当前位置:首页 > 工业技术
数据挖掘理论与应用
数据挖掘理论与应用

数据挖掘理论与应用PDF电子书下载

工业技术

  • 电子书积分:10 积分如何计算积分?
  • 作 者:胡可云,田凤占,黄厚宽编著
  • 出 版 社:北京:北京交通大学出版社
  • 出版年份:2008
  • ISBN:7811232529
  • 页数:248 页
图书介绍:本书从数据挖掘理论与数据挖掘应用过程两方面介绍了数据挖掘的最新成果。在理论部分,本书介绍了数据挖掘技术所涉及的基本概念、主流技术和最新成果;在应用部分,本书结合具体的实例系统论述了商业理解、数据预处理、建模、模型部署等整个数据挖掘流程。本书既可以作为大学本科生和研究生的补充教材,也可以作为企业实施数据挖掘和商务智能的实战指导;既可以作为初次接触数据挖掘技术的入门读物,也可以作为高级研究人员的参考书。
《数据挖掘理论与应用》目录

第1章 导论 1

数据挖掘概述 1

数据挖掘的背景 1

数据挖掘的定义 2

数据挖掘的应用 4

数据挖掘的一般过程 6

数据挖掘中的数据集 6

数据挖掘的任务 8

数据挖掘过程 10

数据挖掘的一般方法 12

分类预测型方法 12

描述型方法 14

文本/Web挖掘方法 16

第2章 分类方法 18

决策树 18

决策树基本概念 18

决策树构造过程 20

决策树的扩展 23

前馈神经网络 24

基本概念 24

BP训练过程 25

RBF网络 28

基于规则的方法 30

AQ算法 31

C45 rules 32

RIPPER 33

支持向量机 34

核函数 34

线性可分模式下的最优超平面 35

线性不可分模式下的最优超平面 36

支持向量机 36

贝叶斯分类 38

贝叶斯理论和极大后验假设 39

贝叶斯网络和贝叶斯分类器 39

几种常见的贝叶斯分类器模型 40

贝叶斯分类器应用举例 44

粗糙集方法 47

粗糙集概念 47

粗糙集基本算法 54

粗糙集方法的扩展 61

其他分类方法 64

回归分析 64

k-最近邻分类方法 67

组合学习方法 68

第3章 聚类方法 71

聚类方法概述 71

聚类分析中的常见数据类型 72

对聚类算法的一些典型要求 74

主要的聚类方法 75

划分聚类 76

k-均值算法 76

二分k-均值聚类方法 78

k-中心点算法 78

层次聚类 79

凝聚的和分裂的层次聚类 79

BIRCH算法 81

CURE算法 83

ROCK算法 84

Chameleon 85

基于密度的聚类 86

DBSCAN算法 86

OPTICS算法 88

Kohonen聚类 90

自组织神经网络 90

Kohonen自组织映射 90

孤立点分析 92

基于统计的孤立点检测 92

基于距离的孤立点检测 93

基于偏离的孤立点检测方法 94

概念格 95

基本概念 95

概念格的建造 97

规则提取 102

第4章 关联分析 103

基本概念与挖掘过程 103

基本概念 103

关联规则挖掘过程 105

频繁项集挖掘算法 106

Apriori算法 106

Apriori算法的改进 109

FP- Growth算法 110

关联规则生成算法 114

频繁闭项集挖掘 115

关联规则的扩展 115

多层次关联规则 115

多维关联规则 116

定量关联规则 116

加权关联规则 117

序列模式分析 117

第5章 文本与Web挖掘 120

文本挖掘 120

文本预处理 120

文本检索 127

文本分类 135

文本聚类 139

文本摘要 140

Web挖掘 144

概述 144

Web内容挖掘 146

Web结构挖掘 149

Web使用挖掘 152

第6章 业务理解 160

需求分析 160

需求分析的内容 160

需求分析的方法 161

需求分析的结果 161

需求分析的注意事项 162

实例:客户细分项目的需求分析 162

客户细分项目的内容 162

分析方法 164

分析结果 164

第7章 数据预处理 165

数据理解 165

数据准备 166

数据整理与合并 166

数据抽样 167

训练集和测试集的划分方法 170

类标签的确定 172

数据描述 173

单变量描述方法 174

多变量描述方法 178

数据清理 183

缺值处理 183

探测异常点与噪声清除 185

变量变换与合成 188

连续变量归一化 188

离散变量的数值化 190

连续变量离散化 191

变量变换 195

变量合成 197

变量选择 201

概述 201

包装方法 202

过滤方法 203

主成分及因子分析 205

一些算法对预处理的要求 207

实例:客户流失项目的数据预处理 207

数据理解和数据准备 208

数据描述和清理 210

数据变换与选择 210

第8章 建模 213

算法选择 213

模型参数调整 214

模型评估和性能比较 215

分类模型的评估方法 215

聚类模型的评估方法 217

模型导出 218

实例 客户流失项目的建模 223

算法选择 223

参数调整 223

性能评估 223

模型导出 224

第9章 模型部署与维护 225

模型部署 225

模型维护 225

客户流失项目的模型部署与维护 226

附录A 主要数据挖掘软件简介 227

SAS Enterprise Miner 227

概述 227

数据挖掘过程及模块 228

SPSS Clementine 231

概述 231

数据挖掘过程及模块 231

IBM Intelligent Miner 235

概述 235

数据挖掘过程及模块 236

其他常见数据挖掘工具 238

参考文献 240

相关图书
作者其它书籍
返回顶部