处理文本数据。解题关键是理解拉普拉斯平滑：将词频计数加1避免零概率问题。公式变为： P(w|c) = (count(w,c)+1)/(count(c)+|V|) 其中|V|是词汇表大小。
2021年的综合题考察了集成学习方法对比。解题时要明确：Bagging降低方差适合高方差模型（如决策树），Boosting降低偏差适合弱分类器。有个答题技巧：遇到"为什么有效"类问题，从偏差-方差分解角度分析总不会错。
2023年的创新题要求设计推荐系统。我的方案是：
- 用户聚类：基于评分矩阵用谱聚类
- 物品关联：用FP-growth找频繁项集
- 混合推荐：协同过滤+关联规则加权
8. 备考策略与资源利用
知识图谱构建法是我总结的高效复习方法。以分类算法为例，中心节点是"分类"，分支包括决策树、SVM、朴素贝叶斯等，每个算法再延伸出核心公式、优缺点、适用场景。用XMind等工具绘制，复习时一目了然。
错题本要记录三类题目：计算失误题（如矩阵乘法算错）、概念混淆题（如混肴先验后验概率）、思路缺失题（如不知道如何设计聚类评估方案）。考前重点复习后两类。
学校提供的实验代码要反复调试。比如K-means实验，可以尝试修改初始中心观察收敛变化，这种动手经验对回答算法对比题大有裨益。有个小发现：在实际项目中，K-means++的迭代次数通常比随机初始化少30%-50%。
