基于Rattle的可視化數(shù)據(jù)挖掘技術(shù)

目 錄第1章緒論11.1數(shù)據(jù)挖掘的認(rèn)識(shí)11.1.1為什么要進(jìn)行數(shù)據(jù)挖掘11.1.2數(shù)據(jù)挖掘過(guò)程11.1.3數(shù)據(jù)挖掘九大定律31.2R與Rattle31.2.1R語(yǔ)言31.2.2R語(yǔ)言的基本語(yǔ)法41.2.3R語(yǔ)言的優(yōu)勢(shì)101.2.4Rattle包101.3本章小結(jié)12 第2章入門指南132.1概述132.2認(rèn)識(shí)Rstudio132.2.1Rstudio的界面132.2.2R腳本編輯區(qū)142.2.3R命令控制臺(tái)152.2.4工作空間162.2.5結(jié)果展示區(qū)182.3認(rèn)識(shí)Rattle202.3.1Rattle的安裝與啟動(dòng)202.3.2選項(xiàng)卡212.3.3工具欄24基于Rattle的可視化數(shù)據(jù)挖掘技術(shù)目錄2.3.4菜單欄242.3.5屬性面板262.4本章小結(jié)26 第3章數(shù)據(jù)準(zhǔn)備283.1概述283.2數(shù)據(jù)283.2.1術(shù)語(yǔ)283.2.2變量293.2.3數(shù)據(jù)集303.3可用數(shù)據(jù)303.4數(shù)據(jù)質(zhì)量313.4.1數(shù)據(jù)質(zhì)量概述313.4.2數(shù)據(jù)質(zhì)量評(píng)估維度313.4.3影響數(shù)據(jù)質(zhì)量的因素313.5數(shù)據(jù)匹配323.6數(shù)據(jù)倉(cāng)庫(kù)333.7數(shù)據(jù)訪問(wèn)343.8載入數(shù)據(jù)353.8.1載入CSV數(shù)據(jù)353.8.2載入數(shù)據(jù)庫(kù)363.8.3載入SPSS類型數(shù)據(jù)383.8.4載入自帶數(shù)據(jù)集383.8.5載入網(wǎng)頁(yè)數(shù)據(jù)383.8.6載入其他格式的數(shù)據(jù)393.9本章小結(jié)39 第4章數(shù)據(jù)理解414.1概述414.2匯總數(shù)據(jù)414.2.1查看數(shù)據(jù)的簡(jiǎn)單信息414.2.2查看數(shù)據(jù)的細(xì)節(jié)信息434.2.3查看數(shù)據(jù)的分布信息434.2.4查看數(shù)據(jù)的缺失值444.3數(shù)據(jù)分布圖464.3.1數(shù)值型變量分布圖464.3.2分類變量分布圖504.3.3散點(diǎn)圖矩陣524.4相關(guān)分析534.4.1相關(guān)矩陣和相關(guān)圖534.4.2缺失值的相關(guān)分析554.4.3相關(guān)樹564.5主成分分析604.6交互式探索數(shù)據(jù)624.6.1安裝GGobi634.6.2安裝rggobi634.6.3實(shí)驗(yàn)指導(dǎo)644.7本章小結(jié)64 第5章數(shù)據(jù)檢驗(yàn)665.1概述665.2KS正態(tài)性檢驗(yàn)675.3Wilcoxon檢驗(yàn)685.4t檢驗(yàn)705.5F檢驗(yàn)725.6本章小結(jié)73 第6章數(shù)據(jù)變換756.1概述756.2取值范圍調(diào)整776.3缺失值填充796.4變量類型轉(zhuǎn)換816.4.1數(shù)值變量離散化816.4.2分類變量指標(biāo)化816.4.3分類變量合并836.4.4分類變量和數(shù)值變量互相轉(zhuǎn)換836.4.5變量和數(shù)據(jù)的刪除836.5離群點(diǎn)數(shù)據(jù)的處理846.6本章小結(jié)86 第7章數(shù)據(jù)建模877.1概述877.2聚類模型967.2.1背景967.2.2Kmeans聚類967.2.3Ewkm聚類1007.2.4層次聚類1017.2.5雙向聚類1057.3關(guān)聯(lián)規(guī)則挖掘1067.3.1背景1067.3.2基本術(shù)語(yǔ)1077.3.3關(guān)聯(lián)規(guī)則分類1087.3.4Apriori算法1087.3.5實(shí)驗(yàn)指導(dǎo)1097.4傳統(tǒng)決策樹模型1147.4.1背景1147.4.2ID3算法1157.4.3C4.5算法1167.4.4實(shí)驗(yàn)指導(dǎo)1177.5隨機(jī)森林決策樹模型1207.5.1背景1207.5.2隨機(jī)森林算法1217.5.3實(shí)驗(yàn)指導(dǎo)1227.6自適應(yīng)選擇決策樹模型1267.6.1背景1267.6.2Boosting算法1277.6.3Adaboost算法1277.6.4實(shí)驗(yàn)指導(dǎo)1287.7SVM1317.7.1背景1317.7.2SVM算法1317.7.3實(shí)驗(yàn)指導(dǎo)1337.8線性回歸模型1347.8.1背景1347.8.2一元線性回歸方法1357.8.3實(shí)驗(yàn)指導(dǎo)1377.9神經(jīng)網(wǎng)絡(luò)模型1387.9.1背景1387.9.2人工神經(jīng)網(wǎng)絡(luò)模型1397.9.3實(shí)驗(yàn)指導(dǎo)1427.10本章小結(jié)143 第8章模型評(píng)估1478.1概述1478.2數(shù)據(jù)集1488.3混淆矩陣1498.3.1二分類混淆矩陣1498.3.2模型評(píng)價(jià)指標(biāo)1508.3.3多分類混淆矩陣1518.4風(fēng)險(xiǎn)圖1518.4.1風(fēng)險(xiǎn)圖的作用1518.4.2實(shí)驗(yàn)指導(dǎo)1528.5ROC曲線1548.5.1ROC曲線的定義1548.5.2ROC曲線的作用1548.5.3實(shí)驗(yàn)指導(dǎo)1558.6其他模型評(píng)估圖1568.7本章小結(jié)157 第9章模型部署1599.1概述1599.2模型的應(yīng)用1599.3轉(zhuǎn)換為PMML1619.4電商數(shù)據(jù)挖掘案例1629.4.1背景1629.4.2數(shù)據(jù)理解1629.4.3數(shù)據(jù)準(zhǔn)備1639.4.4清洗數(shù)據(jù)1669.4.5探索數(shù)據(jù)1679.4.6數(shù)據(jù)建模1729.5本章小結(jié)174 參考文獻(xiàn)175