目錄
第1章 緒論 1
1.1 數據挖掘 1
1.1.1 數據挖掘是什麼 2
1.1.2 數據挖掘的功能 3
1.1.3 數據挖掘的過程 4
1.1.4 數據挖掘與機器學習 5
1.2 Weka簡介 6
1.3 示例數據集 9
1.3.1 天氣問題 9
1.3.2 鳶尾花問題 11
1.3.3 CPU性能問題 11
1.3.4 購物籃問題 12
1.3.5 美國國會投票記錄 13
第2章 認識數據 14
2.1 概念、實例集、屬性 14
2.2 ARFF格式文件 16
第3章 分類 20
3.1 分類器的輸出與評價 20
3.1.1 彙總 20
3.1.2 成本敏感學習方案評價指標及工具 22
3.2 分類決策樹 29
3.2.1 ID3算法 29
3.2.2 C4.5算法 31
3.2.3 帶嫁接功能的C4.5算法 41
3.2.4 分類樹與回歸樹 42
3.2.5 減少-誤差剪枝決策樹 49
3.3 分類規則 50
3.3.1 分類規則算法基本思想 50
3.3.2 分類規則算法的基本方法——覆蓋算法 51
3.3.3 決策列表 59
3.3.4 基於全局優化的分類規則 63
3.3.5 基於例外的分類規則——漣波下降算法 66
3.3.6 單屬性分類規則——1R分類算法 71
3.3.7 簡單連接規則 75
3.3.8 簡單分類規則 77
3.4 貝葉斯方法 77
3.4.1 貝葉斯方法基礎 77
3.4.2 樸素貝葉斯方法 80
3.4.3 多項式樸素貝葉斯方法 90
3.4.4 貝葉斯網絡 92
3.4.5 隱匿樸素貝葉斯方法 121
3.5 分類函數 125
3.5.1 logistic回歸 125
3.5.2 Winnow分類器 134
3.5.3 多層感知機 139
3.5.4 徑向基函數網絡 156
3.5.5 序列*小優化算法 160
3.5.6 核logistic回歸 179
3.5.7 投票感知機 182
3.5.8 隨機梯度下降算法 184
3.6 惰性方法 187
3.6.1 惰性方法的基本思想 187
3.6.2 k-*近鄰分類器 188
第4章 數值預測 219
4.1 預測器的輸出與評價 219
4.1.1 反映預測值與實際值之間**偏差的度量指標 219
4.1.2 反映預測值與實際值之間相對偏差的度量指標 219
4.2 預測規則 220
4.2.1 簡單連接規則 220
4.2.2 簡單分類規則——0-規則分類器 221
4.3 預測函數 222
4.3.1 線性回歸 222
4.3.2 簡單線性回歸 229
4.3.3 *小中值平方線性回歸 229
4.3.4 基於投影的線性回歸 232
4.3.5 保序回歸 234
4.3.6 序列*小優化回歸 241
第5章 聚類 247
5.1 K-均值聚類 248
5.1.1 K-均值聚類的基本思想 248
5.1.2 初始化聚類中心 248
5.1.3 頂蓋方法 249
5.1.4 Weka實現 255
5.2 X-均值聚類 257
5.2.1 X-均值聚類的基本思想 257
5.2.2 聚類簇總數k的估計 257
5.2.3 基於kD樹的算法加速 260
5.2.4 Weka實現 264
5.3 層次聚類 265
5.3.1 層次聚類法的基本思想 265
5.3.2 凝聚聚類算法 266
5.3.3 Weka實現 270
5.4 增量聚類 271
5.4.1 增量聚類法的基本思想 271
5.4.2 分類效用 273
5.4.3 敏銳度 274
5.4.4 截斷參數 275
5.4.5 Weka實現 276
5.5 基於概率的聚類 277
5.5.1 基於概率的聚類方法基礎 277
5.5.2 EM算法 279
5.5.3 擴展混合模型 281
5.5.4 交叉驗證與聚類簇總數 283
5.5.5 Weka實現 283
5.6 基於密度的聚類 285
5.6.1 基本概念 285
5.6.2 DBSCAN算法 286
5.6.3 OPTICS算法 288
5.6.4 Weka實現 291
5.7 CLOPE聚類 296
5.7.1 稀疏數據 296
5.7.2 CLOPE的基本思想 297
5.7.3 算法描述 298
5.7.4 算法實現細節 301
5.7.5 Weka實現 302
5.8 聚類方法輔助工具 303
5.8.1 FilteredClusterer 303
5.8.2 MakeDensityBasedClusterer 304
第6章 基於頻繁模式的關聯規則 305
6.1 模式挖掘的基本概念 305
6.1.1 頻繁模式 305
6.1.2 頻繁項集和關聯規則 306
6.1.3 閉頻繁項集和極大頻繁項集 308
6.1.4 模式評估度量 309
6.1.5 模式挖掘的分類 320
6.2 Apriori算法 322
6.2.1 算法思想及算法步驟 322
6.2.2 算法效率提升策略 327
6.2.3 典型模式提取 329
6.2.4 基於頻繁模式的分類器 338
6.2.5 Weka實現 342
6.3 FP-Growth算法 345
6.3.1 算法思想 345
6.3.2 算法步驟 349
6.3.3 基於約束的剪枝 350
6.3.4 Weka實現 355
6.4 模式挖掘方法的輔助工具 356
參考文獻 358