世界著名计算机教材精选 数据挖掘十大算法PDF电子书下载

第1章 C4.5 1

1.1引言 2

1.2算法描述 3

1.3算法特性 6

1.3.1决策树剪枝 6

1.3.2连续型属性 8

1.3.3缺失值处理 8

1.3.4规则集诱导 9

1.4软件实现 10

1.5示例 10

1.5.1 Golf数据集 10

1.5.2 Soybean数据集 11

1.6高级主题 11

1.6.1二级存储 12

1.6.2斜决策树 12

1.6.3特征选择 12

1.6.4集成方法 12

1.6.5分类规则 13

1.6.6模型重述 13

1.7习题 14

参考文献 15

第2章 k-means 18

2.1引言 19

2.2算法描述 19

2.3可用软件 22

2.4示例 23

2.5高级主题 27

2.6小结 28

2.7习题 28

参考文献 29

第3章 SVM：支持向量机 31

3.1支持向量分类器 32

3.2支持向量分类器的软间隔优化 34

3.3核技巧 35

3.4理论基础 38

3.5支持向量回归器 40

3.6软件实现 41

3.7当前和未来的研究 41

3.7.1计算效率 41

3.7.2核的选择 41

3.7.3泛化分析 42

3.7.4结构化支持向量机的学习 42

3.8习题 43

参考文献 44

第4章 Apriori 47

4.1引言 48

4.2算法描述 48

4.2.1挖掘频繁模式和关联规则 48

4.2.2挖掘序列模式 52

4.2.3讨论 53

4.3软件实现 54

4.4示例 55

4.4.1可行示例 55

4.4.2性能评估 60

4.5高级主题 61

4.5.1改进Apriori类型的频繁模式挖掘 61

4.5.2无候选的频繁模式挖掘 62

4.5.3增量式方法 63

4.5.4稠密表示：闭合模式和最大模式 63

4.5.5量化的关联规则 64

4.5.6其他的重要性/兴趣度度量方法 65

4.5.7类别关联规则 66

4.5.8使用更丰富的形式：序列、树和图 66

4.6小结 67

4.7习题 67

参考文献 68

第5章 EM 72

5.1引言 73

5.2算法描述 74

5.3软件实现 74

5.4示例 75

5.4.1例5.1：多元正态混合 75

5.4.2例5.2：混合因子分析 78

5.5高级主题 80

5.6习题 81

参考文献 87

第6章 PageRank 90

6.1引言 91

6.2算法描述 92

6.3一个扩展：Timed-PageRank 95

6.4小结 96

6.5习题 96

参考文献 97

第7章 AdaBoost 98

7.1引言 99

7.2算法描述 99

7.2.1符号定义 99

7.2.2通用推举过程 100

7.2.3 AdaBoost算法 101

7.3示例 103

7.3.1异或问题求解 103

7.3.2真实数据上的性能 104

7.4实际应用 105

7.5高级主题 107

7.5.1理论问题 107

7.5.2多类别AdaBoost 110

7.5.3其他高级主题 111

7.6软件实现 111

7.7习题 112

参考文献 113

第8章 kNN：k-最近邻 115

8.1引言 116

8.2算法描述 116

8.2.1宏观描述 116

8.2.2若干议题 117

8.2.3软件实现 118

8.3示例 118

8.4高级主题 120

8.5习题 121

致谢 121

参考文献 122

第9章 Naive Bayes 124

9.1引言 125

9.2算法描述 125

9.3独立给力 127

9.4模型扩展 128

9.5软件实现 130

9.6示例 130

9.6.1例1 130

9.6.2例2 132

9.7高级主题 133

9.8习题 133

参考文献 134

第10章 CART：分类和回归树 136

10.1前身 137

10.2概述 138

10.3示例 138

10.4算法描述 140

10.5分裂准则 141

10.6先验概率和类别均衡 142

10.7缺失值的处理 144

10.8属性的重要度 145

10.9动态特征构造 146

10.10代价敏感学习 147

10.11停止准则、剪枝、树序列和树选择 147

10.12概率树 149

10.13理论基础 150

10.14 CART之后的相关研究 150

10.15可用软件 151

10.16习题 152

参考文献 153