《數(shù)據(jù)挖掘方法與應(yīng)用》對(duì)數(shù)據(jù)挖掘中常用的建模算法進(jìn)行系統(tǒng)介紹,內(nèi)容涵蓋了數(shù)據(jù)預(yù)處理、關(guān)聯(lián)規(guī)則挖掘、聚類分析、決策樹及組合算法、貝葉斯分類、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等。在闡述每種算法基本理論的基礎(chǔ)上,同時(shí)給出基于R軟件的應(yīng)用方法。這種理論與應(yīng)用相結(jié)合的方式為讀者理解和運(yùn)用這些方法提供了堅(jiān)實(shí)的基礎(chǔ),有助于讀者由淺入深、循序漸進(jìn)地理解相關(guān)內(nèi)容并用以解決實(shí)際問題。
更多科學(xué)出版社服務(wù),請(qǐng)掃碼獲取。
目錄
第1章 數(shù)據(jù)挖掘?qū)д摗?
1.1 數(shù)據(jù)挖掘的概念 1
1.2 數(shù)據(jù)挖掘的產(chǎn)生背景及意義 2
1.3 數(shù)據(jù)挖掘的功能及步驟 3
1.4 數(shù)據(jù)挖掘的常用方法 5
1.5 小結(jié) 7
思考題與練習(xí)題 7
第2章 數(shù)據(jù)預(yù)處理 8
2.1 數(shù)據(jù)預(yù)處理簡介 8
2.2 數(shù)據(jù)清洗 9
2.3 數(shù)據(jù)集成 11
2.4 數(shù)據(jù)變換 11
2.5 數(shù)據(jù)規(guī)約 14
2.6 基于R語言的數(shù)據(jù)預(yù)處理 17
2.7 小結(jié) 28
思考題與練習(xí)題 29
第3章 關(guān)聯(lián)規(guī)則挖掘 30
3.1 關(guān)聯(lián)規(guī)則的基本概念 30
3.2 簡單關(guān)聯(lián)規(guī)則挖掘 32
3.3 序列關(guān)聯(lián)規(guī)則挖掘 36
3.4 基于R語言的關(guān)聯(lián)規(guī)則挖掘 40
3.5 小結(jié) 47
思考題與練習(xí)題 48
第4章 聚類分析 49
4.1 聚類分析的簡介 49
4.2 距離與相似度的度量 49
4.3 K均值聚類 53
4.4 密度聚類 56
4.5 層次聚類 58
4.6 基于R語言的聚類分析 60
4.7 小結(jié) 66
思考題與練習(xí)題 67
第5章 決策樹及組合算法 68
5.1 決策樹簡介 68
5.2 決策樹的生長 70
5.3 決策樹的剪枝 76
5.4 基于決策樹的組合算法 78
5.5 基于R語言的決策樹建模 81
5.6 小結(jié) 89
思考題與練習(xí)題 90
第6章 貝葉斯分類 91
6.1 貝葉斯定理 91
6.2 樸素貝葉斯 93
6.3 貝葉斯信念網(wǎng)絡(luò) 96
6.4 貝葉斯信念網(wǎng)絡(luò)特點(diǎn)及應(yīng)用 100
6.5 基于R語言的貝葉斯分類建!100
6.6 小結(jié) 105
思考題與練習(xí)題 105
第7章 支持向量機(jī) 107
7.1 支持向量機(jī)簡介 107
7.2 線性支持向量機(jī) 110
7.3 非線性支持向量機(jī) 116
7.4 基于R語言的支持向量機(jī)建模 121
7.5 小結(jié) 134
思考題與練習(xí)題 134
第8章 人工神經(jīng)網(wǎng)絡(luò) 135
8.1 人工神經(jīng)網(wǎng)絡(luò)概述 135
8.2 感知機(jī)模型 138
8.3 BP算法原理 140
8.4 BP神經(jīng)網(wǎng)絡(luò)的R語言實(shí)現(xiàn) 145
8.5 小結(jié) 151
思考題與練習(xí)題 151