高維聚類知識(shí)發(fā)現(xiàn)關(guān)鍵技術(shù)研究及應(yīng)用

第1章　知識(shí)發(fā)現(xiàn)與KDD
1.1　知識(shí)與知識(shí)發(fā)現(xiàn)
1.1.1　知識(shí)
1.1.2　知識(shí)發(fā)現(xiàn)和KDD
1.1.3　知識(shí)發(fā)現(xiàn)的過(guò)程
1.2　數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)——KDD
1.2.1　KDD的產(chǎn)生與發(fā)展
1.2.2　KDD的一般機(jī)理和理論基礎(chǔ)
1.2.3　KDD系統(tǒng)的基本框架
1.2.4　KDD的主要任務(wù)
第2章　聚類知識(shí)發(fā)現(xiàn)及其關(guān)鍵技術(shù)
2.1　聚類問題的主要方法
2.2　聚類問題的關(guān)鍵技術(shù)
2.2.1　數(shù)據(jù)倉(cāng)庫(kù)技術(shù)
2.2.2　高維聚類技術(shù)
2.3　高維聚類關(guān)鍵技術(shù)研究
2.3.1　高維聚類的主要算法
2.3.2　高維聚類算法的關(guān)鍵技術(shù)
第3章　高維數(shù)據(jù)相似性的定義
3.1　數(shù)據(jù)相似關(guān)系
3.1.1　基于距離的相似性定義
3.1.2　基于密度的相似性定義
3.1.3　基于連接的相似性定義
3.2　高維數(shù)據(jù)相似關(guān)系的定義
3.3　二元數(shù)據(jù)相似性的定義
3.3.1　屬性分布特征向量
3.3.2　對(duì)象間屬性分布相似性
3.4　小結(jié)
第4章　基于粗圖模型的聚類算法
4.1　圖論基礎(chǔ)概念
4.2　基于圖論的聚類算法
4.2.1　聚集型圖論聚類
4.2.2　多層粗圖法
4.2.3　基于二部圖的方法
4.3　圖劃分的關(guān)鍵技術(shù)
4.3.1　圖的多層二分劃（Multilevel Graph Bisection）
4.3.2　增強(qiáng)譜分割算法
4.3.3　圖的非平衡劃分技術(shù)
4.4　多層粗圖聚類算法的改進(jìn)
4.4.1　聚類算法
4.4.2　圖分割的精化算法
4.4.3　聚類質(zhì)量評(píng)價(jià)
4.4.4　實(shí)驗(yàn)結(jié)果
4.4.5　算法評(píng)價(jià)
4.5　基于粗圖模型的軟聚類方法
4.5.1　引言
4.5.2　軟聚類算法
4.5.3　基于圖劃分法的軟聚類GPSC算法
4.5.4　實(shí)驗(yàn)分析
4.5.5　軟聚類方法的評(píng)價(jià)
4.6　小結(jié)
第5章　高維二元數(shù)據(jù)的映射聚類算法
5.1　引言
5.2　二元數(shù)據(jù)
5.3　映射聚類模型
5.3.1　伯努利分布（Bernoulli distribution）
5.3.2　有限混合伯努利分布
5.3.3　似然函數(shù)
5.3.4　EM算法
5.3.5　伯努利混合模型的EM算法
5.3.6　基于混合模型的映射聚類思想
5.4　映射聚類算法
5.5　實(shí)驗(yàn)結(jié)果
5.6　小結(jié)
第6章　基于螞蟻行為的聚類方法
6.1　螞蟻算法綜述
6.2　Deneubourg基本模型及LF聚類算法
6.2.1　數(shù)據(jù)對(duì)象表示方法及相似性量度
6.2.2　Deneubourg基本模型
6.2.3　LF聚類算法
6.3　基于密度的啟發(fā)性群體智能聚類算法——HDBCSI
6.3.1　記憶體
6.3.2　基于密度的先行策略
6.3.3　基于密度的啟發(fā)性群體智能聚類算法HDBCSI算法描述
6.3.4　算法測(cè)試與比較分析
6.3.5　螞蟻算法評(píng)價(jià)
6.4　小結(jié)
第7章　高維數(shù)據(jù)空間的離群點(diǎn)檢測(cè)方法
7.1　概述
7.2　高維空間中的離群點(diǎn)發(fā)現(xiàn)
7.3　子空間離群點(diǎn)發(fā)現(xiàn)算法綜述
7.4　映射離群點(diǎn)發(fā)現(xiàn)的思考
7.5　映射離群點(diǎn)發(fā)現(xiàn)算法的設(shè)計(jì)
7.5.1　映射聚類算法
7.5.2　基于熵的屬性選擇
7.5.3　離散屬性中離群點(diǎn)的確定
7.5.4　簇外屬性檢測(cè)
7.6　算法描述及分析
7.7　小結(jié)
第8章　高維數(shù)據(jù)聚類結(jié)果的表示
8.1　聚類結(jié)果表示方式概述
8.1.1　數(shù)據(jù)可視化
8.1.2　表達(dá)式法
8.2　基于粗糙集理論的知識(shí)表示
8.2.1　粗糙集基礎(chǔ)理論
8.2.2　屬性空間上的rough集理論
8.3　基于粗糙集理論的聚類結(jié)果表達(dá)
8.3.1　一般聚類知識(shí)的表達(dá)
8.3.2　高維二元映射聚類結(jié)果的粗糙集表示
8.4　小結(jié)
第9章　聚類知識(shí)發(fā)現(xiàn)數(shù)據(jù)建模及應(yīng)用
9.1　數(shù)據(jù)模型的建立
9.1.1　數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)與建模方法
9.1.2　多維數(shù)據(jù)模型對(duì)分析型應(yīng)用的支持
9.1.3　數(shù)據(jù)建模方案
9.2　應(yīng)用數(shù)據(jù)準(zhǔn)備
9.2.1　數(shù)據(jù)準(zhǔn)備的內(nèi)容
9.2.2　數(shù)據(jù)凈化的方法
9.2.3　數(shù)據(jù)的精簡(jiǎn)
9.3　聚類知識(shí)發(fā)現(xiàn)的應(yīng)用——電信市場(chǎng)客戶分群
9.3.1　客戶聚類分析流程
9.3.2　戰(zhàn)術(shù)分群與目標(biāo)市場(chǎng)營(yíng)銷
9.4　小結(jié)
參考文獻(xiàn)