數據挖掘原理與實踐

《數據挖掘原理與實踐》是2011年由電子工業出版社出版的圖書，作者是蔣盛益、李霞、鄭琪。

基本介紹

• 書名：數據挖掘原理與實踐
• 作者：蔣盛益、李霞、鄭琪
• ISBN：9787121140501
• 頁數：271
• 出版社：電子工業出版社
• 出版時間：2011-8-1
• 裝幀：平裝
• 開本：16開
• 字數：500000

內容簡介

數據挖掘原理與實踐分為數據挖掘理論和數據挖掘實踐兩大部分。基礎理論部分的主要內容包括數據挖掘的基本概念、數據挖掘的預處理、聚類分析、分類與回歸、關聯規則挖掘、例外點檢測。數據挖掘實踐部分討論了數據挖掘在通信行業、文本挖掘等方面的實際套用；通過四個案例展示了在通信行業中如何利用數據挖掘進行客戶細分、客戶流失分析、客戶社會關係挖掘、業務交叉銷售；通過跨語言智慧型學術搜尋系統和基於內容的垃圾郵件識別兩個案例展示了數據挖掘在文本挖掘方面的套用。

本書可作為高等院校計算機電子商務及相關專業的學生相關的教材或參考書，也可供從事數據挖掘研究、設計等工作的科研、技術人員參考。

目錄

第1章　緒論

1.1　數據挖掘產生的背景

1.2　數據挖掘任務及過程

1.2.1　數據挖掘定義

1.2.2　數據挖掘對象

1.2.3　數據挖掘任務

1.2.4　數據挖掘過程

1.2.5　數據挖掘常用軟體簡介

1.3　數據挖掘套用

1.3.1　數據挖掘在商業領域中的套用

1.3.2　數據挖掘在計算機領域中的套用

1.3.3　其他領域中的套用

1.4　數據挖掘技術的前景、研究熱點

1.4.1　數據挖掘技術的價值和前景

1.4.2　數據挖掘的研究熱點

1.4.3　數據挖掘的未來發展

本章小結

習題1

第2章　數據處理基礎

2.1　數據

2.1.1　數據及數據類型

2.1.2　數據集的類型

2.2　數據統計特性

2.2.1　數據的中心度量

2.2.2　數據散布程度度量

2.3　數據預處理

2.3.1　數據清理

2.3.2　數據聚合

2.3.3　數據變換

2.3.4　數據歸約

2.4　相似性度量

2.4.1　屬性之間的相似性度量

2.4.2　對象之間的相似性度量

2.5　本章小結

習題2

第3章　分類與回歸

3.1　概述

3.2　決策樹分類方法

3.2.1　決策樹的基本概念

3.2.2　決策樹的構建

3.2.3　ID3分類算法

3.2.4　C4.5分類算法

3.2.5　CART算法

3.3　貝葉斯分類方法

3.3.1　貝葉斯定理

3.3.2　樸素貝葉斯分類算法

3.4　K-最近鄰分類方法

3.4.1　K-最近鄰分類算法基本概念

3.4.2　K-最近鄰分類算法描述

3.4.3　k-最近鄰分類算法的優缺點

3.5　神經網路分類方法

3.5.1　人工神經網路的基本概念

3.5.2　典型神經網路模型介紹

3.5.3　神經網路的優缺點

3.6　支持向量機

3.7　集成學習法

3.8　不平衡類問題

3.9　分類模型的評價

3.9.1　分類模型性能評價指標

3.9.2　分類模型的過分擬合

3.9.3　評估分類模型性能的方法

3.10　回歸

3.10.1　線性回歸

3.10.2　非線性回歸

3.10.3　邏輯回歸

3.11　本章小結

習題3

第4章　聚類分析

4.1　概述

4.1.1　聚類分析研究的主要內容

4.1.2　數據挖掘對聚類算法的要求

4.1.3　典型聚類方法簡介

4.2　基於劃分的聚類算法

4.2.1　基本k-means聚類算法

4.2.2　二分k-means算法

4.2.3　k-means聚類算法的拓展

4.2.4　k-medoids算法

4.3　層次聚類算法

4.3.1　BIRCH算法

4.3.2　CURE算法

4.3.3　ROCK算法

4.4　基於密度的聚類算法

4.5　基於圖的聚類算法

4.5.1　Chameleon聚類算法

4.5.2　基於SNN的聚類算法

4.6　一趟聚類算法

4.6.1　算法描述

4.6.2　聚類閾值的選擇策略

4.7　基於模型的聚類算法

4.7.1　期望最大化方法EM

4.7.2　概念聚類

4.7.3　SOM方法

4.8　聚類算法評價

本章小結

習題4

第5章　關聯分析

5.1　概述

5.2　頻繁項集發現算法

5.2.1　Apriori　算法

5.2.2　Fp-growth算法

5.3　關聯規則的生成

5.4　非二元屬性的關聯規則挖掘

5.5　關聯規則的評價

5.5.1　支持度和置信度

5.5.2　相關性分析

5.5.3　辛普森悖論

5.6　序列模式

5.6.1　問題描述

5.6.2　序列模式發現算法

5.7　本章小結

習題

第6章　離群點挖掘

6.1　概述

6.2　基於統計的方法

6.3　基於距離的方法

6.4　基於相對密度的方法

6.5　基於聚類的方法

6.5.1　基於對象離群因子的方法

6.5.2　基於簇的離群因子方法

6.5.3　基於聚類的動態數據離群點檢測

6.6　離群點挖掘方法的評估

6.7　本章小結

習題

下篇　實踐篇

第7章　數據挖掘在電信業中的套用

7.1　數據挖掘在電信業的套用概述

7.1.1　客戶細分

7.1.2　客戶流失預測分析

7.1.3　客戶社會關係挖掘

7.1.4　業務交叉銷售

7.1.5　欺詐客戶識別

7.2　案例一:　客戶通話模式分析

7.2.1　概述

7.2.2　數據描述

7.2.3　數據預處理

7.2.4　發現之旅

7.3　案例二：基於通話數據的社會網路分析

7.3.1　概述

7.3.2　客戶呼叫圖的構建

7.3.3　客戶呼叫圖的一般屬性及其套用

7.3.4　客戶呼叫圖的社區發現及套用

7.4　案例三：客戶細分與流失分析

7.4.1　概述

7.4.2　數據準備

7.4.3　數據預處理

7.4.4　客戶聚類分析

7.4.5　建立分類預測模型

7.4.6　模型評估與調整最佳化

7.5　案例四：移動業務關聯分析

7.5.1　概述

7.5.2　數據準備

7.5.3　數據預處理

7.5.4　關聯規則挖掘過程

7.5.5　規則的最佳化

7.5.5　模型的套用

7.6　本章小結

第8章　文本挖掘與Web數據挖掘

8.1　文本挖掘

8.1.1　分詞

8.1.2　文本表示與詞權重計算

8.1.3　文本特徵選擇

8.1.4　文本分類

8.1.5　文本聚類

8.1.6　文檔自動摘要

8.2　Web數據挖掘

8.2.1　Web內容挖掘

8.2.2　Web使用挖掘

8.2.3　Web結構挖掘

8.3　案例五——跨語言智慧型學術搜尋系統

8.3.1　混合語種文本分詞

8.3.2　基於機器翻譯的跨語言信息檢索

8.3.3　不同語種文本的搜尋結果聚類

8.3.4　基於聚類的個性化信息檢索

8.3.5　基於聚類的查詢擴展

8.3.6　其他檢索便利工具

8.3.7　系統性能評估

8.4　案例六——基於內容的垃圾郵件識別

8.4.1　垃圾郵件識別方法簡介

8.4.2　基於內容的垃圾郵件識別方法工作原理

8.4.3　一種基於聚類的垃圾郵件識別方法

8.5　本章小結

參考文獻