数据挖掘理论与应用

第1章 导论 　1.1　数据挖掘概述 　1.1.1　数据挖掘的背景　 1.1.2　数据挖掘的定义　 1.1.3　数据挖掘的应用　 1.2　数据挖掘的一般过程 　 1.2.1　数据挖掘中的数据集 　1.2.2　数据挖掘的任务　 1.2.3　数据挖掘过程　 1.3　数据挖掘的一般方法 　 1.3.1 分类预测型方法　 1.3.2 描述型方法 　 1.3.3 文本／Web挖掘方法理论篇　第2章 分类方法

第1章 导论 　1.1　数据挖掘概述 　1.1.1　数据挖掘的背景　 1.1.2　数据挖掘的定义　 1.1.3　数据挖掘的应用　 1.2　数据挖掘的一般过程 　 1.2.1　数据挖掘中的数据集 　1.2.2　数据挖掘的任务　 1.2.3　数据挖掘过程　 1.3　数据挖掘的一般方法 　 1.3.1 分类预测型方法　 1.3.2 描述型方法 　 1.3.3 文本／Web挖掘方法理论篇　第2章 分类方法 　2.1 决策树　 2.1.1 决策树基本概念 　 2.1.2 决策树构造过程 　2.1.3 决策树的扩展　 2.2 前馈神经网络 　 2.2.1 基本概念 　2.2.2 BP训练过程　 2.2.3 RBF网络 　2.3 基于规则的方法 　2.3.1 AQ算法　 2.3.2 C45rules 　 2.3.3 RIPPER　 2.4 支持向量机 　 2.4.1 核函数 　2.4.2 线性可分模式下的最优超平面　 2.4.3 线性不可分模式下的最优超平面 　 2.4.4 支持向量机　 2.5　贝叶斯分类 　 2.5.1　贝叶斯理论和极大后验假设　 2.5.2　贝叶斯网络和贝叶斯分类器 　 2.5.3　几种常见的贝叶斯分类器模型 　2.5.4　贝叶斯分类器应用举例　 2.6　粗糙集方法 　 2.6.1　粗糙集概念 　2.6.2　粗糙集基本算法　 2.6.3　粗糙集方法的扩展 　2.7 其他分类方法 　2.7.1 回归分析　 2.7.2 k-最近邻分类方法 　 2.7.3 组合学习方法　第3章　聚类方法 　3.1　聚类方法概述　 3.1.1　聚类分析中的常见数据类型 　3.1.2　对聚类算法的一些典型要求　 3.1.3　主要的聚类方法 　3.2　划分聚类 　3.2.1 k-均值算法　 3.2.2 二分k-均值聚类方法 　 3.2.3 k-中心点算法　 3.3 层次聚类 　 3.3.1 凝聚的和分裂的层次聚类　 3.3.2 BIRCH算法 　3.3.3 CuRE算法 　 3.3.4 ROCK算法 　3.3.5 Chameleon　 3.4 基于密度的聚类 　 3.4.1 DBSCAN算法 　3.4.2 OPTICS算法　 3.5 Kohonen聚类 　 3.5.1 自组织神经网络 　3.5.2 Kohonen自组织映射　 3.6 孤立点分析 　 3.6.1　基于统计的孤立点检测 　3.6.2　基于距离的孤立点检测　 3.6.3　基于偏离的孤立点检测方法 　3.7 概念格 　3.7.1　基本概念　 3.7.2　概念格的建造 　 3.7.3　规则提取　第4章 关联分析 　4.1　基本概念与挖掘过程 　4.1.1　基本概念　 4.1.2　关联规则挖掘过程 　4.2　频繁项集挖掘算法 　4.2.1 Apriori算法　 4.2.2 Apriori算法的改进 　 4.2.3 FP＿Growth算法　 4.3　关联规则生成算法 　4.4　频繁闭项集挖掘　 4.5　关联规则的扩展 　 4.5.1　多层次关联规则　 4.5.2　多维关联规则　 4.5.3　定量关联规则 　 4.5.4　加权关联规则　 4.5.5　序列模式分析　第5章 文本与Web挖掘 　5.1　文本挖掘 　5.1.1　文本预处理　 5.1.2　文本检索　 5.1.3　文本分类　 5.1.4　文本聚类　 5.1.5　文本摘要 　5.2 Web挖掘 　 5.2.1 概述　 5.2.2 Web内容挖掘 　 5.2.3 Web结构挖掘 　5.2.4 Web使用挖掘应用篇　第6章 业务理解 　6.1　需求分析 　6.1.1　需求分析的内容　 6.1.2　需求分析的方法 　 6.1.3　需求分析的结果 　6.1.4　需求分析的注意事项　 6.2　实例：客户细分项目的需求分析 　 6.2.1　客户细分项目的内容 　6.2.2　分析方法　 6.2.3　分析结果　第7章　数据预处理 　7.1　数据理解　 7.2　数据准备 　 7.2.1　数据整理与合并　 7.2.2　数据抽样　 7.2.3　训练集和测试集的划分方法　 7.2.4　类标签的确定　 7.3　数据描述 　 7.3.1　单变量描述方法 　7.3.2　多变量描述方法　 7.4　数据清理 　 7.4.1　缺值处理 　7.4.2　探测异常点与噪声清除　 7.5　变量变换与合成 　 7.5.1　连续变量归一化 　7.5.2　离散变量的数值化　 7.5.3　连续变量离散化 　 7.5.4　变量变换 　7.5.5　变量合成　 7.6　变量选择 　 7.6.1　概述 　7.6.2　包装方法　 7.6.3　过滤方法 　 7.6.4　主成分及因子分析　 7.7 一些算法对预处理的要求 　7.8 实例：客户流失项目的数据预处理 　7.8.1　数据理解和数据准备　 7.8.2　数据描述和清理　 7.8.3　数据变换与选择　第8章 建模 　8.1 算法选择　 8.2 模型参数调整 　8.3 模型评估和性能比较 　8.3.1 分类模型的评估方法　 8.3.2 聚类模型的评估方法　 8.4 模型导出 　8.5 实例客户流失项目的建模 　8.5.1 算法选择　 8.5.2 参数调整 　 8.5.3 性能评估　 8.5.4 模型导出　第9章 模型部署与维护 　9.1 模型部署　 9.2 模型维护　 9.3 客户流失项目的模型部署与维护附录A 主要数据挖掘软件简介 A1 SAS Enterprise Miner A1.1 概述 A1.2 数据挖掘过程及模块 A2 SPSS Clementine A2.1 概述 A2.2 数据挖掘过程及模块 A3 IBM Intelligent Miner A3.1 概述 A3.2 数据挖掘过程及模块 A4 其他常见数据挖掘工具参考文献

本书从数据挖掘理论与数据挖掘应用过程两方面介绍了数据挖掘的最新成果。在理论部分，本书介绍了数据挖掘技术所涉及的基本概念、主流技术和最新成果；在应用部分，本书结合具体的实例系统论述了商业理解、数据预处理、建模、模型部署等整个数据挖掘流程。 本书既可以作为大学本科生和研究生的补充教材，也可以作为企业实施数据挖掘和商务智能的实战指导；既可以作为初次接触数据挖掘技术的入门读物，也可以作为高级研究人员的参考书。

原理与技术的完美结合，教学与科研的最新成果，语言精炼，实例丰富，可操作性强，实用性突出。 数据挖掘是一门面向应用的新兴学科分支，在过去的几年中，在许多领域的应用取得了成功。特别是在计算机应用起步较早、积累了大量数据的行业，如电信、银行、零售、科学研究等。当然，数据挖掘的应用范围远不止于此。数据挖掘的应用范围极其广泛，限制数据挖掘应用范围的只是可用的数据和人们的想像力。 虽然现在很多人都认识到了数据挖掘的作用，然而在实际的数据挖掘实践中，人们往往会陷入过分强调理论或轻视业务的误区。事实上，正确的数据挖掘过程和数据挖掘理论的运用对实践的数据挖掘项目的成功同等重要。本书编写的目的，是既完整地介绍数据挖掘常用的算法，又对数据挖掘的应用过程进行详细的介绍，使读者能够掌握整个数据挖掘过程的各个方面，从而更好地进行数据挖掘实践。