数据挖掘与数学建模

第1章 数据挖掘与数学建模关系概述

1.1 当前信息化发展的趋势与面对问题

1.2 数据挖掘发展及其应用

1.3 基于数据挖掘的数学建模

1.4 数据挖掘软件Clementine的基本操作概述

1.4.1 Clementine数据挖掘的基本思想

1.4.2 Clementine的基本操作方法

参考文献

第2章 统计分析

2.1 问题概述

2.2 回归分析及其应用

2.2.1 回归分析概述

2.2.2 一元线性回归及其模型建立

2.2.3 多元线性回归及其建模过程

2.2.4 Clementine辅助多元回归分析

2.3 二项逻辑回归

2.3.1 二项逻辑回归概述

2.3.2 二项逻辑回归模型

2.3.3 二项逻辑回归方程中回归系数的含义

2.3.4 二项逻辑回归方程的检验

2.3.5 Clementine辅助Logistic回归模型

2.4 主成分分析

2.4.1 主成分分析概述

2.4.2 主成分分析的数学模型

2.4.3 主成分计算步骤及应用

2.5 因子分析

2.5.1 因子分析概述

2.5.2 因子分析的数学模型

2.5 3因子载荷阵的估计方法

2.5.4 因子旋转

2.5.5 因子得分

2.5.6 因子分析与主成分分析的联系与区别

2.6 管理胜任力的案例分析和数学建模

2.6.1 问题提出

2.6.2 数据处理

2.6.3 模型建立

2.6.4 模型检验

2.6.5 模型应用

参考文献

第3章 聚类分析

3.1 问题概述

3.2 聚类分析概述

3.3 基于距离的聚类相似度

3.4 系统聚类法

3.5 C-均值（C-Means）聚类算法

3.6 Clementine辅助K-Means聚类

3.7 模糊聚类

3.7.1 模糊C-Means（FCM）算法

3.7.2 WFCM算法

3.8 聚类有效性

3.8.1 基于可能性分布的聚类有效性函数

3.8.2 基于模糊相关度的聚类有效性函数

3.9 医疗建设评价的案例分析与数学建模

参考文献

第4章 神经网络及其应用

4.1 问题概述

4.2 神经网络概述

4.3 神经网络的基本模型

4.3.1 神经网络的理论依据

4.3.2 神经网络的组成

4.3.3 感知机模型

4.4 误差逆传播神经网络模型

4.4.1 BP神经网络的基本原理

4.4.2 BP神经网络的学习算法

4.4.3 Clementine辅助XOR问题的模型建立

4.5 RBF神经网络

4.5.1 RBF神经网络的基本原理

4.5.2 RBF神经网络的学习算法

4.5.3 新型轮胎性能的RBF神经网络预测

4.6 自组织特征映射（SOM）神经网络

4.6.1 SOM模型的基本原理

4.6.2 SOM模型的学习算法

4.6.3 Clementine辅助Kohonen模型建立

4.7 神经网络的案例分析与数学建模

4.7.1 城市医疗能力评价的BP神经网络

4.7.2 地下燃气管网安全风险的综合评价

4.8 模糊神经网络

4.8.1 模糊基本概念

4.8.2 模糊神经网络概述

4.8.3 模糊神经网络学习算法

4.8.4 食品安全管理主任评价模糊神经网络模型

参考文献

第5章 决策树及其应用

5.1 问题概述

5.2 决策树概述

5.2.1 决策树基本算法

5.2.2 CLS算法

5.2.3 信息熵

5.3 ID3算法

5.3.1 基本思想

5.3.2 ID3算法应用实例

5.4.4.5 算法

5.4.1 基本思想

5.4.2 基于信息增益率建模的决策树

5.5 CART算法

5.5.1 基本思想

5.5.2 基于CART算法建模的决策树

5.6 Clementine辅助决策树建立

5.7 决策树的评价标准

5.8 决策树的剪枝

5.9 决策树的优化

5.10 燃气管网安全预测案例分析与数学建模

5.11 模糊决策树

5.11.1 模糊决策树基本原理

5.11.2 模糊决策树ID3算法

5.11.3 绩效评估的模糊决策树建立

参考文献

第6章 关联分析

6.1 问题概述

6.2 关联分析概述

6.3 Apriori关联规则算法

6.4 Clementine辅助Apriori算法实现关联分析

6.5 基于Apriori算法的改进算法

6.6 基于分类搜索的关联规则算法

6.7 基于频繁树的关联规则算法

6.8 关联规则的推广

6.8.1 层次关联规则算法

6.8.2 三种层次关联规则的算法

6.9 时序关联规则算法

6.10 Clememtin辅助时序关联分析

6.11 多值属性关联规则算法

6.12 增量关联规则算法

6.12.1 方法概述

6.12.2 算法描述

……

第7章 遗传算法

第8章 贝叶斯网络与知识推理

参考文献

《数据挖掘与教学建模》以国际数据挖掘标准流程（GRISP-DM）为依据，以企业管理面临的现实问题为应用案例，由浅入深介绍数据挖掘方法及其解决问题过程的数据理解、数据处理、数据分析、数学建模、模型结果评估等内容，并引人应用广泛的数据挖掘Clementine软件辅助问题案例的解决，使读者不仅可以集中地学习数据挖据的主要理论方法，而且可以了解基于数据挖掘的数学建模过程，可以学习应用软件辅助解决问题的操作方法。
　　《数据挖掘与教学建模》把理论、案例、建模、软件辅助结合一体统一叙述，简述理论，突出应用，详细分析，展示过程，既考虑高校学生的学习需要，分本科生与研究生学习层次，又考虑企业管理者的应用与实践需要。
　　《数据挖掘与教学建模》可作为数据挖掘理论与技术的教学、实践、应用和提高的教科书或参考书。适合高等学校本科高年级学生、研究生以及学习数据挖掘、数学模型课程的学生使用，也适合相关的企业管理与决策支持技术人员使用。