《預測分析與數據挖掘 RapidMiner實現》旨在幫助讀者理解數據挖掘方法的基礎知識，并實現無需編寫代碼就能在自己的工作中實踐這些方法。書中圍繞分類、回歸、關聯分析、聚類、異常檢測、文本挖掘、時間序列預測、特征分析等數據挖掘問題，著重介紹了決策樹、k近鄰、人工神經網絡、線性回歸、k均值聚類等當今廣泛使用的二十多種算法，針對每一種算法都先以通俗的語言解釋其原理，再使用開源數據分析工具 RapidMiner加以實現。
《預測分析與數據挖掘 RapidMiner實現》適合在日常工作中大量接觸數據的分析師、金融專家、市場營銷人員、商務專業人士等閱讀。
-以易于理解的方式梳理數據挖掘背后的基礎知識
-全面展示預測分析領域廣泛的實踐案例和方法
-無需編寫代碼，即可解決數據分析問題
Vijay Kotu，Yahoo分析總監，負責線上業務的大數據與分析系統的實現，在預測分析領域有十余年工作經驗。ACM會員，美國質量協會認證的六西格瑪黑帶。
Bala Deshpande，業界知名數據分析應用開發與咨詢公司SimaFore創始人，20余年分析經驗，精通各類分析技巧，經常在其博客www.simafore.com/blog上分享數據挖掘與預測分析方面的心得。
嚴云 研究興趣為計算生物學，以0和1的語言解讀ATGC的世界。
第 1章 引言 1
1．1 什么是數據挖掘 2
1．1．1 有意義模式的提取 2
1．1．2 代表性模型的構建 2
1．1．3 統計、機器學習和計算的搭配 3
1．1．4 算法 4
1．2 對數據挖掘的誤解 4
1．3 數據挖掘的初衷 5
1．3．1 海量數據 5
1．3．2 多維 6
1．3．3 復雜問題 6
1．4 數據挖掘的種類 7
1．5 數據挖掘的算法 8
1．6 后續章節導覽 9
1．6．1 數據挖掘的序曲 9
1．6．2 小插曲 10
1．6．3 主要內容：預測分析和數據挖掘算法 10
1．6．4 特別應用 12
參考文獻 13
第 2章 數據挖掘流程 14
2．1 先驗知識 16
2．1．1 目標 16
2．1．2 研究問題的背景 17
2．1．3 數據 17
2．1．4 因果性與相關性 18
2．2 數據準備 19
2．2．1 數據探索 19
2．2．2 數據質量 20
2．2．3 缺失值 20
2．2．4 數據類型和轉換 20
2．2．5 數據轉換 21
2．2．6 離群點 21
2．2．7 特征選擇 21
2．2．8 數據采樣 22
2．3 建模 22
2．3．1 訓練集和測試集 23
2．3．2 建模算法 24
2．3．3 模型評估 25
2．3．4 集成建模 26
2．4 應用 27
2．4．1 生產準備 27
2．4．2 方法整合 27
2．4．3 響應時間 28
2．4．4 重構模型 28
2．4．5 知識融合 28
2．5 新舊知識 29
2．6 后續章節預告 29
參考文獻 29
第3章 數據探索 31
3．1 數據探索的目標 31
3．2 走進數據 32
3．3 描述性統計分析 34
3．3．1 單變量探索 35
3．3．2 多變量探索 36
3．4 數據可視化 39
3．4．1 一個維度內數據頻率分布的可視化 39
3．4．2 直角坐標系內多變量的可視化 43
3．4．3 高維數據通過投影的可視化 48
3．5 數據探索導覽 50
參考文獻 51
第4章 分類 52
4．1 決策樹 52
4．1．1 算法原理 53
4．1．2 算法實現 59
4．1．3 小結 71
4．2 規則歸納 72
4．2．1 建立規則方法 73
4．2．2 算法原理 74
4．2．3 算法實現 77
4．2．4 小結 81
4．3 k 近鄰算法 81
4．3．1 算法原理 82
4．3．2 算法實現 88
4．3．3 小結 91
4．4 樸素貝葉斯 91
4．4．1 算法原理 93
4．4．2 算法實現 100
4．4．3 小結 102
4．5 人工神經網絡 102
4．5．1 算法原理 105
4．5．2 算法實現 108
4．5．3 小結 110
4．6 支持向量機 111
4．6．1 概念和術語 111
4．6．2 算法原理 114
4．6．3 算法實現 116
4．6．4 小結 122
4．7 集成學習模型 122
4．7．1 集體的智慧 123
4．7．2 算法原理 124
4．7．3 算法實現 126
4．7．4 小結 134
參考文獻 134
第5章 回歸方法 137
5．1 線性回歸 139
5．1．1 算法原理 139
5．1．2 使用RapidMiner實戰的目標與數據 141
5．1．3 算法實現 142
5．1．4 線性回歸建模要點 148
5．2 Logistic回歸 149
5．2．1 快速入門Logistic回歸 150
5．2．2 模型原理 151
5．2．3 模型實現 155
5．2．4 Logistic回歸小結 158
5．3 總結 158
參考文獻 158
第6章 關聯分析 160
6．1 挖掘關聯規則的基本概念 161
6．1．1 項集 162
6．1．2 生成關聯規則的一般步驟 164
6．2 Apriori算法 166
6．2．1 使用Apriori算法找出高頻項集 167
6．2．2 生成關聯規則 169
6．3 FP-Growth算法 169
6．3．1 生成FP樹 170
6．3．2 高頻項集的生成 172
6．3．3 FP-Growth算法實現 173
6．4 總結 176
參考文獻 176
第7章 聚類 178
7．1 聚類方法的種類 179
7．2 k均值聚類 182
7．2．1 k均值聚類原理 183
7．2．2 算法實現 187
7．3 DBSCAN聚類 191
7．3．1 算法原理 192
7．3．2 算法實現 195
7．3．3 小結 197
7．4 SOM 197
7．4．1 算法原理 199
7．4．2 算法實現 202
7．4．3 小結 208
參考文獻 208
第8章 模型評估 210
8．1 混淆矩陣 210
8．2 ROC曲線和AUC 212
8．3 提升曲線 214
8．4 評估預測結果 217
8．5 總結 221
參考文獻 221
第9章 文本挖掘 222
9．1 文本挖掘算法的原理 223
9．1．1 TF-IDF 223
9．1．2 術語和概念 225
9．2 使用聚類和分類算法實現文本挖掘 229
9．2．1 實例1：關鍵詞聚類 229
9．2．2 實例2：預測博客作者的性別 232
9．3 總結 241
參考文獻 242
第 10章 時間序列預測 243
10．1 基于數據的時序分析 245
10．1．1 樸素預測法 245
10．1．2 簡單平均法 246
10．1．3 移動平均法 246
10．1．4 加權移動平均法 247
10．1．5 指數平滑法 247
10．1．6 Holt雙參數指數平滑法． ． 248
10．1．7 Holt-Winter三參數指數平滑法 249
10．2 基于模型的預測方法 250
10．2．1 線性回歸 251
10．2．2 多項式回歸 252
10．2．3 考慮季節性的線性回歸模型 252
10．2．4 自回歸模型與ARIMA 254
10．2．5 基于RapidMiner的實現 254
10．3 總結 261
參考文獻 261
第 11 章異常檢測 262
11．1 異常檢測的基本概念 262
11．1．1 出現離群點的原因 262
11．1．2 異常檢測的方法 264
11．2 基于距離的離群點檢測方法 266
11．2．1 方法原理 267
11．2．2 方法實現 268
11．3 基于密度的離群點檢測方法 270
11．3．1 方法原理 270
11．3．2 方法實現 271
11．4 局部離群因子 272
11．5 總結 274
參考文獻 275
第 12章 特征選擇 276
12．1 特征選擇方法概覽 276
12．2 主成分分析 278
12．2．1 算法原理 279
12．2．2 算法實現 280
12．3 以信息論為基礎對數值型數據進行篩選 284
12．4 以卡方檢驗為基礎對類別型數據進行篩選 286
12．5 基于封裝器的特征選擇 289
12．5．1 向后消除法以縮減數據集大小 290
12．5．2 哪些變量被消除了 292
12．6 總結 293
參考文獻 294
第 13章 RapidMiner入門 295
13．1 用戶操作界面以及介紹 295
13．1．1 圖形用戶操作界面的介紹 295
13．1．2 RapidMiner軟件的術語 296
13．2 數據導入和導出工具 299
13．3 數據可視化工具 302
13．3．1 單一變量可視化 304
13．3．2 二維數據可視化 304
13．3．3 多維數據可視化 304
13．4 數據轉換工具 305
13．5 數據抽樣與處理缺失值工具 309
13．6 優化工具 312
13．7 總結 317
參考文獻 317
數據挖掘算法的比較 319
新書資訊