本书阐述了铁路文本大数据分析挖掘的理论、技术及应用，内容包括：绪论、文本大数据分析挖掘基础、文本大数据分析挖掘理论体系、常用分析与挖掘工具包、铁路文本大数据分析挖掘平台研究、铁...
电子书
内容简介
随着互联网、云计算和人工智能等高科技信息技术的飞速发展，人类已迈入大数据时代，但很多时候我们会感到被数据淹没，却缺乏知识的困境，并没有“得数据者得天下”的能力，我们迫切需要从海量数据中，找到值得参考的样型或规则，转换成有价值的信息或知识，创造更多新价值，因此，数据挖掘成了我们提取数据信息的必要窗口。 本书共8章，主要介绍了数据挖掘的理论方法与实践应用，内容涵盖了关联规则挖掘、决策树分析、聚类分析、支持向量机、KNN算法、贝叶斯分类算法以及随机森林分类算法等内容。
章节目录
- 封面
- 书名页
- 版权页
- 前言
- 目录
- 第1章 数据挖掘概述
- 1.1 数据挖掘技术的产生与发展
- 1.1.1 数据挖掘技术的商业需求分析
- 1.1.2 数据挖掘产生的技术背景分析
- 1.2 数据挖掘的定义
- 1.2.1 技术上的定义及含义
- 1.2.2 商业角度的定义
- 1.2.3 数据挖掘研究的理论基础
- 1.3 数据挖掘的特点
- 1.4 数据挖掘的主要任务
- 1.5 数据挖掘的一般过程
- 第2章 关联规则挖掘
- 2.1 基本概念
- 2.2 关联规则挖掘算法——Apriori算法原理
- 2.2.1 Apriori算法原理解析
- 2.2.2 Apriori算法应用举例
- 2.3 Apriori算法的特点及应用
- 2.3.1 Apriori算法的特点
- 2.3.2 Apriori算法的应用
- 2.4 Apriori算法源代码
- 2.5 Apriori算法在Web日志挖掘中的应用研究
- 2.5.1 Web日志挖掘的预处理
- 2.5.2 关联规则Apriori算法的应用
- 2.5.3 Apriori算法的改进
- 2.5.4 挖掘模型查看的实现
- 2.5.5 挖掘模型分析与评价模块的实现
- 第3章 决策树分析
- 3.1 决策树算法简介
- 3.2 决策树算法的基本概念
- 3.3 决策树算法研究现状
- 3.4 决策树算法简介
- 3.4.1 CLS算法
- 3.4.2 ID3算法
- 3.4.3 C4.5算法
- 3.5 决策树算法比较分析
- 3.6 建立用户流失的决策树模型
- 3.6.1 案例背景
- 3.6.2 样本数据的清洗与转换
- 3.6.3 样本数据的特征选择
- 3.6.4 实施聚类分析
- 3.6.5 用户流失预警决策树的构建
- 3.6.6 决策树算法的实施
- 3.6.7 模型的评估与调整优化
- 3.7 ＭC4.5源程序
- 第4章 聚类分析
- 4.1 聚类分析简介
- 4.1.1 聚类分析的阶段
- 4.1.2 相似度衡量
- 4.1.3 聚类分析方法
- 4.2 聚类分析中的数据类型
- 4.2.1 数据的表示
- 4.2.2 数据的类型
- 4.3 层次聚类方法概述
- 4.3.1 两种基本的层次聚类方法
- 4.3.2 基于距离度量的方法
- 4.3.3 层次聚类方法存在的不足
- 4.4 划分聚类分析法
- 4.4.1 k均值聚类算法
- 4.4.2 k中心点
- 4.5 k均值聚类算法源程序
- 4.6 k-中心点算法源代码
- 4.7 聚类分析的应用
- 4.7.1 案例背景
- 4.7.2 成熟草莓图像分割算法
- 第5章 支持向量机
- 5.1 支持向量机原理
- 5.2 支持向量机的特点
- 5.3 支持向量机的应用研究现状
- 5.4 支持向量机的应用
- 5.4.1 案例背景
- 5.4.2 目标特征模型
- 5.4.3 学习训练
- 5.4.4 目标检测框的确定
- 5.4.5 数据库和评估参数
- 第6章 KNN算法
- 6.1 KNN算法简介
- 6.1.1 算法引入
- 6.1.2 算法指导思想
- 6.1.3 算法计算步骤
- 6.1.4 相似性度量
- 6.1.5 类别的判定
- 6.1.6 优缺点
- 6.1.7 常见问题
- 6.2 算法流程
- 6.3 KNN算法的Java实现代码
- 6.4 算法改进
- 6.5 类相关度差异优化距离的KNN改进算法
- 6.5.1 特征参数类相关度差异优化距离机制
- 6.5.2 特征参数类相关度优化距离的k最近邻改进算法
- 6.6 基于聚类的KNN算法改进
- 6.6.1 对训练集进行聚类
- 6.6.2 用KNN算法分类
- 6.7 KNN算法分类多标签数据
- 6.7.1 最近邻选择的相似度的求解步骤
- 6.7.2 最近邻选择的相似度的定义
- 6.7.3 算法的时间复杂度分析
- 6.8 KNN算法的应用
- 6.9 用KNN算法处理文本分类问题
- 6.9.1 文本分类介绍
- 6.9.2 文本分类过程
- 6.9.3 用KNN算法实现文本分类
- 第7章 贝叶斯分类算法
- 7.1 概述
- 7.2 概率论基础
- 7.2.1 条件概率和乘法定理
- 7.2.2 贝叶斯定理
- 7.2.3 极大后验假设与极大似然假设
- 7.2.4 事件的独立性
- 7.3 贝叶斯分类模型
- 7.3.1 朴素贝叶斯分类模型
- 7.3.2 贝叶斯网络分类模型
- 7.3.3 半朴素贝叶斯分类模型
- 7.4 贝叶斯算法在处理垃圾邮件中的应用
- 7.4.1 案例背景
- 7.4.2 垃圾邮件的定义及其危害
- 7.4.3 垃圾邮件分类向量与特征向量
- 7.4.4 分类方法介绍
- 7.4.5 基于垃圾邮件特征向量判断垃圾邮件的算法设计
- 7.4.6 基于标准邮件集的垃圾邮件分类向量
- 7.4.7 基于贝叶斯原理的过滤系统的实现
- 7.4.8 算法的实现
- 7.4.9 实验结果及评价指标
- 7.4.10 阈值的确定及对过滤精度的影响
- 7.4.11 实验数据
- 第8章 随机森林分类算法
- 8.1 随机森林算法简介
- 8.1.1 Boosting和Bagging
- 8.1.2 Bagging与随机森林
- 8.2 随机森林的构建
- 8.2.1 为每棵决策树抽样产生训练集
- 8.2.2 构建每棵决策树
- 8.2.3 森林的形成及算法的执行
- 8.3 用代码实现随机森林
- 8.4 随机森林的随机性分析
- 8.4.1 训练集的随机选取
- 8.4.2 随机特征变量的随机性
- 8.4.3 随机森林的随机性在实证分析中的表现及解决办法
- 8.5 随机森林的性能指标
- 8.5.1 分类效果系列指标
- 8.5.2 泛化误差与OOB估计
- 8.5.3 随机森林算法运行效率指标
- 8.6 随机森林算法存在的问题
- 8.6.1 不能很好地处理非平衡数据
- 8.6.2 对连续性变量的处理还需要进行离散化
- 8.6.3 随机森林算法的分类精度还需要进一步提升
- 8.7 随机森林处理非平衡数据集的优化研究
- 8.7.1 非平衡数据集分类困难的原因分析
- 8.7.2 非平衡数据集分类问题的解决办法
- 8.8 随机森林算法的应用
- 8.9 随机森林算法源程序
- 书脊
- 封底
展开全部
数据挖掘及其应用是2019年由中国铁道出版社出版,作者李燕。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《数据挖掘及其应用》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
本书阐述了铁路文本大数据分析挖掘的理论、技术及应用，内容包括：绪论、文本大数据分析挖掘基础、文本大数据分析挖掘理论体系、常用分析与挖掘工具包、铁路文本大数据分析挖掘平台研究、铁...
电子书
文本是一种特殊的非结构化数据，在当今的大数据时代，其价值日趋凸显。本书利用开源而强大的R软件，对文本数据挖掘的概念、技术及技巧进行了系统的介绍。本书共11章，内容包括：走进文本...
电子书
本书共11章，分为基础篇(第1-5章)和实战篇(第6-11章)，基础篇包括数据挖掘基础、Python数据挖掘编程基础、数据探索、数据预处理、数据挖掘算法基础等基础知识：实战篇包...
电子书
本书以深入浅出的语言系统地讲解了数据挖掘的框架和基本方法，主要内容包括：数据挖掘与R语言概述、数据理解、数据准备、关联规则挖掘、聚类分析、线性模型与广义线性模型、神经网络的基本...
电子书
本书以Matlab语言为工具，介绍了优化设计的相关理论基础，并以实用、多角度的工程实例为对象，通过编程实现其求解及优化目的。主要内容包括：优化设计基本模型及图形表示，线性规划，...
电子书
本书研究和探讨秘密共享技术及其相关应用，系统描述秘密共享技术的产生背景和技术目标，介绍秘密共享的算法模型、相关定义以及一些实现秘密共享思想的经典方法，同时，深入分析现有大多数秘...