數(shù)據(jù)挖掘與機器學(xué)習(xí)：PMML建模（上）

1 關(guān)聯(lián)規(guī)則模型AssociationModel
1．1 關(guān)聯(lián)規(guī)則基礎(chǔ)知識
1．2 關(guān)聯(lián)規(guī)則算法簡介
1．3 關(guān)聯(lián)規(guī)則模型元素AssociationModel
1．3．1 模型屬性
1．3．2 模型子元素
1．3．3 評分應(yīng)用過程
2 樸素貝葉斯模型NaiveBayesModel
2．1 樸素貝葉斯模型基礎(chǔ)知識
2．1．1 全概率公式
2．1．2 貝葉斯定理
2．2 樸素貝葉斯算法簡介
2．2．1 樸素貝葉斯算法
2．2．2 樸素貝葉斯模型參數(shù)估計
2．3 樸素貝葉斯模型元素NaiveBayesModel
2．3．1 模型屬性
2．3．2 模型子元素
2．3．3 評分應(yīng)用過程
3 貝葉斯網(wǎng)絡(luò)模型BayesianNetworkModel
3．1 貝葉斯網(wǎng)絡(luò)基礎(chǔ)知識
3．2 貝葉斯網(wǎng)絡(luò)算法簡介
3．3 貝葉斯網(wǎng)絡(luò)模型元素BayesianNetworkModel
3．3．1 模型屬性
3．3．2 模型子元素
3．3．3 評分應(yīng)用過程
4 基線模型BaselineModel
4．1 基線模型的基礎(chǔ)知識
4．1．1 一般基線模型的概念
4．1．2 PMML規(guī)范中的基線模型
4．2 基線模型元素BaselineModel
4．2．1 模型屬性
4．2．2 模型子元素
4．2．3 評分應(yīng)用過程
5 聚類模型ClusteringModel
5．1 聚類模型的基礎(chǔ)知識
5．2 聚類算法簡介
5．2．1 硬聚類和軟聚類
5．2．2 基于算法主要特征的劃分
5．2．3 PMML規(guī)范中的聚類
5．3 聚類模型元素ClusteringModel
5．3．1 模型屬性
5．3．2 模型子元素
5．3．3 評分應(yīng)用過程
6 通用回歸模型GeneralRegressionModel
6．1 通用回歸模型基礎(chǔ)知識
6．2 通用回歸算法簡介
6．2．1 一般線性回歸模型GLM
6．2．2 廣義線性回歸GLZM
6．2．3 Cox回歸
6．3 通用回歸模型元素GeneralRegressionModel
……