《數據挖掘理論、方法與套用》是2014年12月出版的圖書，作者是羅澤舉。
出版信息,內容簡介,目錄,
出版信息
數據挖掘理論、方法與套用
作 譯 者：羅澤舉
出版時間：2014-12 千 字 數：294
版 次：01-01 頁 數：184
開 本：16(170*240)
裝 幀：
I S B N ：9787121246333
內容簡介
本書共分10章。
第1章介紹了數據挖掘方法的歷史，另外討論了統計學習的一般模型。
第2、3、4章介紹了三種數據挖掘模型：人工神經網路、支持向量機和隱馬爾可夫模型。
第5章介紹了一種新型支持向量誘導回歸模型，
第6章介紹了一種基於快速訓練算法的HMM/SVM混合系統，
第7章介紹了分解向前算法及PCA/ICA降維SVM模型，
第8章介紹了不對稱支持向量機改進算法，
第9章介紹了一種基於隱馬爾可夫模型的多重序列分析方法，
第10章介紹了一類基於SVM/RBF的氣象模型預測系統。
目錄
第1章 緒論 1
1.1 研究背景 2
1.2 數據挖掘的基本數學問題 5
1.2.1 相關概念 5
1.2.2 統計學習的一般模型 10
1.3 數據的變換 11
參考文獻 13
第2章 神經網路挖掘理論 19
2.1 神經智慧型 19
2.2 生物神經元和人工神經元 21
2.2.1 生物神經元 21
2.2.2 人工神經元 23
2.2.3 建立數學模型 24
2.2.4 單層與多層網路結構 27
2.2.5 網路學習方式 32
2.2.6 經典學習規則 34
2.3 LMS和SDA方法 35
2.3.1 平均平方誤差函式 36
2.3.2 LMS和SDA算法 39
2.4 後向傳播算法 43
2.4.1 概況 43
2.4.2 多層網路BP算法 44
參考文獻 50
第3章 基於支持向量的挖掘理論 52
3.1 支持向量與分類超平面 52
3.1.1 一維情形 52
3.1.2 二維情形 54
3.1.3 三維情形 56
3.1.4 n維情形（ ） 57
3.1.5 核函式（內積迴旋）思想 58
3.1.6 核函式定義 63
3.2 風險控制策略 65
3.2.1 VC維概念 65
3.2.2 經驗風險最小化原則 66
3.2.3 結構風險最小化原則 67
3.3 樣本被錯分的討論 68
3.3.1 最大間隔分類超平面 68
3.3.2 數據被錯分的條件 70
3.4 最最佳化策略 71
3.5 分類與回歸 74
3.5.1 分類算法 74
3.5.2 回歸算法 78
3.5.3 解的全局最優討論 80
3.6 幾種經典算法描述 82
3.6.1 分解算法 82
3.6.2 分塊算法 83
3.6.3 序貫最小化算法 84
3.6.4 核函式構造算法 85
參考文獻 85
第4章 隱馬爾可夫挖掘理論 87
4.1 馬爾可夫思想 87
4.2 隱馬爾可夫鏈 90
4.3 隱馬爾可夫模型 94
4.3.1 隱馬爾可夫模型定義 94
4.3.2 三個基本算法 95
參考文獻 102
第5章 新型支持向量誘導回歸模型及套用 104
5.1 新型支持向量誘導回歸模型 104
5.1.1 不敏感損失函式 104
5.1.2 系統模型 106
5.2 時間序列分析的相空間重構 108
5.2.1 相空間重構 108
5.2.2 性能評價指標 109
5.2.3 重構模式的近似算法 110
5.3 預測置信度估計 110
5.4 實驗結果 111
5.4.1 參數的確定 111
5.4.2 預測指數分析 112
5.4.3 預測結果 113
5.4.4 SVM和傳統神經網路的比較 115
5.4.5 討論 116
參考文獻 117
第6章 基於快速訓練算法的HMM/SVM混合系統 118
6.1 L值定義 118
6.2 快速訓練算法和HMM/SVM混合過濾模型 119
6.2.1 基於HMM的快速訓練算法 119
6.2.2 HMM/SVM的雙層混合系統模型 120
6.3 實驗結果 121
6.3.1 數據的獲取及序列的編碼 122
6.3.2 DNA的兩類和多類分類識別 123
6.3.3 討論 126
參考文獻 127
第7章 分解向前算法及PCA/ICA降維SVM模型 129
7.1 主成分分析（PCA）的數學模型 129
7.2 獨立成分分析（ICA）的數學模型 131
7.3 分解向前支持向量機 133
7.3.1 三個距離區域 133
7.3.2 分解向前算法 134
7.3.3 DFSVM算法複雜度分析 136
7.3.4 PCA-DFSVM及ICA-DFSVM降維模型 137
7.4 實驗結果 138
7.4.1 SCOP資料庫 138
7.4.2 實驗1 138
7.4.3 實驗2 139
7.4.4 各項實驗指標比較 140
7.4.5 討論 141
參考文獻 141
第8章 不對稱支持向量機改進算法及套用 143
8.1 不對稱支持向量機 143
8.1.1 樣本的不對稱性 143
8.1.2 不對稱支持向量機算法 143
8.1.3 不對稱SVM分類疊代模型 146
8.2 幾種多分類問題的算法複雜度估計 146
8.3 實驗結果 149
8.3.1 實驗1 150
8.3.2 實驗2 151
8.3.3 MISVM和標準SVM實驗指標比較 153
參考文獻 155
第9章 基於隱馬爾可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比對 157
9.2.1 多重序列比對的描述 157
9.2.2 特徵序列 158
9.3 隱馬爾可夫模型的序列描述 158
9.4 建立多重序列隱馬爾可夫輪廓圖 160
9.5 實驗結果和討論 161
9.5.1 Pfam資料庫簡介 161
9.5.2 建立隱馬爾可夫模型 162
9.5.3 檢驗HMMS模型 162
9.5.4 用HMMS進行蛋白質家族的模式分類 163
9.6 關於模型的局限性討論 164
參考文獻 165
第10章 一類基於SVM/RBF的氣象模型預測系統 167
10.1 支持向量機回歸模型 167
10.1.1 回歸支持向量機 167
10.1.2 模型中幾個重要參數分析 168
10.2 溫度序列數據分析 169
10.3 決策函式的確定 170
10.4 預測結果分析 171
10.5 結論 173
參考文獻 173
