最簡數(shù)據(jù)挖掘

目 錄
第1章 概述 1
1．1 什么是數(shù)據(jù) 1
1．2 什么是大數(shù)據(jù) 3
1．3 什么是數(shù)據(jù)挖掘 6
1．4 能挖掘出什么 8
1．5 會(huì)產(chǎn)生什么價(jià)值 10
第2章 k-均值 12
2．1 基本算法 13
2．2 k-均值示例 15
2．3 k-均值算法的局限性 21
練習(xí)賽 21
第3章 k-近鄰 24
3．1 k-近鄰基本算法 25
3．2 評價(jià)分類效果的常見指標(biāo) 26
3．3 影響算法精確度的若干問題 28
3．4 k-近鄰算法示例 31
練習(xí)賽 35
第4章 樸素貝葉斯 36
4．1 貝葉斯定理 36
4．2 貝葉斯基本算法 39
4．3 貝葉斯算法案例 41
4．4 處理連續(xù)特征 45
練習(xí)賽 46
第5章 回歸 47
5．1 線性回歸的最簡示例 47
5．2 線性回歸的一般形式 53
5．3 邏輯回歸的最簡示例 55
5．4 邏輯回歸的一般形式 59
5．5 小結(jié)和討論 60
練習(xí)賽 62
第6章 決策樹 63
6．1 構(gòu)建決策樹 63
6．2 經(jīng)典決策樹：ID3、C4．5和CART 66
6．3 連續(xù)值、缺失值和剪枝 70
6．4 小結(jié)和討論 75
練習(xí)賽 77
第7章 關(guān)聯(lián)規(guī)則挖掘 78
7．1 基本算法思想 78
7．2 Apriori算法示例 80
7．3 小結(jié)和討論 85
練習(xí)賽 86
第8章 數(shù)據(jù)挖掘應(yīng)用創(chuàng)新案例 87
8．1 提升生產(chǎn)制造過程的良品率 87
8．2 刻畫全球化對碳排放的影響 89
8．3 捕捉電商評論中的用戶情感 91
8．4 實(shí)時(shí)發(fā)現(xiàn)微博中的熱點(diǎn)事件 94
推薦閱讀材料 96