数据挖掘教程-网络科技-文化科教-太极之巅书单号

书刊介绍

数据挖掘教程目录

**章介绍
1.1这本书的读者对象
1.2什么是数据挖掘
1.3数据挖掘的用途
1.4数据挖掘的起源
1.5术语和注释
1.6数据集合的组织
1.7数据挖掘迅速发展的因素
第二章数据挖掘过程概览
2.1数据挖掘的核心思想
2.2有约束学习和无约束学习
2.3数据挖掘的步骤
2.4semma
2.5预备阶段
附录：数据分块方法
2.6建立模型——线性回归的一个例子
第三章有约束学习——分类和预测
3.1一个分两类的分类法
3.2贝叶斯*小误差法则
3.3采用分类误差作为标准的分类方法评价
3.4不对称错误分类代价和贝叶斯风险
3.5分层采样和不对称代价
3.6推广到多于两类的情况
3.7提升图
3.8波士顿住房（两类）
3.9采用三分（triage）策略的分类
第四章多元线性回归
4.1多元线性回归复习
4.2回归过程举例
4.3线性回归的自变量选择
4.4线性回归分析的一般步骤
第五章logistic回归
5.1一个简单例子
5.2logistic回归模型
5.3机会比（odds ratio）
5.4概率
5.5模型拟合的又一个例子
附录a：回归系数的极大似然估计和置信区间计算
附录b：使用西南财大数据挖掘系统对波士顿住宅区的数据处理
第六章神经网络
6.1神经元（一个数学模型）
6.2神经网络
6.3费歇尔（fisher）的鸢尾花数据
6.4后向传播算法——分类
6.5调整网络用于预测
6.6多个区域*优和遍数
6.7过分拟合和训练遍数的选择
6.8结构的适应性选择
6.9成功应用的例子
附录：使用西南财大数据挖掘系统的神经网络分类演示
第七章分类与回归树
7.1分类树
7.2递归分区
7.3骑乘式割草机
7.4剪枝
7.5*小误差树
7.6*佳剪枝树
7.7树的分类规则
7.8回归树
附录：西南财大数据挖掘系统分类树介绍
第八章判别分析
8.1骑乘式割草机
8.2fisher的线性判别函数
8.3贝叶斯线性分类函数
8.4距离度量
8.5分类误差
8.6鸢尾花的分类
附录a：马氏距离
附录b：西南财大数据挖掘系统的判别分析
第九章其他有约束学习方法
9.1k-*近邻点
9.2简单贝叶斯
9.3简单贝叶斯分类实例
第十章关联分析——关联法则
10.1发现交易数据库里的关联法则
10.2支持度和置信度
10.3增益和重要性
10.4相关系数和负关联法则
10.5先验算法
10.6缺点
第十一章数据精简和探索
11.1降维——主成分分析
11.2成年长子的头部测量数值
11.3主成分
11.4葡萄酒的特征
11.5数据标准化
11.6主成分和正交*小二乘
第十二章聚类分析
12.1什么是聚类分析？
12.2电力公司数据
12.3层次聚类法
12.4k-均值算法
12.5相似测度
12.6其他的距离测度
附录：西南财大数据挖掘系统的聚类分析