目录

第1章数据挖掘概述1

1.1数据仓库和数据挖掘的定义与解释1

1.1.1数据仓库的定义与解释1

1.1.2数据挖掘的定义与解释1

1.2数据仓库系统的相关技术2

1.2.1数据仓库系统相关技术之间的关系3

1.2.2数据仓库系统模式6

1.3数据仓库系统中多维数据组织的形式化定义与描述8

1.4数据挖掘方法与研究体系15

1.4.1数据挖掘系统的发展与结构15

1.4.2数据挖掘的相关技术与工具16

1.4.3数据挖掘应用及发展23

1.5商务智能系统定义与构成25

思政园地27

课后习题27

第2章数据采集、集成与预处理技术30

2.1数据采集的对象30

2.2数据集成技术与方法33

2.3数据预处理技术与方法36

2.3.1数据清理的方法36

2.3.2数据融合的方法37

2.3.3数据变换的方法37

2.3.4数据归约的方法38

2.4基于样本数据划分的通用数据挖掘模型系统39

思政园地40

课后习题41

第3章多维数据分析与组织43

3.1多维数据分析概述43

3.1.1联机分析处理的定义和特点43

3.1.2联机分析处理的评价准则44

3.1.3多维数据分析的主要概念45

3.2多维数据模型与结构46

3.2.1多维数据的概念模型46

3.2.2多维数据的逻辑模型48

3.2.3多维数据的物理模型50

3.3多维数据分析应用与工具53

3.3.1多维数据分析的基本操作53

3.3.2多维数据分析的工具及特点54

3.4从联机分析处理到联机分析挖掘55

3.4.1联机分析挖掘形成原因55

3.4.2联机分析挖掘概念及特征56

思政园地57

课后习题57

第4章预测模型研究与应用60

4.1预测模型的基础理论60

4.1.1预测方法的分类60

4.1.2预测方法的一般步骤60

4.2回归分析预测模型61

4.2.1一元线性回归预测模型61

4.2.2多元线性回归预测模型66

4.2.3非线性回归预测模型70

4.3趋势外推预测模型74

4.3.1珀尔预测模型74

4.3.2冈珀茨预测模型77

4.3.3华德诺尔预测模型80

4.4时间序列预测模型83

4.4.1移动平均预测模型83

4.4.2指数平滑预测模型84

4.4.3季节指数预测模型91

4.5基于神经网络的预测模型94

4.6马尔可夫预测模型105

思政园地108

课后习题109

第5章关联规则模型与应用111

5.1关联规则的基础理论111

5.1.1关联规则的定义与解释111

5.1.2关联规则在知识管理过程中的作用111

5.2Apriori关联规则算法112

5.2.1关联规则算法的相关概念112

5.2.2关联规则算法的流程113

5.2.3基于Apriori算法的关联规则算例114

5.3改进的Apriori关联规则方法116

5.3.1动态存储空间的构建116

5.3.2快速产生强项集的算法流程116

5.3.3改进算法的时间复杂性分析117

5.4Apriori关联规则方法的实例119

思政园地126

课后习题126

第6章聚类分析方法与应用129

6.1聚类分析的基础理论129

6.1.1聚类分析的定义129

6.1.2对聚类算法性能的要求129

6.2聚类分析的方法130

6.2.1基于划分的聚类方法130

6.2.2基于层次的聚类方法131

6.2.3基于密度的聚类方法132

6.2.4基于网格的聚类方法133

6.2.5基于模型的聚类方法133

6.3应用聚类分析方法135

6.3.1kmeans聚类方法135

6.3.2kmedoids聚类方法137

6.3.3AGNES聚类方法139

6.3.4DIANA聚类方法140

6.3.5DBSCAN聚类方法142

思政园地144

课后习题145

第7章粗糙集方法与应用147

7.1粗糙集理论背景介绍147

7.1.1粗糙集的含义147

7.1.2粗糙集的应用及与其他领域的结合147

7.2粗糙集基本理论150

7.2.1知识与不可分辨关系151

7.2.2不精确范畴、近似与粗糙集151

7.2.3粗糙集的精度和粗糙度152

7.2.4粗糙集的粗等价和粗包含153

7.3基于粗糙集的属性约简154

7.3.1知识的约简和核154

7.3.2知识的依赖性度量和属性的重要度156

7.4基于粗糙集的决策知识表示158

7.4.1基于粗糙集的决策知识表示方法158

7.4.2粗糙集在规则提取中的应用算例159

思政园地160

课后习题160

第8章遗传算法与应用163

8.1遗传算法基础理论163

8.1.1遗传算法概述163

8.1.2遗传算法特点164

8.2遗传算法的应用领域和研究方向164

8.2.1遗传算法的应用领域164

8.2.2遗传算法的研究方向167

8.3遗传算法的基础知识168

8.3.1遗传算法的相关概念168

8.3.2遗传算法的编码规则168

8.3.3遗传算法的主要算子170

8.3.4遗传算法的适应度函数174

8.4遗传算法计算过程和应用175

8.4.1遗传算法计算过程175

8.4.2遗传算法参数选择175

8.4.3遗传算法实例应用176

思政园地180

课后习题180

第9章基于模糊理论的模型与应用183

9.1层次分析法183

9.1.1层次分析法的计算步骤183

9.1.2层次分析法应用实例186

9.2模糊层次分析法188

9.2.1模糊层次分析法的步骤189

9.2.2模糊层次分析法应用实例189

9.3模糊综合评判法192

9.3.1模糊综合评判法的原理与步骤192

9.3.2模糊综合评判法应用实例195

9.4模糊聚类分析方法197

9.4.1模糊聚类方法介绍197

9.4.2模糊聚类算法应用198

思政园地200

课后习题201

第10章灰色系统理论与方法203

10.1灰色系统的基础理论203

10.1.1灰色系统理论介绍203

10.1.2灰色系统的特点203

10.1.3灰色系统建模与适用范围204

10.2灰色预测模型206

10.2.1建立灰色预测模型207

10.2.2灰色预测模型实例208

10.3灰色聚类分析210

10.3.1基于灰色关联度的聚类分析210

10.3.2基于灰色白化权函数的聚类方法215

10.4灰色综合评价法219

10.4.1多层次灰色综合评价法计算步骤219

10.4.2多层次灰色综合评价法应用案例222

思政园地225

课后习题226

第11章基于数据挖掘的知识推理229

11.1知识推理的分类229

11.1.1非单调推理229

11.1.2非确定性推理229

11.1.3基于规则的推理234

11.1.4基于案例的推理234

11.2基于数据挖掘方法的知识推理236

11.2.1基于决策树的知识推理236

11.2.2基于关联规则的知识推理241

11.2.3基于粗糙集的知识推理241

思政园地242

课后习题242

第12章分类算法与应用245

12.1分类算法的基础知识245

12.1.1分类算法的定义245

12.1.2主要的分类算法246

12.2常用的分类算法248

12.2.1贝叶斯分类248

12.2.2k最近邻分类250

12.2.3支持向量机252

思政园地255

课后习题255

参考文献258