數(shù)據(jù)分析與數(shù)據(jù)挖掘（第2版）

第1章概述1
1.1數(shù)據(jù)分析與數(shù)據(jù)挖掘1
1.1.1數(shù)據(jù)分析1
1.1.2數(shù)據(jù)挖掘1
1.1.3數(shù)據(jù)分析與數(shù)據(jù)挖掘的區(qū)別和聯(lián)系3
1.2分析與挖掘的數(shù)據(jù)類型3
1.3數(shù)據(jù)分析與數(shù)據(jù)挖掘的方法7
1.4數(shù)據(jù)分析與數(shù)據(jù)挖掘使用的技術8
1.5應用場景及存在的問題12
1.5.1數(shù)據(jù)分析與數(shù)據(jù)挖掘的應用12
1.5.2存在的主要問題13
1.6本書結構概述14
1.7習題14
第2章數(shù)據(jù)16
2.1數(shù)據(jù)對象與屬性類別16
2.1.1屬性的定義16
2.1.2屬性的分類16
2.2數(shù)據(jù)的基本統(tǒng)計描述17
2.2.1中心趨勢度量18
2.2.2數(shù)據(jù)分散度量20
2.2.3數(shù)據(jù)的圖形顯示22
2.3數(shù)據(jù)的相似性和相異性度量26
2.3.1數(shù)據(jù)矩陣與相異性矩陣26
2.3.2標稱屬性的鄰近性度量27
2.3.3二元屬性的鄰近性度量28
2.3.4數(shù)值屬性的相異性29
2.3.5序數(shù)屬性的鄰近性度量31
2.3.6混合類型屬性的相異性31
2.3.7余弦相似性33目錄數(shù)據(jù)分析與數(shù)據(jù)挖掘（第2版）2.4習題34
第3章數(shù)據(jù)預處理36
3.1數(shù)據(jù)預處理及任務36
3.1.1數(shù)據(jù)預處理的必要性36
3.1.2數(shù)據(jù)預處理的主要任務39
3.2數(shù)據(jù)清理40
3.2.1缺失值、噪聲和不一致數(shù)據(jù)的處理40
3.2.2數(shù)據(jù)清理方式43
3.3數(shù)據(jù)集成44
3.4數(shù)據(jù)歸約49
3.4.1直方圖49
3.4.2數(shù)據(jù)立方體聚集50
3.4.3屬性子集選擇52
3.4.4抽樣53
3.5數(shù)據(jù)變換與數(shù)據(jù)離散化54
3.5.1數(shù)據(jù)變換策略及分類54
3.5.2數(shù)據(jù)泛化54
3.5.3數(shù)據(jù)規(guī)范化55
3.5.4數(shù)據(jù)離散化56
3.6習題58
第4章數(shù)據(jù)倉庫與聯(lián)機分析處理59
4.1數(shù)據(jù)倉庫基本概念59
4.1.1數(shù)據(jù)倉庫的定義59
4.1.2數(shù)據(jù)倉庫的性質(zhì)59
4.1.3數(shù)據(jù)倉庫體系結構60
4.1.4數(shù)據(jù)倉庫設計模型61
4.2數(shù)據(jù)倉庫設計62
4.2.1數(shù)據(jù)倉庫的概念模型設計62
4.2.2數(shù)據(jù)倉庫的邏輯模型設計65
4.2.3數(shù)據(jù)倉庫的物理模型設計67
4.3數(shù)據(jù)倉庫實現(xiàn)68
4.4聯(lián)機分析處理81
4.4.1OLAP簡介81
4.4.2OLAP與OLTP的關系82
4.4.3典型的OLAP操作83
4.5元數(shù)據(jù)模型87
4.5.1元數(shù)據(jù)的類型88
4.5.2元數(shù)據(jù)的作用88
4.5.3元數(shù)據(jù)的使用89
4.6習題90
第5章回歸分析91
5.1回歸分析概述91
5.1.1變量間的兩類關系91
5.1.2回歸分析的步驟92
5.2一元線性回歸93
5.2.1原理分析93
5.2.2回歸方程求解及模型檢驗93
5.2.3一元線性回歸實例96
5.2.4案例分析： 使用Weka實現(xiàn)一元線性回歸99
5.3多元線性回歸105
5.3.1原理分析105
5.3.2回歸方程求解及模型檢驗106
5.3.3多元線性回歸實例108
5.3.4案例分析： 使用Weka實現(xiàn)多元線性回歸110
5.4多項式回歸113
5.4.1原理分析113
5.4.2多項式回歸實例114
5.4.3案例分析： 使用Excel實現(xiàn)多項式回歸117
5.5習題123
第6章頻繁模式挖掘125
6.1概述125
6.1.1案例分析126
6.1.2相關概念126
6.1.3先驗性質(zhì)128
6.2Apriori算法129
6.2.1Apriori算法分析129
6.2.2案例分析： 使用Weka實現(xiàn)Apriori算法133
6.3FPgrowth算法139
6.3.1FPgrowth算法分析139
6.3.2案例分析： 使用Weka實現(xiàn)FPgrowth算法148
6.4壓縮頻繁項集151
6.4.1挖掘閉模式151
6.4.2挖掘極大模式152
6.5關聯(lián)模式評估152
6.5.1支持度置信度框架153
6.5.2相關性分析153
6.5.3模式評估度量155
6.6習題156
第7章分類157
7.1分類概述157
7.1.1分類的基本概念157
7.1.2分類的相關知識158
7.2決策樹162
7.2.1決策樹的基本概念162
7.2.2決策樹分類器的算法過程163
7.2.3ID3算法165
7.2.4C4.5算法172
7.2.5Weka中使用C4.5算法進行分類預測實例177
7.2.6決策樹的剪枝184
7.3樸素貝葉斯分類185
7.3.1樸素貝葉斯學習基本原理185
7.3.2樸素貝葉斯分類過程186
7.3.3使用Weka的樸素貝葉斯分類器進行分類實例187
7.4惰性學習法191
7.4.1k近鄰算法描述191
7.4.2k近鄰算法性能193
7.4.3使用Weka進行k近鄰分類實例194
7.5邏輯回歸196
7.5.1邏輯回歸的基本概念196
7.5.2二項邏輯回歸過程197
7.5.3用Weka進行邏輯回歸分類實例199
7.6支持向量機202
7.6.1線性可分支持向量機算法203
7.6.2線性可分支持向量機學習算法——最大間隔法207
7.6.3使用Weka進行支持向量機分類實例208
7.7神經(jīng)網(wǎng)絡210
7.7.1神經(jīng)網(wǎng)絡的基本概念210
7.7.2BP神經(jīng)網(wǎng)絡算法過程212
7.7.3BP神經(jīng)網(wǎng)絡分類算法實例214
7.7.4使用Weka進行神經(jīng)網(wǎng)絡分類實例216
7.8組合方法223
7.8.1組合方法概述223
7.8.2裝袋223
7.8.3提升230
7.8.4隨機森林算法234
7.9分類模型的評估248
7.9.1分類模型的評價指標248
7.9.2交叉驗證253
7.9.3自助法254
7.10習題255
第8章聚類257
8.1聚類概述257
8.1.1聚類的基本概念257
8.1.2聚類算法的分類258
8.2基于劃分的聚類260
8.2.1k均值算法260
8.2.2k中心點算法264
8.2.3使用Weka進行基于劃分的聚類實例268
8.3基于層次的聚類273
8.3.1基于層次的聚類的基本概念273
8.3.2簇間距離度量274
8.3.3分裂層次聚類274
8.3.4凝聚層次聚類276
8.3.5BIRCH算法278
8.3.6使用Weka進行基于層次的聚類實例282
8.4基于密度的聚類285
8.4.1基于密度的聚類的基本概念285
8.4.2DBSCAN算法286
8.4.3使用Weka進行基于密度的聚類實例290
8.5基于網(wǎng)格的聚類293
8.5.1STING算法294
8.5.2CLIQUE算法296
8.6聚類質(zhì)量的評估299
8.7習題300
第9章離群點檢測301
9.1離群點的定義與類型301
9.1.1什么是離群點301
9.1.2離群點的類型302
9.2離群點的檢測303
9.2.1檢測方法的分類303
9.2.2統(tǒng)計學方法304
9.2.3近鄰性方法307
9.2.4基于聚類的方法309
9.2.5基于分類的方法313
9.3習題314
附錄AWeka的安裝及使用規(guī)范315
A.1Weka簡介與安裝315
A.1.1Weka簡介315
A.1.2JRE的安裝315
A.1.3Weka的安裝318
A.2Weka的使用方法323
A.3Weka的數(shù)據(jù)格式326
參考文獻330