目录
第1章 导论 1
1.1 背景意义 1
1.1.1 实际背景 2
1.1.2 重要意义 4
1.2 数据挖掘的典型应用 5
1.2.1 自然科学领域的应用 6
1.2.2 社会科学领域的应用 7
1.3 基本框架与流程 9
1.3.1 基本框架 10
1.3.2 基本流程 11
1.4 相关软件及工具准备 14
1.4.1 Python软件 14
1.4.2 PyCharm软件 19
1.4.3 Graphviz软件 25
1.4.4 Netica软件 31
1.5 机器学习方法 34
1.5.1 云模型 34
1.5.2 聚类算法 35
1.5.3 决策树算法 36
1.5.4 随机森林 37
1.5.5 贝叶斯网络 37
1.5.6 爬山算法 38
1.6 案例分析任务与思路 39
1.6.1 案例分析任务 39
1.6.2 案例分析思路 40
参考文献 44
第2章 指标构建与量化 54
2.1 指标选取依据 54
2.1.1 指标选取原则 55
2.1.2 指标筛选 57
2.2 不同数据类型的指标量化方法 58
2.2.1 调查问卷数据 58
2.2.2 实验仿真数据 60
2.2.3 文本类型数据 62
2.2.4 网络类型数据 63
2.2.5 复合类型数据 65
2.3 案例研究 67
2.3.1 案例背景 68
2.3.2 指标选择 69
2.3.3 指标量化 71
参考文献 73
第3章 数据采集与预处理 76
3.1 问题描述 76
3.2 数据来源与采集 78
3.3 特征选择 79
3.3.1 描述性统计 79
3.3.2 相关性分析 80
3.4 数据校准 82
3.4.1 正态云模型 83
3.4.2 数据校准过程 85
3.5 数据预处理前后结果对比 91
3.5.1 描述性统计结果对比 91
3.5.2 相关系数结果对比 94
3.6 实现代码 96
参考文献 98
第4章 研究对象聚类与异质性群体特征分析 99
4.1 问题描述 99
4.2 聚类算法选择及依据 100
4.2.1 聚类算法 101
4.2.2 选择依据 107
4.2.3 相关设置 108
4.2.4 聚类结果 110
4.3 异质性群体特征分析 114
4.3.1 基本内容 114
4.3.2 群体描述性统计分析 116
4.3.3 异质性群体命名 118
4.4 实现代码 119
4.4.1 K-Means聚类算法示例 120
4.4.2 AP聚类算法示例 120
4.4.3 肘部算法 121
4.4.4 波士顿房价聚类特征雷达图 122
参考文献 124
第5章 异质性群体对象的影响因素分析 126
5.1 问题描述 126
5.2 研究设计 127
5.3 决策树模型基础 128
5.3.1 基本概念 129
5.3.2 建模步骤 137
5.3.3 剪枝策略 138
5.3.4 决策规则 138
5.4 决策树建模分析 139
5.4.1 决策树生成与剪枝 139
5.4.2 决策规则生成与分析 144
5.4.3 影响因素分析 145
5.4.4 规则比较 149
参考文献 150
第6章 异质性群体对象的因素影响路径分析 152
6.1 问题描述 152
6.2 研究设计 153
6.3 贝叶斯网络 154
6.3.1 基本概念 154
6.3.2 结构学习与参数学习 157
6.3.3 爬山算法 157
6.3.4 敏感度分析 158
6.4 复杂因素的影响路径案例分析 159
6.4.1 贝叶斯网络结构学习 160
6.4.2 贝叶斯网络参数学习 163
6.4.3 灵敏度分析 170
6.4.4 结果分析 184
6.5 实现代码 189
参考文献 190
第7章 基于DAC的复杂因素影响机制案例分析 192
7.1 网络位置、知识基础与后发企业创新绩效 192
7.1.1 研究背景 193
7.1.2 理论基础 195
7.1.3 研究设计 197
7.1.4 研究过程与决策分析 200
7.1.5 结论与启示 208
7.2 后发企业如何走出创新困境？——基于知识能力视角 209
7.2.1 研究背景 209
7.2.2 文献梳理 211
7.2.3 研究设计 213
7.2.4 研究过程与分析 216
7.2.5 结语 223
参考文献 225
