扫一扫源码下载目录第1章关于数据挖掘1

1.1数据挖掘概述1

1.1.1数据挖掘的概念1

1.1.2数据挖掘案例1

1.1.3数据挖掘与数据分析2

1.1.4数据挖掘与机器学习3

1.2数据挖掘的步骤4

1.3数据挖掘任务5

1.4数据挖掘准备7

1.4.1数据的类型7

1.4.2属性的类型8

1.4.3数据处理9

1.4.4数据规范化10

1.5数据挖掘准备的实践案例14

1.6习题18第2章分类与回归19

2.1分类与回归概述19

2.1.1分类与回归的概念19

2.1.2分类与回归的过程20

2.1.3分类与回归的误差20

2.1.4分类与回归的评价23

2.2决策树类方法27

2.2.1决策树27

2.2.2决策树归纳方法28

2.2.3随机森林模型35

2.2.4XGBoost方法41

2.3回归类方法49

2.3.1线性回归49

2.3.2逻辑回归55

2.3.3LASSO回归59

2.3.4岭回归62

2.3.5多项式回归66

2.4支持向量机方法70

2.4.1支持向量机的原理70

2.4.2支持向量机的实现方法71

2.4.3支持向量机的实践案例73

2.5神经网络类方法75

2.5.1人工神经网络方法75

2.5.2图神经网络方法85

2.6贝叶斯建模方法92

2.6.1朴素贝叶斯分类93

2.6.2贝叶斯信念网络分类100

2.7习题106第3章时间序列预测109

3.1一维时间序列预测109

3.1.1时间序列预测处理109

3.1.2平稳时间序列预测模型110

3.1.3非平稳时间序列预测模型115

3.1.4时间序列预测实现方法116

3.1.5时间序列预测实践案例120

3.2多维时间序列预测124

3.2.1LSTM的原理124

3.2.2LSTM的实现方法127

3.2.3LSTM的实践案例128

3.3习题133第4章关联规则挖掘135

4.1关联规则挖掘概述135

4.1.1关联规则挖掘简介135

4.1.2关联规则挖掘的基本概念136

4.1.3关联规则挖掘的步骤137

4.1.4关联模式的评价137

4.2Apriori算法139

4.2.1Apriori算法概述139

4.2.2Apriori算法的实现方法141

4.2.3Apriori算法的实践案例143

4.3FPgrowth算法146

4.3.1FPgrowth算法概述146

4.3.2FPgrowth算法的实现方法150

4.3.3FPgrowth算法的实践案例151

4.4习题155第5章聚类157

5.1聚类概述157

5.1.1聚类的概念157

5.1.2聚类的分类 158

5.2划分聚类159

5.2.1KMeans聚类159

5.2.2KMeans++聚类169

5.2.3KMedians聚类170

5.2.4KMedoids聚类170

5.2.5KModes聚类171

5.2.6Kernel KMeans聚类171

5.3层次聚类172

5.3.1层次聚类分析172

5.3.2分裂层次聚类177

5.4基于密度的聚类179

5.4.1基于密度的聚类概述179

5.4.2DBSCAN聚类的步骤180

5.4.3基于密度的聚类的优缺点180

5.4.4DBSCAN聚类评价与实现方法180

5.4.5DBSCAN聚类的实践案例183

5.5基于神经网络的聚类184

5.5.1基于神经网络的聚类的原理185

5.5.2基于神经网络的聚类的优缺点186

5.5.3基于神经网络的聚类的实现方法186

5.5.4基于神经网络的聚类的实践案例188

5.6模糊聚类190

5.6.1模糊集理论190

5.6.2模糊聚类的原理190

5.6.3模糊聚类的步骤191

5.6.4模糊聚类的实现方法191

5.6.5模糊聚类的实践案例193

5.7习题195第6章离群点检测197

6.1离群点检测概述197

6.1.1离群点与离群点检测197

6.1.2离群点检测方法198

6.2基于邻近度的离群点检测198

6.2.1基于邻近度的离群点检测概述198

6.2.2基于邻近度的离群点检测的实现方法199

6.2.3基于邻近度的离群点检测的实践案例200

6.3基于密度的离群点检测202

6.3.1离群点检测密度定义方法202

6.3.2基于密度的离群点检测的实践案例202

6.4基于聚类的离群点检测204

6.4.1基于聚类的离群点检测方法204

6.4.2基于聚类的离群点检测的实践案例206

6.5习题208参考文献210