這本書的文字內容主要參考了美國麻省理工學院的數據挖掘開放講義、國外許多大學老師關於數據挖掘課程的教學資料以及網絡上對有關算法的介紹材料。書中使用的數據均來自統計學教材或數據挖掘教材中使用的標準數據,數據分析結果和圖形展示由作者自己制作的西南財經大學數據挖掘繫統軟件生成。
章 介紹1.1 這本書的讀者對像1.2 什麼是數據挖掘1.3 數據挖掘的用途1.4 數據挖掘的起源1.5 術語和注釋1.6 數據集合的組織1.7 數據挖掘迅速發展的因素第二章 數據挖掘過程概覽2.1 數據挖掘的核心思想2.2 有約束學習和無約束學習2.3 數據挖掘的步驟2.4 SEMMA2.5 預備階段附錄:數據分塊方法2.6建立模型——線性回歸的一個例子第三章 有約束學習——分類和預測3.1 一個分兩類的分類法3.2 貝葉斯小誤差法則3.3 采用分類誤差作為標準的分類方法評價3.4 不對稱錯誤分類代價和貝葉斯風險3.5 分層采樣和不對稱代價3.6 推廣到多於兩類的情況3.7 提升圖3.8 波士頓住房(兩類)3.9 采用三分(Triage)策略的分類第四線性回歸4.線性回歸復習4.2 回歸過程舉例4.3 線性回歸的自變量選擇4.4 線性回歸分析的一般步驟第五章 Logistic回歸5.1 一個簡單例子5.2 Logistic回歸模型5.3 機會比(Odds Ratio)5.4 概率5.5 模型擬合的又一個例子附錄A:回歸繫數的極大似然估計和置信區間計算附錄B:使用西南財大數據挖掘繫統對波士頓住宅區的數據處理第六章 神經網絡6.1(一個數學模型)6.2 神經網絡6.3 費歇爾(Fisher)的鳶尾花數據6.4 後向傳播算法——分類6.5 調整網絡用於預測6.6 多個區域和遍數6.7 過分擬合和訓練遍數的選擇6.8 結構的適應性選擇6.9 成功應用的例子附錄:使用西南財大數據挖掘繫統的神經網絡分類演示第七章 分類與回歸樹7.1 分類樹7.2 遞歸分區7.3 騎乘式割草機7.4 剪枝7.5 小誤差樹7.6 剪枝樹7.7 樹的分類規則7.8 回歸樹附錄:西南財大數據挖掘繫統分類樹介紹第八章 判別分析8.1 騎乘式割草機8.2 Fisher的線性判別函數8.3 貝葉斯線性分類函數8.4 距離度量8.5 分類誤差8.6 鳶尾花的分類附錄A:馬氏距離附錄B:西南財大數據挖掘繫統的判別分析第九章 其他有約束學習方法9.1 K-近鄰點9.2 簡單貝葉斯9.3 簡單貝葉斯分類實例第十章 關聯分析——關聯法則10.1 發現交易數據庫裡的關聯法則10.2 支持度和置信度10.3 增益和重要性10.4 相關繫數和負關聯法則10.5 先驗算法10.6 缺點第十一章 數據精簡和探索11.1 降維——主成分分析11.2 成年長子的頭部測量數值11.3 主成分11.4 葡萄酒的特征11.5 數據標準化11.6 主成分和正交小二乘第十二章 聚類分析12.1 什麼是聚類分析?12.2 電力公司數據12.3 層次聚類法12.4 k-均值算法12.5 相似測度12.6 其他的距離測度附錄:西南財大數據挖掘繫統的聚類分析
請選擇顏色、尺碼等選項!
已成功加入購物車!