大數(shù)據(jù)分析與挖掘

第1章　緒論　1
1．1　大數(shù)據(jù)分析與挖掘簡介　1
1．2　大數(shù)據(jù)應(yīng)用及挑戰(zhàn)　2
1．3　大數(shù)據(jù)分析與挖掘主要技術(shù)　3
1．4　大數(shù)據(jù)分析與挖掘工具　4
1．4．1　Sklearn　4
1．4．2　Spark ML　5
1．4．3　華為云的機器學習服務(wù)　5
第2章　數(shù)據(jù)特征分析與預處理　15
2．1　數(shù)據(jù)類型　15
2．1．1　數(shù)據(jù)集類型　15
2．1．2　數(shù)據(jù)屬性的類型　17
2．2　數(shù)據(jù)的描述性特征　20
2．2．1　描述數(shù)據(jù)集中趨勢的度量　20
2．2．2　描述數(shù)據(jù)離中趨勢的度量　22
2．2．3　數(shù)據(jù)分布形態(tài)的度量　24
2．2．4　數(shù)據(jù)分布特征的可視化　27
2．3　數(shù)據(jù)的相關(guān)分析　30
2．3．1　相關(guān)分析　31
2．3．2　卡方（χ2）檢驗　32
2．4　數(shù)據(jù)預處理　34
2．4．1　數(shù)據(jù)變換、離散化與編碼　35
2．4．2　數(shù)據(jù)抽樣技術(shù)　40
2．4．3　主成分分析　42
2．4．4　數(shù)據(jù)清洗　49
2．5　Spark數(shù)據(jù)預處理功能簡介　52
2．5．1　二值化　52
2．5．2　分箱器　52
2．5．3　哈達瑪積變換　53
2．5．4　最大絕對值標準化　53
2．5．5　最小—最大變換　54
2．5．6　正則化　54
2．5．7　多項式擴展　55
2．5．8　標準化　55
2．5．9　特征向量合并　56
2．5．10　類別特征索引　57
習題　57
第3章　關(guān)聯(lián)規(guī)則挖掘　59
3．1　基本概念　59
3．2　基于候選項產(chǎn)生—測試策略的頻繁模式挖掘算法　61
3．2．1　Apriori算法　61
3．2．2　基于劃分的算法　64
3．2．3　事務(wù)數(shù)據(jù)的存儲　65
3．3　不需要產(chǎn)生候選項集的頻繁模式挖掘算法　66
3．3．1　FP-Growth算法　66
3．3．2　Spark上FP-Growth算法實踐　71
3．4　結(jié)合相關(guān)性分析的關(guān)聯(lián)規(guī)則　72
3．5　多層關(guān)聯(lián)規(guī)則挖掘算法　74
3．6　序列模式挖掘　77
3．6．1　序列模式的定義　77
3．6．2　PrefixSpan算法　78
3．6．3　與其他序列模式挖掘算法的比較和分析　80
3．7　其他類型關(guān)聯(lián)規(guī)則簡介　81
3．7．1　量化關(guān)聯(lián)規(guī)則　82
3．7．2　時態(tài)關(guān)聯(lián)規(guī)則　82
3．7．3　局部化的關(guān)聯(lián)規(guī)則　82
3．7．4　優(yōu)化的關(guān)聯(lián)規(guī)則　82
習題　83
第4章　分類與回歸算法　85
4．1　決策樹算法　85
4．1．1　決策樹簡介　85
4．1．2　決策樹的類型　86
4．1．3　決策樹的構(gòu)造過程　86
4．1．4　信息論的有關(guān)概念　87
4．1．5　ID3算法　87
4．1．6　信息論在ID3算法中的應(yīng)用　90
4．1．7　C4．5算法　91
4．1．8　CART算法　91
4．1．9　過擬合與決策樹剪枝　93
4．1．10　決策樹后剪枝策略　95
4．1．11　決策樹的生成與可視化　103
4．1．12　幾種屬性選擇度量的對比　106
4．2　貝葉斯分類器　106
4．2．1　貝葉斯決策理論　106
4．2．2　極大似然估計　107
4．2．3　樸素貝葉斯分類器　108
4．2．4　貝葉斯網(wǎng)絡(luò)基礎(chǔ)　110
4．2．5　通過貝葉斯網(wǎng)絡(luò)判斷條件獨立　111
4．2．6　貝葉斯網(wǎng)絡(luò)推理實例　112
4．3　基于實例的分類算法　115
4．3．1　KNN分類器　115
4．3．2　局部加權(quán)回歸　121
4．3．3　基于案例的推理　123
4．4　組合分類算法　130
4．4．1　Adaboost算法　130
4．4．2　Bagging算法　135
4．4．3　隨機森林　140
4．5　分類器算法的評估　142
4．6　回歸分析　146
4．6．1　線性回歸　146
4．6．2　嶺回歸　149
4．6．3　多項式回歸　149
4．6．4　邏輯回歸　151
4．6．5　決策樹回歸　152
4．6．6　梯度提升決策樹　155
習題　160
第5章　聚類算法　165
5．1　聚類分析概述　165
5．2　聚類算法的分類　166
5．3　距離度量　166
5．3．1　冪距離　166
5．3．2　歐式距離　167
5．3．3　曼哈頓距離　167
5．3．4　切比雪夫距離　168
5．3．5　余弦相似度　168
5．3．6　蘭氏距離　169
5．3．7　馬氏距離　169
5．3．8　斜交空間距離　170
5．3．9　杰卡德距離　170
5．3．10　漢明距離　171
5．4　基于劃分的聚類算法　172
5．4．1　K均值算法　172
5．4．2　二分K均值聚類算法　174
5．4．3　小批量K均值算法　175
5．4．4　K均值++算法　179
5．4．5　K中心點算法　180
5．4．6　數(shù)據(jù)流K均值算法　181
5．5　基于密度的聚類算法　182
5．5．1　DBSCAN算法　182
5．5．2　OPTICS算法　185
5．6　基于模型的聚類算法：高斯混合模型算法　189
5．6．1　算法原理　189
5．6．2　GMM算法的參數(shù)估計　190
5．6．3　GMM算法實踐　191
5．7　層次聚類　193
5．7．1　凝聚的層次聚類算法　193
5．7．2　聚類之間距離的度量方法　193
5．7．3　層次聚類算法的性質(zhì)　204
5．7．4　BIRCH算法　207
5．8　基于網(wǎng)格的聚類算法　211
5．8．1　STING算法　211
5．8．2　CLIQUE算法　213
5．9　Mean Shift聚類算法　218
5．9．1　基本概念　218
5．9．2　Mean Shift算法聚類過程　219
5．9．3　Mean Shift聚類算法實踐　222
5．9．4　改進的Mean Shift算法　223
5．10　聚類算法評價指標　224
5．10．1　調(diào)整蘭德指數(shù)　224
5．10．2　互信息評分　225
5．10．3　同質(zhì)性、完整性以及調(diào)和平均　226
5．10．4　Fowlkes-Mallows評分　228
5．10．5　輪廓系數(shù)　229
5．10．6　Calinski-Harabz 指數(shù)　229
習題　230
第6章　數(shù)據(jù)挖掘綜合應(yīng)用：異常檢測　232
6．1　預備知識　232
6．1．1　相關(guān)統(tǒng)計學概念　232
6．1．2　異常檢測評價指標　234
6．1．3　異常檢測問題的特點　234
6．1．4　異常檢測算法分類　234
6．2　基于隔離森林的異常檢測算法　235
6．2．1　隔離與隔離樹iTree　236
6．2．2　隔離森林的特點　238
6．2．3　隔離森林算法　239
6．2．4　應(yīng)用實例　240
6．3　局部異常因子算法　242
6．3．1　基本定義　242
6．3．2　異常檢測　243
6．3．3　應(yīng)用實例　244
6．4　基于One-Class SVM的異常檢測算法　245
6．4．1　基本原理　245
6．4．2　應(yīng)用實例　246
6．5　基于主成分分析的異常檢測算法　247
6．6　基于集成學習的異常檢測算法　249
6．6．1　基本原理　249
6．6．2　應(yīng)用實例　250
6．7　其他有監(jiān)督學習類型的檢測算法　253
6．7．1　罕見類別檢測　254
6．7．2　基于有監(jiān)督學習的異常檢測實例　256
6．7．3　異常檢測應(yīng)用實例——時空異常檢測　257
6．7．4　Spark異常值檢測實例　259
6．8　習題　261
附錄　《大數(shù)據(jù)分析與挖掘》配套實驗課程方案簡介　263
參考文獻　264