数据挖掘：概念与技术
《数据挖掘：概念与技术》
基本信息
原书名：Data Mining：Concepts and Techniques，Third Edition
作者： (美)Jiawei Han伊利诺伊大学厄巴纳-尚佩恩分校 (加)Micheline Kamber西蒙-弗雷泽大学 (加)Jian Pei西蒙-弗雷泽大学 [作译者介绍]
译者： 范明 孟小峰
丛书名： 计算机科学丛书
出版社：机械工业出版社
ISBN：9787111391401
上架时间：2012-8-3
出版日期：2012 年8月
开本：16开
页码：1
版次：1-1
所属分类： 计算机 > 数据库 > 数据库存储与管理
更多关于 》》》《 数据挖掘：概念与技术》
内容简介
书籍
计算机书籍
《数据挖掘：概念与技术(原书第3版)》完整全面地讲述数据挖掘的概念、方法、技术和最新研究进展。本书对前两版做了全面修订，加强和重新组织了全书的技术内容，重点论述了数据预处理、频繁模式挖掘、分类和聚类等的内容，还全面讲述了olap和离群点检测，并研讨了挖掘网络、复杂数据类型以及重要应用领域。
《数据挖掘：概念与技术(原书第3版)》是数据挖掘和知识发现领域内的所有教师、研究人员、开发人员和用户都必读的参考书，是一本适用于数据分析、数据挖掘和知识发现课程的优秀教材，可以用做高年级本科生或者一年级研究生的数据挖掘导论教材。
目录
《数据挖掘：概念与技术(原书第3版)》
出版者的话
中文版序
译者序
译者简介
第3版序
第2版序
前言
致谢
作者简介
第1章引论1
1.1为什么进行数据挖掘1
1.1.1迈向信息时代1
1.1.2数据挖掘是信息技术的进化2
1.2什么是数据挖掘4
1.3可以挖掘什么类型的数据6
1.3.1数据库数据6
1.3.2数据仓库7
1.3.3事务数据9
1.3.4其他类型的数据9
1.4可以挖掘什么类型的模式10
1.4.1类/概念描述：特征化与区分10
1.4.2挖掘频繁模式、关联和相关性11
1.4.3用于预测分析的分类与回归12
1.4.4聚类分析13
1.4.5离群点分析14
1.4.6所有模式都是有趣的吗14
1.5使用什么技术15
1.5.1统计学15
1.5.2机器学习16
1.5.3数据库系统与数据仓库17
1.5.4信息检索17
1.6面向什么类型的应用18
1.6.1商务智能18
1.6.2web搜索引擎18
1.7数据挖掘的主要问题19
1.7.1挖掘方法19
1.7.2用户界面20
1.7.3有效性和可伸缩性21
1.7.4数据库类型的多样性21
1.7.5数据挖掘与社会21
1.8小结22
1.9习题23
1.10文献注释23
第2章认识数据26
2.1数据对象与属性类型26
2.1.1什么是属性27
2.1.2标称属性27
2.1.3二元属性27
2.1.4序数属性28
2.1.5数值属性28
2.1.6离散属性与连续属性29
2.2数据的基本统计描述29
2.2.1中心趋势度量：均值、中位数和众数30
2.2.2度量数据散布：极差、四分位数、方差、标准差和四分位数极差32
2.2.3数据的基本统计描述的图形显示34
2.3数据可视化37
2.3.1基于像素的可视化技术37
2.3.2几何投影可视化技术38
2.3.3基于图符的可视化技术40
2.3.4层次可视化技术42
2.3.5可视化复杂对象和关系42
2.4度量数据的相似性和相异性44
2.4.1数据矩阵与相异性矩阵45
2.4.2标称属性的邻近性度量46
2.4.3二元属性的邻近性度量46
2.4.4数值属性的相异性：闵可夫斯基距离48
2.4.5序数属性的邻近性度量49
2.4.6混合类型属性的相异性50
2.4.7余弦相似性51
2.5小结52
2.6习题53
2.7文献注释54
第3章数据预处理55
3.1数据预处理：概述55
3.1.1数据质量：为什么要对数据预处理55
3.1.2数据预处理的主要任务56
3.2数据清理58
3.2.1缺失值58
3.2.2噪声数据59
3.2.3数据清理作为一个过程60
3.3数据集成61
3.3.1实体识别问题62
3.3.2冗余和相关分析62
3.3.3元组重复65
3.3.4数据值冲突的检测与处理65
3.4数据归约65
3.4.1数据归约策略概述66
3.4.2小波变换66
3.4.3主成分分析67
3.4.4属性子集选择68
3.4.5回归和对数线性模型：参数化数据归约69
3.4.6直方图70
3.4.7聚类71
3.4.8抽样71
3.4.9数据立方体聚集72
3.5数据变换与数据离散化73
3.5.1数据变换策略概述73
3.5.2通过规范化变换数据74
3.5.3通过分箱离散化76
3.5.4通过直方图分析离散化76
3.5.5通过聚类、决策树和相关分析离散化76
3.5.6标称数据的概念分层产生77
3.6小结79
3.7习题79
3.8文献注释80
第4章数据仓库与联机分析处理82
4.1数据仓库：基本概念82
4.1.1什么是数据仓库82
4.1.2操作数据库系统与数据仓库的区别84
4.1.3为什么需要分离的数据仓库85
4.1.4数据仓库：一种多层体系结构85
4.1.5数据仓库模型：企业仓库、数据集市和虚拟仓库87
4.1.6数据提取、变换和装入88
4.1.7元数据库88
4.2数据仓库建模：数据立方体与olap89
4.2.1数据立方体：一种多维数据模型89
4.2.2星形、雪花形和事实星座：多维数据模型的模式91
4.2.3维：概念分层的作用94
4.2.4度量的分类和计算95
4.2.5典型的olap操作96
4.2.6查询多维数据库的星网查询模型98
4.3数据仓库的设计与使用99
4.3.1数据仓库的设计的商务分析框架99
4.3.2数据仓库的设计过程100
4.3.3数据仓库用于信息处理101
4.3.4从联机分析处理到多维数据挖掘102
4.4数据仓库的实现103
4.4.1数据立方体的有效计算：概述103
4.4.2索引olap数据：位图索引和连接索引105
4.4.3olap查询的有效处理107
4.4.4olap服务器结构：rolap、molap、holap的比较107
4.5数据泛化：面向属性的归纳109
4.5.1数据特征的面向属性的归纳109
4.5.2面向属性归纳的有效实现113
4.5.3类比较的面向属性归纳114
4.6小结116
4.7习题117
4.8文献注释119
第5章数据立方体技术121
5.1数据立方体计算：基本概念121
5.1.1立方体物化：完全立方体、冰山立方体、闭立方体和立方体外壳122
5.1.2数据立方体计算的一般策略124
5.2数据立方体计算方法126
5.2.1完全立方体计算的多路数组聚集126
5.2.2buc：从顶点方体向下计算冰山立方体129
5.2.3star-cubing：使用动态星树结构计算冰山立方体132
5.2.4为快速高维olap预计算壳片段136
5.3使用探索立方体技术处理高级查询141
5.3.1抽样立方体：样本数据上基于olap的挖掘141
5.3.2排序立方体：top-k查询的有效计算145
5.4数据立方体空间的多维数据分析147
5.4.1预测立方体：立方体空间的预测挖掘147
5.4.2多特征立方体：多粒度上的复杂聚集149
5.4.3基于异常的、发现驱动的立方体空间探查149
5.5小结152
5.6习题152
5.7文献注释155
第6章挖掘频繁模式、关联和相关性:基本概念和方法157
6.1基本概念157
6.1.1购物篮分析：一个诱发例子157
6.1.2频繁项集、闭项集和关联规则158
6.2频繁项集挖掘方法160
6.2.1apriori算法：通过限制候选产生发现频繁项集160
6.2.2由频繁项集产生关联规则164
6.2.3提高apriori算法的效率165
6.2.4挖掘频繁项集的模式增长方法166
6.2.5使用垂直数据格式挖掘频繁项集169
6.2.6挖掘闭模式和极大模式170
6.3哪些模式是有趣的：模式评估方法171
6.3.1强规则不一定是有趣的172
6.3.2从关联分析到相关分析172
6.3.3模式评估度量比较173
6.4小结176
6.5习题177
6.6文献注释179
第7章高级模式挖掘180
7.1模式挖掘：一个路线图180
7.2多层、多维空间中的模式挖掘182
7.2.1挖掘多层关联规则182
7.2.2挖掘多维关联规则185
7.2.3挖掘量化关联规则186
7.2.4挖掘稀有模式和负模式188
7.3基于约束的频繁模式挖掘190
7.3.1关联规则的元规则制导挖掘190
7.3.2基于约束的模式产生：模式空间剪枝和数据空间剪枝191
7.4挖掘高维数据和巨型模式195
7.5挖掘压缩或近似模式198
7.5.1通过模式聚类挖掘压缩模式199
7.5.2提取感知冗余的top-k模式200
7.6模式探索与应用202
7.6.1频繁模式的语义注解202
7.6.2模式挖掘的应用205
7.7小结206
7.8习题207
7.9文献注释208
第8章分类：基本概念211
8.1基本概念211
8.1.1什么是分类211
8.1.2分类的一般方法211
8.2决策树归纳213
8.2.1决策树归纳214
8.2.2属性选择度量217
8.2.3树剪枝222
8.2.4可伸缩性与决策树归纳224
8.2.5决策树归纳的可视化挖掘225
8.3贝叶斯分类方法226
8.3.1贝叶斯定理227
8.3.2朴素贝叶斯分类227
8.4基于规则的分类230
8.4.1使用if-then规则分类230
8.4.2由决策树提取规则231
8.4.3使用顺序覆盖算法的规则归纳232
8.5模型评估与选择236
8.5.1评估分类器性能的度量236
8.5.2保持方法和随机二次抽样240
8.5.3交叉验证240
8.5.4自助法241
8.5.5使用统计显著性检验选择模型241
8.5.6基于成本效益和roc曲线比较分类器243
8.6提高分类准确率的技术245
8.6.1组合分类方法简介245
8.6.2装袋246
8.6.3提升和adaboost247
8.6.4随机森林249
8.6.5提高类不平衡数据的分类准确率250
8.7小结251
8.8习题251
8.9文献注释253
第9章分类：高级方法255
9.1贝叶斯信念网络255
9.1.1概念和机制255
9.1.2训练贝叶斯信念网络257
9.2用后向传播分类258
9.2.1多层前馈神经网络258
9.2.2定义网络拓扑259
9.2.3后向传播260
9.2.4黑盒内部：后向传播和可解释性263
9.3支持向量机265
9.3.1数据线性可分的情况265
9.3.2数据非线性可分的情况268
9.4使用频繁模式分类270
9.4.1关联分类270
9.4.2基于有区别力的频繁模式分类272
9.5惰性学习法(或从近邻学习）275
9.5.1k-最近邻分类275
9.5.2基于案例的推理277
9.6其他分类方法277
9.6.1遗传算法277
9.6.2粗糙集方法278
9.6.3模糊集方法278
9.7关于分类的其他问题280
9.7.1多类分类280
9.7.2半监督分类281
9.7.3主动学习282
9.7.4迁移学习283
9.8小结284
9.9习题285
9.10文献注释286
第10章聚类分析：基本概念和方法288
10.1聚类分析288
10.1.1什么是聚类分析288
10.1.2对聚类分析的要求289
10.1.3基本聚类方法概述291
10.2划分方法293
10.2.1k-均值：一种基于形心的技术293
10.2.2k-中心点：一种基于代表对象的技术295
10.3层次方法297
10.3.1凝聚的与分裂的层次聚类298
10.3.2算法方法的距离度量300
10.3.3birch：使用聚类特征树的多阶段聚类301
10.3.4chameleon:使用动态建模的多阶段层次聚类303
10.3.5概率层次聚类304
10.4基于密度的方法306
10.4.1dbscan:一种基于高密度连通区域的基于密度的聚类307
10.4.2optics：通过点排序识别聚类结构309
10.4.3denclue：基于密度分布函数的聚类311
10.5基于网格的方法312
10.5.1sting:统计信息网格312
10.5.2clique：一种类似于apriori的子空间聚类方法314
10.6聚类评估315
10.6.1估计聚类趋势316
10.6.2确定簇数317
10.6.3测定聚类质量317
10.7小结319
10.8习题320
10.9文献注释321
第11章高级聚类分析323
11.1基于概率模型的聚类323
11.1.1模糊簇324
11.1.2基于概率模型的聚类326
11.1.3期望最大化算法328
11.2聚类高维数据330
11.2.1聚类高维数据：问题、挑战和主要方法330
11.2.2子空间聚类方法331
11.2.3双聚类332
11.2.4维归约方法和谱聚类337
11.3聚类图和网络数据339
11.3.1应用与挑战339
11.3.2相似性度量340
11.3.3图聚类方法343
11.4具有约束的聚类345
11.4.1约束的分类345
11.4.2具有约束的聚类方法347
11.5小结349
11.6习题349
11.7文献注释350
第12章离群点检测351
12.1离群点和离群点分析351
12.1.1什么是离群点351
12.1.2离群点的类型352
12.1.3离群点检测的挑战354
12.2离群点检测方法354
12.2.1监督、半监督和无监督方法355
12.2.2统计方法、基于邻近性的方法和基于聚类的方法356
12.3统计学方法357
12.3.1参数方法357
12.3.2非参数方法360
12.4基于邻近性的方法361
12.4.1基于距离的离群点检测和嵌套循环方法361
12.4.2基于网格的方法363
12.4.3基于密度的离群点检测364
12.5基于聚类的方法366
12.6基于分类的方法368
12.7挖掘情境离群点和集体离群点369
12.7.1把情境离群点检测转换成传统的离群点检测369
12.7.2关于情境对正常行为建模370
12.7.3挖掘集体离群点371
12.8高维数据中的离群点检测371
12.8.1扩充的传统离群点检测372
12.8.2发现子空间中的离群点373
12.8.3高维离群点建模373
12.9小结374
12.10习题375
12.11文献注释375
第13章数据挖掘的发展趋势和研究前沿377
13.1挖掘复杂的数据类型377
13.1.1挖掘序列数据：时间序列、符号序列和生物学序列377
13.1.2挖掘图和网络381
13.1.3挖掘其他类型的数据383
13.2数据挖掘的其他方法385
13.2.1统计学数据挖掘385
13.2.2关于数据挖掘基础的观点386
13.2.3可视和听觉数据挖掘387
13.3数据挖掘应用391
13.3.1金融数据分析的数据挖掘391
13.3.2零售和电信业的数据挖掘392
13.3.3科学与工程数据挖掘393
13.3.4入侵检测和预防数据挖掘395
13.3.5数据挖掘与推荐系统396
13.4数据挖掘与社会397
13.4.1普适的和无形的数据挖掘397
13.4.2数据挖掘的隐私、安全和社会影响399
13.5数据挖掘的发展趋势400
13.6小结402
13.7习题402
13.8文献注释403
参考文献406
索引435
本 图书信息来源： 中国互动出版网
基本信息
原书名：Data Mining：Concepts and Techniques，Third Edition
作者： (美)Jiawei Han伊利诺伊大学厄巴纳-尚佩恩分校 (加)Micheline Kamber西蒙-弗雷泽大学 (加)Jian Pei西蒙-弗雷泽大学 [作译者介绍]
译者： 范明 孟小峰
丛书名： 计算机科学丛书
出版社：机械工业出版社
ISBN：9787111391401
上架时间：2012-8-3
出版日期：2012 年8月
开本：16开
页码：1
版次：1-1
所属分类： 计算机 > 数据库 > 数据库存储与管理
更多关于 》》》《 数据挖掘：概念与技术》
内容简介
书籍
计算机书籍
《数据挖掘：概念与技术(原书第3版)》完整全面地讲述数据挖掘的概念、方法、技术和最新研究进展。本书对前两版做了全面修订，加强和重新组织了全书的技术内容，重点论述了数据预处理、频繁模式挖掘、分类和聚类等的内容，还全面讲述了olap和离群点检测，并研讨了挖掘网络、复杂数据类型以及重要应用领域。
《数据挖掘：概念与技术(原书第3版)》是数据挖掘和知识发现领域内的所有教师、研究人员、开发人员和用户都必读的参考书，是一本适用于数据分析、数据挖掘和知识发现课程的优秀教材，可以用做高年级本科生或者一年级研究生的数据挖掘导论教材。
目录
《数据挖掘：概念与技术(原书第3版)》
出版者的话
中文版序
译者序
译者简介
第3版序
第2版序
前言
致谢
作者简介
第1章引论1
1.1为什么进行数据挖掘1
1.1.1迈向信息时代1
1.1.2数据挖掘是信息技术的进化2
1.2什么是数据挖掘4
1.3可以挖掘什么类型的数据6
1.3.1数据库数据6
1.3.2数据仓库7
1.3.3事务数据9
1.3.4其他类型的数据9
1.4可以挖掘什么类型的模式10
1.4.1类/概念描述：特征化与区分10
1.4.2挖掘频繁模式、关联和相关性11
1.4.3用于预测分析的分类与回归12
1.4.4聚类分析13
1.4.5离群点分析14
1.4.6所有模式都是有趣的吗14
1.5使用什么技术15
1.5.1统计学15
1.5.2机器学习16
1.5.3数据库系统与数据仓库17
1.5.4信息检索17
1.6面向什么类型的应用18
1.6.1商务智能18
1.6.2web搜索引擎18
1.7数据挖掘的主要问题19
1.7.1挖掘方法19
1.7.2用户界面20
1.7.3有效性和可伸缩性21
1.7.4数据库类型的多样性21
1.7.5数据挖掘与社会21
1.8小结22
1.9习题23
1.10文献注释23
第2章认识数据26
2.1数据对象与属性类型26
2.1.1什么是属性27
2.1.2标称属性27
2.1.3二元属性27
2.1.4序数属性28
2.1.5数值属性28
2.1.6离散属性与连续属性29
2.2数据的基本统计描述29
2.2.1中心趋势度量：均值、中位数和众数30
2.2.2度量数据散布：极差、四分位数、方差、标准差和四分位数极差32
2.2.3数据的基本统计描述的图形显示34
2.3数据可视化37
2.3.1基于像素的可视化技术37
2.3.2几何投影可视化技术38
2.3.3基于图符的可视化技术40
2.3.4层次可视化技术42
2.3.5可视化复杂对象和关系42
2.4度量数据的相似性和相异性44
2.4.1数据矩阵与相异性矩阵45
2.4.2标称属性的邻近性度量46
2.4.3二元属性的邻近性度量46
2.4.4数值属性的相异性：闵可夫斯基距离48
2.4.5序数属性的邻近性度量49
2.4.6混合类型属性的相异性50
2.4.7余弦相似性51
2.5小结52
2.6习题53
2.7文献注释54
第3章数据预处理55
3.1数据预处理：概述55
3.1.1数据质量：为什么要对数据预处理55
3.1.2数据预处理的主要任务56
3.2数据清理58
3.2.1缺失值58
3.2.2噪声数据59
3.2.3数据清理作为一个过程60
3.3数据集成61
3.3.1实体识别问题62
3.3.2冗余和相关分析62
3.3.3元组重复65
3.3.4数据值冲突的检测与处理65
3.4数据归约65
3.4.1数据归约策略概述66
3.4.2小波变换66
3.4.3主成分分析67
3.4.4属性子集选择68
3.4.5回归和对数线性模型：参数化数据归约69
3.4.6直方图70
3.4.7聚类71
3.4.8抽样71
3.4.9数据立方体聚集72
3.5数据变换与数据离散化73
3.5.1数据变换策略概述73
3.5.2通过规范化变换数据74
3.5.3通过分箱离散化76
3.5.4通过直方图分析离散化76
3.5.5通过聚类、决策树和相关分析离散化76
3.5.6标称数据的概念分层产生77
3.6小结79
3.7习题79
3.8文献注释80
第4章数据仓库与联机分析处理82
4.1数据仓库：基本概念82
4.1.1什么是数据仓库82
4.1.2操作数据库系统与数据仓库的区别84
4.1.3为什么需要分离的数据仓库85
4.1.4数据仓库：一种多层体系结构85
4.1.5数据仓库模型：企业仓库、数据集市和虚拟仓库87
4.1.6数据提取、变换和装入88
4.1.7元数据库88
4.2数据仓库建模：数据立方体与olap89
4.2.1数据立方体：一种多维数据模型89
4.2.2星形、雪花形和事实星座：多维数据模型的模式91
4.2.3维：概念分层的作用94
4.2.4度量的分类和计算95
4.2.5典型的olap操作96
4.2.6查询多维数据库的星网查询模型98
4.3数据仓库的设计与使用99
4.3.1数据仓库的设计的商务分析框架99
4.3.2数据仓库的设计过程100
4.3.3数据仓库用于信息处理101
4.3.4从联机分析处理到多维数据挖掘102
4.4数据仓库的实现103
4.4.1数据立方体的有效计算：概述103
4.4.2索引olap数据：位图索引和连接索引105
4.4.3olap查询的有效处理107
4.4.4olap服务器结构：rolap、molap、holap的比较107
4.5数据泛化：面向属性的归纳109
4.5.1数据特征的面向属性的归纳109
4.5.2面向属性归纳的有效实现113
4.5.3类比较的面向属性归纳114
4.6小结116
4.7习题117
4.8文献注释119
第5章数据立方体技术121
5.1数据立方体计算：基本概念121
5.1.1立方体物化：完全立方体、冰山立方体、闭立方体和立方体外壳122
5.1.2数据立方体计算的一般策略124
5.2数据立方体计算方法126
5.2.1完全立方体计算的多路数组聚集126
5.2.2buc：从顶点方体向下计算冰山立方体129
5.2.3star-cubing：使用动态星树结构计算冰山立方体132
5.2.4为快速高维olap预计算壳片段136
5.3使用探索立方体技术处理高级查询141
5.3.1抽样立方体：样本数据上基于olap的挖掘141
5.3.2排序立方体：top-k查询的有效计算145
5.4数据立方体空间的多维数据分析147
5.4.1预测立方体：立方体空间的预测挖掘147
5.4.2多特征立方体：多粒度上的复杂聚集149
5.4.3基于异常的、发现驱动的立方体空间探查149
5.5小结152
5.6习题152
5.7文献注释155
第6章挖掘频繁模式、关联和相关性:基本概念和方法157
6.1基本概念157
6.1.1购物篮分析：一个诱发例子157
6.1.2频繁项集、闭项集和关联规则158
6.2频繁项集挖掘方法160
6.2.1apriori算法：通过限制候选产生发现频繁项集160
6.2.2由频繁项集产生关联规则164
6.2.3提高apriori算法的效率165
6.2.4挖掘频繁项集的模式增长方法166
6.2.5使用垂直数据格式挖掘频繁项集169
6.2.6挖掘闭模式和极大模式170
6.3哪些模式是有趣的：模式评估方法171
6.3.1强规则不一定是有趣的172
6.3.2从关联分析到相关分析172
6.3.3模式评估度量比较173
6.4小结176
6.5习题177
6.6文献注释179
第7章高级模式挖掘180
7.1模式挖掘：一个路线图180
7.2多层、多维空间中的模式挖掘182
7.2.1挖掘多层关联规则182
7.2.2挖掘多维关联规则185
7.2.3挖掘量化关联规则186
7.2.4挖掘稀有模式和负模式188
7.3基于约束的频繁模式挖掘190
7.3.1关联规则的元规则制导挖掘190
7.3.2基于约束的模式产生：模式空间剪枝和数据空间剪枝191
7.4挖掘高维数据和巨型模式195
7.5挖掘压缩或近似模式198
7.5.1通过模式聚类挖掘压缩模式199
7.5.2提取感知冗余的top-k模式200
7.6模式探索与应用202
7.6.1频繁模式的语义注解202
7.6.2模式挖掘的应用205
7.7小结206
7.8习题207
7.9文献注释208
第8章分类：基本概念211
8.1基本概念211
8.1.1什么是分类211
8.1.2分类的一般方法211
8.2决策树归纳213
8.2.1决策树归纳214
8.2.2属性选择度量217
8.2.3树剪枝222
8.2.4可伸缩性与决策树归纳224
8.2.5决策树归纳的可视化挖掘225
8.3贝叶斯分类方法226
8.3.1贝叶斯定理227
8.3.2朴素贝叶斯分类227
8.4基于规则的分类230
8.4.1使用if-then规则分类230
8.4.2由决策树提取规则231
8.4.3使用顺序覆盖算法的规则归纳232
8.5模型评估与选择236
8.5.1评估分类器性能的度量236
8.5.2保持方法和随机二次抽样240
8.5.3交叉验证240
8.5.4自助法241
8.5.5使用统计显著性检验选择模型241
8.5.6基于成本效益和roc曲线比较分类器243
8.6提高分类准确率的技术245
8.6.1组合分类方法简介245
8.6.2装袋246
8.6.3提升和adaboost247
8.6.4随机森林249
8.6.5提高类不平衡数据的分类准确率250
8.7小结251
8.8习题251
8.9文献注释253
第9章分类：高级方法255
9.1贝叶斯信念网络255
9.1.1概念和机制255
9.1.2训练贝叶斯信念网络257
9.2用后向传播分类258
9.2.1多层前馈神经网络258
9.2.2定义网络拓扑259
9.2.3后向传播260
9.2.4黑盒内部：后向传播和可解释性263
9.3支持向量机265
9.3.1数据线性可分的情况265
9.3.2数据非线性可分的情况268
9.4使用频繁模式分类270
9.4.1关联分类270
9.4.2基于有区别力的频繁模式分类272
9.5惰性学习法(或从近邻学习）275
9.5.1k-最近邻分类275
9.5.2基于案例的推理277
9.6其他分类方法277
9.6.1遗传算法277
9.6.2粗糙集方法278
9.6.3模糊集方法278
9.7关于分类的其他问题280
9.7.1多类分类280
9.7.2半监督分类281
9.7.3主动学习282
9.7.4迁移学习283
9.8小结284
9.9习题285
9.10文献注释286
第10章聚类分析：基本概念和方法288
10.1聚类分析288
10.1.1什么是聚类分析288
10.1.2对聚类分析的要求289
10.1.3基本聚类方法概述291
10.2划分方法293
10.2.1k-均值：一种基于形心的技术293
10.2.2k-中心点：一种基于代表对象的技术295
10.3层次方法297
10.3.1凝聚的与分裂的层次聚类298
10.3.2算法方法的距离度量300
10.3.3birch：使用聚类特征树的多阶段聚类301
10.3.4chameleon:使用动态建模的多阶段层次聚类303
10.3.5概率层次聚类304
10.4基于密度的方法306
10.4.1dbscan:一种基于高密度连通区域的基于密度的聚类307
10.4.2optics：通过点排序识别聚类结构309
10.4.3denclue：基于密度分布函数的聚类311
10.5基于网格的方法312
10.5.1sting:统计信息网格312
10.5.2clique：一种类似于apriori的子空间聚类方法314
10.6聚类评估315
10.6.1估计聚类趋势316
10.6.2确定簇数317
10.6.3测定聚类质量317
10.7小结319
10.8习题320
10.9文献注释321
第11章高级聚类分析323
11.1基于概率模型的聚类323
11.1.1模糊簇324
11.1.2基于概率模型的聚类326
11.1.3期望最大化算法328
11.2聚类高维数据330
11.2.1聚类高维数据：问题、挑战和主要方法330
11.2.2子空间聚类方法331
11.2.3双聚类332
11.2.4维归约方法和谱聚类337
11.3聚类图和网络数据339
11.3.1应用与挑战339
11.3.2相似性度量340
11.3.3图聚类方法343
11.4具有约束的聚类345
11.4.1约束的分类345
11.4.2具有约束的聚类方法347
11.5小结349
11.6习题349
11.7文献注释350
第12章离群点检测351
12.1离群点和离群点分析351
12.1.1什么是离群点351
12.1.2离群点的类型352
12.1.3离群点检测的挑战354
12.2离群点检测方法354
12.2.1监督、半监督和无监督方法355
12.2.2统计方法、基于邻近性的方法和基于聚类的方法356
12.3统计学方法357
12.3.1参数方法357
12.3.2非参数方法360
12.4基于邻近性的方法361
12.4.1基于距离的离群点检测和嵌套循环方法361
12.4.2基于网格的方法363
12.4.3基于密度的离群点检测364
12.5基于聚类的方法366
12.6基于分类的方法368
12.7挖掘情境离群点和集体离群点369
12.7.1把情境离群点检测转换成传统的离群点检测369
12.7.2关于情境对正常行为建模370
12.7.3挖掘集体离群点371
12.8高维数据中的离群点检测371
12.8.1扩充的传统离群点检测372
12.8.2发现子空间中的离群点373
12.8.3高维离群点建模373
12.9小结374
12.10习题375
12.11文献注释375
第13章数据挖掘的发展趋势和研究前沿377
13.1挖掘复杂的数据类型377
13.1.1挖掘序列数据：时间序列、符号序列和生物学序列377
13.1.2挖掘图和网络381
13.1.3挖掘其他类型的数据383
13.2数据挖掘的其他方法385
13.2.1统计学数据挖掘385
13.2.2关于数据挖掘基础的观点386
13.2.3可视和听觉数据挖掘387
13.3数据挖掘应用391
13.3.1金融数据分析的数据挖掘391
13.3.2零售和电信业的数据挖掘392
13.3.3科学与工程数据挖掘393
13.3.4入侵检测和预防数据挖掘395
13.3.5数据挖掘与推荐系统396
13.4数据挖掘与社会397
13.4.1普适的和无形的数据挖掘397
13.4.2数据挖掘的隐私、安全和社会影响399
13.5数据挖掘的发展趋势400
13.6小结402
13.7习题402
13.8文献注释403
参考文献406
索引435
本 图书信息来源： 中国互动出版网