国产91青青成人a在线/在线视频成人/aaa成人永久在线观看视频/深夜草莓视频app

《數據分析與數據挖掘》主要介紹數據挖掘和數據分析的基本概念和方法，包括數據的基本屬性和概念、數據預處理技術、數據立方體和OLAP技術、頻繁模式挖掘、回歸分析、分類、聚類、離群點分析。書中涉及到的模型和算法均給予了相應的實例。

數據分析與數據挖掘是一門跨學科的計算機科學分支，是人工智能、機器學習、概率論、統(tǒng)計學和數據庫知識的交叉學科。數據挖掘的目標是從一個或多個數據集中通過數據處理，結合一定的算法模型*終挖掘出有價值的信息。隨著科技的發(fā)展，數據量呈爆炸式增長，數據挖掘在工業(yè)界和學術界都得到了越來越多的重視。國際知名的互聯(lián)網公司和科研單位都在大力發(fā)展數據科學，在我國，數據科學的發(fā)展受到了極大的關注，通過數據分析與數據挖掘幫助決策，進而推動經濟發(fā)展。本書主要介紹數據分析與數據挖掘的基本概念和方法，包括數據的基本屬性和概念、數據預處理技術、數據倉庫和OLAP技術、回歸分析、頻繁模式挖掘、分類、聚類、離群點分析。每一部分先介紹基本概念、理論基礎，再給出應用實例，便于讀者更好的理解和應用算法，*后給出習題。本書所講述的內容均為數據分析與數據挖掘過程中常用方法和模型，目的是讓愛好數據科學的計算機專業(yè)、統(tǒng)計學專業(yè)以及相關專業(yè)的學生熟悉數據挖掘的過程，掌握數據分析與數據挖掘過程中常用的算法模型及數據處理方式。本書知識點的介紹通過基礎理論及概念介紹、應用例題、習題三部分進行，部分章節(jié)涉及算法應用實例。通過對數據分析與數據挖掘知識點的基礎理論講解，對數據分析與數據挖掘有整體的認識及了解；通過應用例題，能夠對算法的過程有深刻的理解；通過習題，能夠鞏固對相應知識點掌握。本書適用于數據分析與數據挖掘領域的初學者，可以作為相關專業(yè)本科及研究生教材。書中算法由淺入深、由原理到應用，有利于初學者的學習和理解。本書也可作為數據分析與數據挖掘相關專業(yè)人士的參考用書。

目錄

第1章概述1

1.1數據分析與數據挖掘1

1.1.1數據分析1

1.1.2數據挖掘1

1.1.3區(qū)別和聯(lián)系3

1.2分析與挖掘的數據類型3

1.3數據分析與數據挖掘的方法7

1.4數據分析與數據挖掘使用的技術9

1.5應用場景及存在的問題12

1.5.1數據分析與數據挖掘的應用12

1.5.2存在的主要問題13

1.6本書結構概述14

1.7習題14

第2章數據15

2.1數據對象與屬性類別15

2.1.1屬性的定義15

2.1.2屬性的分類15

2.2數據基本統(tǒng)計描述16

2.2.1中心趨勢度量17

2.2.2數據散布度量19

2.2.3數據的圖形顯示20

2.3數據的相似性和相異性度量25

2.3.1數據矩陣與相異性矩陣25

2.3.2標稱屬性的鄰近性度量25

2.3.3二元屬性的鄰近性度量26

2.3.4數值屬性的相異性27

2.3.5序數屬性的鄰近性度量29

2.3.6余弦相似性30

2.4習題30目錄數據分析與數據挖掘第3章數據預處理32

3.1數據預處理及任務32

3.1.1數據預處理的必要性32

3.1.2數據預處理的主要任務34

3.2數據清理35

3.2.1缺失值、噪聲和不一致數據的處理35

3.2.2數據清理方式38

3.3數據集成39

3.4數據歸約42

3.4.1直方圖43

3.4.2數據立方體聚集44

3.4.3屬性子集選擇45

3.4.4抽樣46

3.5數據變換與數據離散化47

3.5.1數據變換策略及分類47

3.5.2數據泛化47

3.5.3數據規(guī)范化48

3.5.4數據離散化49

3.6習題51

第4章數據倉庫與OLAP52

4.1數據倉庫的基本概念52

4.1.1數據倉庫的定義52

4.1.2數據倉庫的性質52

4.1.3數據倉庫體系結構53

4.1.4數據倉庫設計模型54

4.2數據倉庫設計55

4.2.1數據倉庫的概念模型設計55

4.2.2數據倉庫的邏輯模型設計58

4.2.3數據倉庫的物理模型設計60

4.3數據倉庫實現61

4.4聯(lián)機分析處理70

4.4.1OLAP簡介71

4.4.2OLAP與OLTP的關系72

4.4.3典型的OLAP操作73

4.5元數據模型76

4.5.1元數據的類型77

4.5.2元數據的作用77

4.5.3元數據的使用78

4.6習題79

第5章回歸分析80

5.1回歸分析概述80

5.1.1變量間的兩類關系80

5.1.2回歸分析的步驟81

5.2一元線性回歸82

5.2.1原理分析82

5.2.2回歸方程求解及模型檢驗82

5.2.3一元線性回歸實例85

5.2.4案例分析： 使用Weka實現一元線性回歸88

5.3多元線性回歸94

5.3.1原理分析94

5.3.2回歸方程求解及模型檢驗95

5.3.3多元線性回歸實例97

5.3.4案例分析： 使用Weka實現多元線性回歸99

5.4多項式回歸102

5.4.1原理分析102

5.4.2多項式回歸實例103

5.4.3案例分析： 使用Excel實現多項式回歸104

5.5習題111

第6章頻繁模式挖掘113

6.1概述113

6.1.1案例分析114

6.1.2相關概念114

6.1.3先驗性質116

6.2關聯(lián)模式評估117

6.2.1支持度�仓眯哦瓤蚣�117

6.2.2相關性分析117

6.2.3模式評估度量119

6.3Apriori算法120

6.3.1Apriori算法分析120

6.3.2案例分析： 使用Weka實現Apriori算法124

6.4FP�瞘rowth算法129

6.4.1FP�瞘rowth算法分析129

6.4.2案例分析： 使用Weka實現FP�瞘rowth算法133

6.5壓縮頻繁項集136

6.5.1挖掘閉模式136

6.5.2挖掘極大模式136

6.6習題137

第7章分類139

7.1分類概述139

7.1.1分類的基本概念139

7.1.2分類的相關知識139

7.1.3分類的評價指標143

7.2決策樹144

7.2.1決策樹基本概念144

7.2.2決策樹分類器的算法過程145

7.2.3ID3算法146

7.2.4C4.5算法149

7.2.5Weka中使用C4.5算法進行分類預測實例151

7.2.6決策樹的剪枝156

7.2.7隨機森林算法157

7.2.8使用Weka的隨機森林進行分類預測160

7.3樸素貝葉斯分類164

7.3.1樸素貝葉斯學習基本原理164

7.3.2樸素貝葉斯分類過程165

7.3.3使用Weka的樸素貝葉斯分類器進行分類實例166

7.4惰性學習法170

7.4.1K近鄰算法描述170

7.4.2K近鄰算法性能172

7.4.3使用Weka進行K近鄰分類實例173

7.5邏輯回歸176

7.5.1邏輯回歸基本概念176

7.5.2二項邏輯回歸過程177

7.5.3使用邏輯回歸分類算法的實例179

7.5.4使用Weka進行邏輯回歸分類實例180

7.6支持向量機183

7.6.1線性可分支持向量機算法184

7.6.2線性可分支持向量機算法過程188

7.6.3使用Weka進行支持向量機分類實例189

7.7神經網絡192

7.7.1神經網絡基本概念192

7.7.2BP神經網絡算法過程194

7.7.3BP神經網絡分類算法的實例196

7.7.4使用Weka進行神經網絡的分類實例198

7.8習題205

第8章聚類207

8.1聚類概述207

8.1.1聚類的基本概念207

8.1.2聚類算法的分類208

8.2基于劃分的聚類210

8.2.1K�簿�值算法210

8.2.2K�仓行狞c算法214

8.2.3使用Weka進行基于劃分的聚類實例217

8.3基于層次的聚類221

8.3.1基于層次的聚類的基本概念221

8.3.2類間距離度量222

8.3.3分裂層次聚類222

8.3.4凝聚層次聚類224

8.3.5BIRCH算法226

8.3.6使用Weka進行基于層次的聚類實例228

8.4基于密度的聚類233

8.4.1基于密度的聚類的基本概念233

8.4.2DBSCAN算法233

8.4.3使用Weka進行基于密度的聚類實例236

8.5基于網格的聚類241

8.5.1基于網格的聚類的基本概念241

8.5.2STING算法241

8.5.3CLIQUE算法243

8.6聚類質量的評估245

8.7習題247

第9章離群點檢測248

9.1離群點的定義與類型248

9.1.1離群點的定義248

9.1.2離群點類型249

9.2離群點的檢測250

9.2.1檢測方法的分類250

9.2.2統(tǒng)計學方法251

9.2.3近鄰性方法253

9.2.4基于聚類的方法255

9.2.5基于分類的方法258

9.3習題259

附錄AWeka的安裝及使用規(guī)范260

A.1Weka的安裝260

A.1.1Weka260

A.1.2JRE的安裝260

A.1.3Weka的安裝263

A.2Weka使用方法267

A.3Weka數據格式271

參考文獻275