數(shù)據(jù)挖掘原理與應(yīng)用

目 錄

前 言
第1章 緒論1
1.1 信息爆炸與大數(shù)據(jù)1
1.2 什么是數(shù)據(jù)挖掘5
1.3 數(shù)據(jù)挖掘的任務(wù)6
1.4 數(shù)據(jù)挖掘的應(yīng)用7
1.5 數(shù)據(jù)挖掘系統(tǒng)結(jié)構(gòu)9
1.6 數(shù)據(jù)挖掘面臨的挑戰(zhàn)9
1.7 數(shù)據(jù)挖掘樣例數(shù)據(jù)和相關(guān)資料10
思考與練習13
參考文獻13
第2章 數(shù)據(jù)挖掘的過程14
2.1 數(shù)據(jù)分析能力14
2.2 數(shù)據(jù)挖掘的過程16
2.3 三階段過程模型17
2.4 SEMMA方法19
2.5 CRISP-DM過程模型21
2.6 5A模型25
2.7 模型融合26
本章小結(jié)26
思考與練習27
參考文獻27
第3章 數(shù)據(jù)準備28
3.1 數(shù)據(jù)收集28
3.2 數(shù)據(jù)抽樣29
3.3 數(shù)據(jù)集成32
3.4 數(shù)據(jù)清理39
3.5 數(shù)據(jù)歸約43
3.6 數(shù)據(jù)變換48
本章小結(jié)50
思考與練習51
參考文獻51
第4章 數(shù)據(jù)探索52
4.1 數(shù)據(jù)探索的作用52
4.2 數(shù)據(jù)可視化54
4.3 數(shù)據(jù)統(tǒng)計分析70
4.4 加載Excel插件78
本章小結(jié)79
思考與練習79
參考文獻79
第5章 關(guān)聯(lián)分析81
5.1 關(guān)聯(lián)分析原理81
5.2 由候選項集產(chǎn)生頻繁項集84
5.3 計算支持度計數(shù)94
5.4 FP-Growth算法98
5.5 產(chǎn)生頻繁項集算法復(fù)雜度105
5.6 生成規(guī)則106
5.7 關(guān)聯(lián)規(guī)則的評估111
本章小結(jié)116
思考與練習116
參考文獻118
第6章 分類預(yù)測119
6.1 分類的原理119
6.2 決策樹分類122
6.3 基于規(guī)則的分類器151
6.4 貝葉斯分類器156
6.5 人工神經(jīng)網(wǎng)絡(luò)173
6.6 支持向量機186
6.7 模型評估192
本章小結(jié)197
思考與練習197
參考文獻198
第7章 聚類分析199
7.1 聚類的基本概念200
7.2 K均值(K-means)聚類方法208
7.3 K中心點(K-medoids)算法215
7.4 層次聚類216
7.5 DBSCAN聚類222
7.6 聚類算法評估228
本章小結(jié)232
思考與練習232
參考文獻233
第8章 回歸分析234
8.1 回歸分析的概念234
8.2 回歸算法235
8.3 回歸的評估與檢驗244
本章小結(jié)249
思考與練習249
參考文獻251
第9章 數(shù)據(jù)挖掘的工具252
9.1 MATLAB252
9.2 SPSS Modeler253
9.3 SAS Enterprise Miner254
9.4 WEKA255
9.5 R256
本章小結(jié)256
參考文獻257
第10章 WEKA數(shù)據(jù)挖掘應(yīng)用258
10.1 WEKA簡介258
10.2 Explorer261
10.3 Experimenter302
10.4 KnowledgeFlow304
10.5 WEKA API310
10.6 WEKA的設(shè)置和使用311
本章小結(jié)313
思考與練習313
參考文獻313