中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數(shù)學世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
國外計算機科學經(jīng)典教材數(shù)據(jù)挖掘原理(第3版)/(英)麥克斯.布拉默 版權(quán)信息
- ISBN：9787302526810
- 條形碼：9787302526810 ; 978-7-302-52681-0
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
國外計算機科學經(jīng)典教材數(shù)據(jù)挖掘原理(第3版)/(英)麥克斯.布拉默 本書特色
《數(shù)據(jù)挖掘原理(第3版)》深入探討重要的數(shù)據(jù)挖掘技術(shù)。所謂數(shù)據(jù)挖掘，即從數(shù)據(jù)中自動提取隱含和潛在有用的信息；該技術(shù)正越來越多地用于商業(yè)、科學和其他應用領(lǐng)域。本書濃墨重彩地描述分類、關(guān)聯(lián)規(guī)則挖掘和聚類。 普通讀者可通過本書自學數(shù)據(jù)挖掘“黑匣子”內(nèi)部的基本原理，并了解如何合理地選擇商業(yè)數(shù)據(jù)挖掘包。學者和資深科研人員可通過本書了解*前沿技術(shù)并進一步推動該領(lǐng)域的發(fā)展。 《數(shù)據(jù)挖掘原理(第3版)》在第2版的基礎(chǔ)上進行擴展，透徹講解適用于平穩(wěn)數(shù)據(jù)的H-Tree算法，以及適用于時間相關(guān)數(shù)據(jù)(概念漂移)的CDH-Tree算法。
國外計算機科學經(jīng)典教材數(shù)據(jù)挖掘原理(第3版)/(英)麥克斯.布拉默 內(nèi)容簡介
《數(shù)據(jù)挖掘原理(第3版)》深入探討重要的數(shù)據(jù)挖掘技術(shù)。所謂數(shù)據(jù)挖掘，即從數(shù)據(jù)中自動提取隱含和潛在有用的信息；該技術(shù)正越來越多地用于商業(yè)、科學和其他應用領(lǐng)域。本書濃墨重彩地描述分類、關(guān)聯(lián)規(guī)則挖掘和聚類。 普通讀者可通過本書自學數(shù)據(jù)挖掘“黑匣子”內(nèi)部的基本原理，并了解如何合理地選擇商業(yè)數(shù)據(jù)挖掘包。學者和資深科研人員可通過本書了解很前沿技術(shù)并進一步推動該領(lǐng)域的發(fā)展。 本書在第2版的基礎(chǔ)上進行擴展，透徹講解適用于平穩(wěn)數(shù)據(jù)的H-Tree算法，以及適用于時間相關(guān)數(shù)據(jù)(概念漂移)的CDH-Tree算法。
國外計算機科學經(jīng)典教材數(shù)據(jù)挖掘原理(第3版)/(英)麥克斯.布拉默 目錄
目 錄
第 1 章 數(shù)據(jù)挖掘簡介 1
1.1 數(shù)據(jù)爆炸 1
1.2 知識發(fā)現(xiàn) 2
1.3 數(shù)據(jù)挖掘的應用 3
1.4 標簽和無標簽數(shù)據(jù) 4
1.5 監(jiān)督學習：分類 4
1.6 監(jiān)督學習：數(shù)值預測 5
1.7 無監(jiān)督學習：關(guān)聯(lián)規(guī)則 6
1.8 無監(jiān)督學習：聚類 7
第 2 章 用于挖掘的數(shù)據(jù) 9
2.1 標準制定 9
2.2 變量的類型 10
2.3 數(shù)據(jù)準備 11
2.4 缺失值 13
2.4.1 丟棄實例 13
2.4.2 用*頻繁值/平均值替換 13
2.5 減少屬性個數(shù) 14
2.6 數(shù)據(jù)集的UCI存儲庫 15
2.7 本章小結(jié) 15
2.8 自我評估練習 15
第 3 章 分類簡介：樸素貝葉斯和*近鄰算法 17
3.1 什么是分類 17
3.2 樸素貝葉斯分類器 18
3.3 *近鄰分類 24
3.3.1 距離測量 26
3.3.2 標準化 28
3.3.3 處理分類屬性 29
3.4 急切式和懶惰式學習 30
3.5 本章小結(jié) 30
3.6 自我評估練習 30
第 4 章 使用決策樹進行分類 31
4.1 決策規(guī)則和決策樹 31
4.1.1 決策樹：高爾夫示例 31
4.1.2 術(shù)語 33
4.1.3 degrees數(shù)據(jù)集 33
4.2 TDIDT算法 36
4.3 推理類型 38
4.4 本章小結(jié) 38
4.5 自我評估練習 39
第 5 章 決策樹歸納：使用熵進行屬性選擇 41
5.1 屬性選擇：一個實驗 41
5.2 替代決策樹 42
5.2.1 足球/無板籃球示例 42
5.2.2 匿名數(shù)據(jù)集 44
5.3 選擇要分裂的屬性：使用熵 46
5.3.1 lens24數(shù)據(jù)集 46
5.3.2 熵 47
5.3.3 使用熵進行屬性選擇 48
5.3.4 信息增益*大化 50
5.4 本章小結(jié) 51
5.5 自我評估練習 51
第 6 章 決策樹歸納：使用頻率表進行屬性選擇 53
6.1 實踐中的熵計算 53
6.1.1 等效性證明 55
6.1.2 關(guān)于零值的說明 56
6.2 其他屬性選擇標準：多樣性基尼指數(shù) 56
6.3 χ2屬性選擇準則 57
6.4 歸納偏好 60
6.5 使用增益比進行屬性選擇 61
6.5.1 分裂信息的屬性 62
6.5.2 總結(jié) 63
6.6 不同屬性選擇標準生成的規(guī)則數(shù) 63
6.7 缺失分支 64
6.8 本章小結(jié) 65
6.9 自我評估練習 65
第 7 章 估計分類器的預測精度 67
7.1 簡介 67
7.2 方法1：將數(shù)據(jù)劃分為訓練集和測試集 68
7.2.1 標準誤差 68
7.2.2 重復訓練和測試 69
7.3 方法2：k-折交叉驗證 70
7.4 方法3：N -折交叉驗證 70
7.5 實驗結(jié)果I 71
7.6 實驗結(jié)果II：包含缺失值的數(shù)據(jù)集 73
7.6.1 策略1：丟棄實例 73
7.6.2 策略2：用*頻繁值/平均值替換 74
7.6.3 類別缺失 75
7.7 混淆矩陣 75
7.8 本章小結(jié) 77
7.9 自我評估練習 77
第 8 章 連續(xù)屬性 79
8.1 簡介 79
8.2 局部與全局離散化 81
8.3 向TDIDT添加局部離散化 81
8.3.1 計算一組偽屬性的信息增益 82
8.3.2 計算效率 86
8.4 使用ChiMerge算法進行全局離散化 88
8.4.1 計算期望值和χ2 90
8.4.2 查找閾值 94
8.4.3 設置minIntervals和maxIntervals 95
8.4.4 ChiMerge算法：總結(jié) 96
8.4.5 對ChiMerge算法的評述 96
8.5 比較樹歸納法的全局離散化和局部離散化 97
8.6 本章小結(jié) 98
8.7 自我評估練習 98
第 9 章 避免決策樹的過度擬合 99
9.1 處理訓練集中的沖突 99
9.2 關(guān)于過度擬合數(shù)據(jù)的更多規(guī)則 103
9.3 預剪枝決策樹 104
9.4 后剪枝決策樹 106
9.5 本章小結(jié) 111
9.6 自我評估練習 111
第 10 章 關(guān)于熵的更多信息 113
10.1 簡介 113
10.2 使用位的編碼信息 116
10.3 區(qū)分值 117
10.4 對“非等可能”的值進行編碼 118
10.5 訓練集的熵 121
10.6 信息增益必須為正數(shù)或零 122
10.7 使用信息增益來簡化分類任務的特征 123
10.7.1 示例1：genetics數(shù)據(jù)集 124
10.7.2 示例2：bcst96數(shù)據(jù)集 126
10.8 本章小結(jié) 128
10.9 自我評估練習 128
第 11 章 歸納分類的模塊化規(guī)則 129
11.1 規(guī)則后剪枝 129
11.2 沖突解決 130
11.3 決策樹的問題 133
11.4 Prism算法 135
11.4.1 基本Prism算法的變化 141
11.4.2 將Prism算法與TDIDT算法進行比較 142
11.5 本章小結(jié) 143
11.6 自我評估練習 143
第 12 章 度量分類器的性能 145
12.1 真假正例和真假負例 146
12.2 性能度量 147
12.3 真假正例率與預測精度 150
12.4 ROC圖 151
12.5 ROC曲線 153
12.6 尋找*佳分類器 153
12.7 本章小結(jié) 155
12.8 自我評估練習 155
第 13 章 處理大量數(shù)據(jù) 157
13.1 簡介 157
13.2 將數(shù)據(jù)分發(fā)到多個處理器 159
13.3 案例研究：PMCRI 161
13.4 評估分布式系統(tǒng)PMCRI的有效性 163
13.5 逐步修改分類器 167
13.6 本章小結(jié) 171
13.7 自我評估練習 171
第 14 章 集成分類 173
14.1 簡介 173
14.2 估計分類器的性能 175
14.3 為每個分類器選擇不同的訓練集 176
14.4 為每個分類器選擇一組不同的屬性 177
14.5 組合分類：替代投票系統(tǒng) 177
14.6 并行集成分類器 180
14.7 本章小結(jié) 181
14.8 自我評估練習 181
第 15 章 比較分類器 183
15.1 簡介 183
15.2 配對t檢驗 184
15.3 為比較評估選擇數(shù)據(jù)集 189
15.4 抽樣 191
15.5 “無顯著差異”的結(jié)果有多糟糕? 193
15.6 本章小結(jié) 194
15.7 自我評估練習 194
第 16 章 關(guān)聯(lián)規(guī)則挖掘I 195
16.1 簡介 195
16.2 規(guī)則興趣度的衡量標準 196
16.2.1 Piatetsky-Shapiro標準和RI度量 198
16.2.2 規(guī)則興趣度度量應用于chess數(shù)據(jù)集 200
16.2.3 使用規(guī)則興趣度度量來解決沖突 201
16.3 關(guān)聯(lián)規(guī)則挖掘任務 202
16.4 找到*佳N條規(guī)則 202
16.4.1 J-Measure：度量規(guī)則的信息內(nèi)容 203
16.4.2 搜索策略 204
16.5 本章小結(jié) 207
16.6 自我評估練習 207
第 17 章 關(guān)聯(lián)規(guī)則挖掘II 209
17.1 簡介 209
17.2 事務和項目集 209
17.3 對項目集的支持 211
17.4 關(guān)聯(lián)規(guī)則 211
17.5 生成關(guān)聯(lián)規(guī)則 213
17.6 Apriori 214
17.7 生成支持項目集：一個示例 217
17.8 為支持項目集生成規(guī)則 219
17.9 規(guī)則興趣度度量：提升度和杠桿率 220
17.10 本章小結(jié) 222
17.11 自我評估練習 222
第 18 章 關(guān)聯(lián)規(guī)則挖掘III：頻繁模式樹 225
18.1 簡介：FP-growth 225
18.2 構(gòu)造FP-tree 227
18.2.1 預處理事務數(shù)據(jù)庫 227
18.2.2 初始化 229
18.2.3 處理事務1：f, c, a, m, p 230
18.2.4 處理事務2：f, c, a, b, m 231
18.2.5 處理事務3：f, b 235
18.2.6 處理事務4：c, b, p 236
18.2.7 處理事務5：f, c, a, m, p 236
18.3 從FP-tree中查找頻繁項目集 238
18.3.1 以項目p結(jié)尾的項目集 240
18.3.2 以項目m結(jié)尾的項目集 248
18.4 本章小結(jié) 254
18.5 自我評估練習 254
第 19 章 聚類 255
19.1 簡介 255
19.2 k-means聚類 257
19.2.1 示例 258
19.2.2 找到*佳簇集 262
19.3 凝聚式層次聚類 263
19.3.1 記錄簇間距離 265
19.3.2 終止聚類過程 268
19.4 本章小結(jié) 268
19.5 自我評估練習 268
第 20 章 文本挖掘 269
20.1 多重分類 269
20.2 表示數(shù)據(jù)挖掘的文本文檔 270
20.3 停用詞和詞干 271
20.4 使用信息增益來減少特征 272
20.5 表示文本文檔：構(gòu)建向量空間模型 272
20.6 規(guī)范權(quán)重 273
20.7 測量兩個向量之間的距離 274
20.8 度量文本分類器的性能 275
20.9 超文本分類 275
20.9.1 對網(wǎng)頁進行分類 276
20.9.2 超文本分類與文本分類 277
20.10 本章小結(jié) 279
20.11 自我評估練習 280
第 21 章 分類流數(shù)據(jù) 281
21.1 簡介 281
21.2 構(gòu)建H-Tree：更新數(shù)組 283
21.2.1 currentAtts數(shù)組 284
21.2.2 splitAtt數(shù)組 284
21.2.3 將記錄排序到適當?shù)娜~節(jié)點 284
21.2.4 hitcount數(shù)組 285
21.2.5 classtotals數(shù)組 285
21.2.6 acvCounts陣列 285
21.2.7 branch數(shù)組 286
21.3 構(gòu)建H-Tree：詳細示例 287
21.3.1 步驟1：初始化根節(jié)點0 287
21.3.2 步驟2：開始讀取記錄 287
21.3.3 步驟3：考慮在節(jié)點0處分裂 288
21.3.4 步驟4：在根節(jié)點上拆分并初始化新的葉節(jié)點 289
21.3.5 步驟5：處理下一組記錄 290
21.3.6 步驟6：考慮在節(jié)點2處分裂 292
21.3.7 步驟7：處理下一組記錄 292
21.3.8 H-Tree算法概述 293
21.4 分裂屬性：使用信息增益 295
21.5 分裂屬性：使用Hoeffding邊界 297
21.6 H-Tree算法：*終版本 300
21.7 使用不斷進化的H-Tree進行預測 302
21.8 實驗：H-Tree與TDIDT 304
21.8.1 lens24數(shù)據(jù)集 304
21.8.2 vote數(shù)據(jù)集 306
21.9 本章小結(jié) 307
21.10 自我評估練習 307
第 22 章 分類流數(shù)據(jù)II：時間相關(guān)數(shù)據(jù) 309
22.1 平穩(wěn)數(shù)據(jù)與時間相關(guān)數(shù)據(jù) 309
22.2 H-Tree算法總結(jié) 311
22.2.1 currentAtts數(shù)組 312
22.2.2 splitAtt數(shù)組 312
22.2.3 hitcount數(shù)組 312
22.2.4 classtotals數(shù)組 312
22.2.5 acvCounts數(shù)組 313
22.2.6 branch數(shù)組 313
22.2.7 H-Tree算法的偽代碼 313
22.3 從H-Tree到CDH-Tree：概述 315
22.4 從H-Tree轉(zhuǎn)換到CDH-Tree：遞增計數(shù) 315
22.5 滑動窗口法 316
22.6 在節(jié)點處重新分裂 320
22.7 識別可疑節(jié)點 320
22.8 創(chuàng)建備用節(jié)點 322
22.9 成長/遺忘備用節(jié)點及其后代 325
22.10 用備用節(jié)點替換一個內(nèi)部節(jié)點 327
22.11 實驗：跟蹤概念漂移 333
22.11.1 lens24數(shù)據(jù)：替代模式 335
22.11.2 引入概念漂移 335
22.11.3 使用交替lens24數(shù)據(jù)的實驗 336
22.11.4 關(guān)于實驗的評論 343
22.12 本章小結(jié) 343
22.13 自我評估練習 343
附錄 A 基本數(shù)學知識 345
附錄 B 數(shù)據(jù)集 357
附錄 C 更多信息來源 371
附錄 D 詞匯表和符號 373
附錄 E 自我評估練習題答案 391
參考文獻 419
第 1 章 數(shù)據(jù)挖掘簡介 1
1.1 數(shù)據(jù)爆炸 1
1.2 知識發(fā)現(xiàn) 2
1.3 數(shù)據(jù)挖掘的應用 3
1.4 標簽和無標簽數(shù)據(jù) 4
1.5 監(jiān)督學習：分類 4
1.6 監(jiān)督學習：數(shù)值預測 5
1.7 無監(jiān)督學習：關(guān)聯(lián)規(guī)則 6
1.8 無監(jiān)督學習：聚類 7
第 2 章 用于挖掘的數(shù)據(jù) 9
2.1 標準制定 9
2.2 變量的類型 10
2.3 數(shù)據(jù)準備 11
2.4 缺失值 13
2.4.1 丟棄實例 13
2.4.2 用*頻繁值/平均值替換 13
2.5 減少屬性個數(shù) 14
2.6 數(shù)據(jù)集的UCI存儲庫 15
2.7 本章小結(jié) 15
2.8 自我評估練習 15
第 3 章 分類簡介：樸素貝葉斯和*近鄰算法 17
3.1 什么是分類 17
3.2 樸素貝葉斯分類器 18
3.3 *近鄰分類 24
3.3.1 距離測量 26
3.3.2 標準化 28
3.3.3 處理分類屬性 29
3.4 急切式和懶惰式學習 30
3.5 本章小結(jié) 30
3.6 自我評估練習 30
第 4 章 使用決策樹進行分類 31
4.1 決策規(guī)則和決策樹 31
4.1.1 決策樹：高爾夫示例 31
4.1.2 術(shù)語 33
4.1.3 degrees數(shù)據(jù)集 33
4.2 TDIDT算法 36
4.3 推理類型 38
4.4 本章小結(jié) 38
4.5 自我評估練習 39
第 5 章 決策樹歸納：使用熵進行屬性選擇 41
5.1 屬性選擇：一個實驗 41
5.2 替代決策樹 42
5.2.1 足球/無板籃球示例 42
5.2.2 匿名數(shù)據(jù)集 44
5.3 選擇要分裂的屬性：使用熵 46
5.3.1 lens24數(shù)據(jù)集 46
5.3.2 熵 47
5.3.3 使用熵進行屬性選擇 48
5.3.4 信息增益*大化 50
5.4 本章小結(jié) 51
5.5 自我評估練習 51
第 6 章 決策樹歸納：使用頻率表進行屬性選擇 53
6.1 實踐中的熵計算 53
6.1.1 等效性證明 55
6.1.2 關(guān)于零值的說明 56
6.2 其他屬性選擇標準：多樣性基尼指數(shù) 56
6.3 χ2屬性選擇準則 57
6.4 歸納偏好 60
6.5 使用增益比進行屬性選擇 61
6.5.1 分裂信息的屬性 62
6.5.2 總結(jié) 63
6.6 不同屬性選擇標準生成的規(guī)則數(shù) 63
6.7 缺失分支 64
6.8 本章小結(jié) 65
6.9 自我評估練習 65
第 7 章 估計分類器的預測精度 67
7.1 簡介 67
7.2 方法1：將數(shù)據(jù)劃分為訓練集和測試集 68
7.2.1 標準誤差 68
7.2.2 重復訓練和測試 69
7.3 方法2：k-折交叉驗證 70
7.4 方法3：N -折交叉驗證 70
7.5 實驗結(jié)果I 71
7.6 實驗結(jié)果II：包含缺失值的數(shù)據(jù)集 73
7.6.1 策略1：丟棄實例 73
7.6.2 策略2：用*頻繁值/平均值替換 74
7.6.3 類別缺失 75
7.7 混淆矩陣 75
7.8 本章小結(jié) 77
7.9 自我評估練習 77
第 8 章 連續(xù)屬性 79
8.1 簡介 79
8.2 局部與全局離散化 81
8.3 向TDIDT添加局部離散化 81
8.3.1 計算一組偽屬性的信息增益 82
8.3.2 計算效率 86
8.4 使用ChiMerge算法進行全局離散化 88
8.4.1 計算期望值和χ2 90
8.4.2 查找閾值 94
8.4.3 設置minIntervals和maxIntervals 95
8.4.4 ChiMerge算法：總結(jié) 96
8.4.5 對ChiMerge算法的評述 96
8.5 比較樹歸納法的全局離散化和局部離散化 97
8.6 本章小結(jié) 98
8.7 自我評估練習 98
第 9 章 避免決策樹的過度擬合 99
9.1 處理訓練集中的沖突 99
9.2 關(guān)于過度擬合數(shù)據(jù)的更多規(guī)則 103
9.3 預剪枝決策樹 104
9.4 后剪枝決策樹 106
9.5 本章小結(jié) 111
9.6 自我評估練習 111
第 10 章 關(guān)于熵的更多信息 113
10.1 簡介 113
10.2 使用位的編碼信息 116
10.3 區(qū)分值 117
10.4 對“非等可能”的值進行編碼 118
10.5 訓練集的熵 121
10.6 信息增益必須為正數(shù)或零 122
10.7 使用信息增益來簡化分類任務的特征 123
10.7.1 示例1：genetics數(shù)據(jù)集 124
10.7.2 示例2：bcst96數(shù)據(jù)集 126
10.8 本章小結(jié) 128
10.9 自我評估練習 128
第 11 章 歸納分類的模塊化規(guī)則 129
11.1 規(guī)則后剪枝 129
11.2 沖突解決 130
11.3 決策樹的問題 133
11.4 Prism算法 135
11.4.1 基本Prism算法的變化 141
11.4.2 將Prism算法與TDIDT算法進行比較 142
11.5 本章小結(jié) 143
11.6 自我評估練習 143
第 12 章 度量分類器的性能 145
12.1 真假正例和真假負例 146
12.2 性能度量 147
12.3 真假正例率與預測精度 150
12.4 ROC圖 151
12.5 ROC曲線 153
12.6 尋找*佳分類器 153
12.7 本章小結(jié) 155
12.8 自我評估練習 155
第 13 章 處理大量數(shù)據(jù) 157
13.1 簡介 157
13.2 將數(shù)據(jù)分發(fā)到多個處理器 159
13.3 案例研究：PMCRI 161
13.4 評估分布式系統(tǒng)PMCRI的有效性 163
13.5 逐步修改分類器 167
13.6 本章小結(jié) 171
13.7 自我評估練習 171
第 14 章 集成分類 173
14.1 簡介 173
14.2 估計分類器的性能 175
14.3 為每個分類器選擇不同的訓練集 176
14.4 為每個分類器選擇一組不同的屬性 177
14.5 組合分類：替代投票系統(tǒng) 177
14.6 并行集成分類器 180
14.7 本章小結(jié) 181
14.8 自我評估練習 181
第 15 章 比較分類器 183
15.1 簡介 183
15.2 配對t檢驗 184
15.3 為比較評估選擇數(shù)據(jù)集 189
15.4 抽樣 191
15.5 “無顯著差異”的結(jié)果有多糟糕? 193
15.6 本章小結(jié) 194
15.7 自我評估練習 194
第 16 章 關(guān)聯(lián)規(guī)則挖掘I 195
16.1 簡介 195
16.2 規(guī)則興趣度的衡量標準 196
16.2.1 Piatetsky-Shapiro標準和RI度量 198
16.2.2 規(guī)則興趣度度量應用于chess數(shù)據(jù)集 200
16.2.3 使用規(guī)則興趣度度量來解決沖突 201
16.3 關(guān)聯(lián)規(guī)則挖掘任務 202
16.4 找到*佳N條規(guī)則 202
16.4.1 J-Measure：度量規(guī)則的信息內(nèi)容 203
16.4.2 搜索策略 204
16.5 本章小結(jié) 207
16.6 自我評估練習 207
第 17 章 關(guān)聯(lián)規(guī)則挖掘II 209
17.1 簡介 209
17.2 事務和項目集 209
17.3 對項目集的支持 211
17.4 關(guān)聯(lián)規(guī)則 211
17.5 生成關(guān)聯(lián)規(guī)則 213
17.6 Apriori 214
17.7 生成支持項目集：一個示例 217
17.8 為支持項目集生成規(guī)則 219
17.9 規(guī)則興趣度度量：提升度和杠桿率 220
17.10 本章小結(jié) 222
17.11 自我評估練習 222
第 18 章 關(guān)聯(lián)規(guī)則挖掘III：頻繁模式樹 225
18.1 簡介：FP-growth 225
18.2 構(gòu)造FP-tree 227
18.2.1 預處理事務數(shù)據(jù)庫 227
18.2.2 初始化 229
18.2.3 處理事務1：f, c, a, m, p 230
18.2.4 處理事務2：f, c, a, b, m 231
18.2.5 處理事務3：f, b 235
18.2.6 處理事務4：c, b, p 236
18.2.7 處理事務5：f, c, a, m, p 236
18.3 從FP-tree中查找頻繁項目集 238
18.3.1 以項目p結(jié)尾的項目集 240
18.3.2 以項目m結(jié)尾的項目集 248
18.4 本章小結(jié) 254
18.5 自我評估練習 254
第 19 章 聚類 255
19.1 簡介 255
19.2 k-means聚類 257
19.2.1 示例 258
19.2.2 找到*佳簇集 262
19.3 凝聚式層次聚類 263
19.3.1 記錄簇間距離 265
19.3.2 終止聚類過程 268
19.4 本章小結(jié) 268
19.5 自我評估練習 268
第 20 章 文本挖掘 269
20.1 多重分類 269
20.2 表示數(shù)據(jù)挖掘的文本文檔 270
20.3 停用詞和詞干 271
20.4 使用信息增益來減少特征 272
20.5 表示文本文檔：構(gòu)建向量空間模型 272
20.6 規(guī)范權(quán)重 273
20.7 測量兩個向量之間的距離 274
20.8 度量文本分類器的性能 275
20.9 超文本分類 275
20.9.1 對網(wǎng)頁進行分類 276
20.9.2 超文本分類與文本分類 277
20.10 本章小結(jié) 279
20.11 自我評估練習 280
第 21 章 分類流數(shù)據(jù) 281
21.1 簡介 281
21.2 構(gòu)建H-Tree：更新數(shù)組 283
21.2.1 currentAtts數(shù)組 284
21.2.2 splitAtt數(shù)組 284
21.2.3 將記錄排序到適當?shù)娜~節(jié)點 284
21.2.4 hitcount數(shù)組 285
21.2.5 classtotals數(shù)組 285
21.2.6 acvCounts陣列 285
21.2.7 branch數(shù)組 286
21.3 構(gòu)建H-Tree：詳細示例 287
21.3.1 步驟1：初始化根節(jié)點0 287
21.3.2 步驟2：開始讀取記錄 287
21.3.3 步驟3：考慮在節(jié)點0處分裂 288
21.3.4 步驟4：在根節(jié)點上拆分并初始化新的葉節(jié)點 289
21.3.5 步驟5：處理下一組記錄 290
21.3.6 步驟6：考慮在節(jié)點2處分裂 292
21.3.7 步驟7：處理下一組記錄 292
21.3.8 H-Tree算法概述 293
21.4 分裂屬性：使用信息增益 295
21.5 分裂屬性：使用Hoeffding邊界 297
21.6 H-Tree算法：*終版本 300
21.7 使用不斷進化的H-Tree進行預測 302
21.8 實驗：H-Tree與TDIDT 304
21.8.1 lens24數(shù)據(jù)集 304
21.8.2 vote數(shù)據(jù)集 306
21.9 本章小結(jié) 307
21.10 自我評估練習 307
第 22 章 分類流數(shù)據(jù)II：時間相關(guān)數(shù)據(jù) 309
22.1 平穩(wěn)數(shù)據(jù)與時間相關(guān)數(shù)據(jù) 309
22.2 H-Tree算法總結(jié) 311
22.2.1 currentAtts數(shù)組 312
22.2.2 splitAtt數(shù)組 312
22.2.3 hitcount數(shù)組 312
22.2.4 classtotals數(shù)組 312
22.2.5 acvCounts數(shù)組 313
22.2.6 branch數(shù)組 313
22.2.7 H-Tree算法的偽代碼 313
22.3 從H-Tree到CDH-Tree：概述 315
22.4 從H-Tree轉(zhuǎn)換到CDH-Tree：遞增計數(shù) 315
22.5 滑動窗口法 316
22.6 在節(jié)點處重新分裂 320
22.7 識別可疑節(jié)點 320
22.8 創(chuàng)建備用節(jié)點 322
22.9 成長/遺忘備用節(jié)點及其后代 325
22.10 用備用節(jié)點替換一個內(nèi)部節(jié)點 327
22.11 實驗：跟蹤概念漂移 333
22.11.1 lens24數(shù)據(jù)：替代模式 335
22.11.2 引入概念漂移 335
22.11.3 使用交替lens24數(shù)據(jù)的實驗 336
22.11.4 關(guān)于實驗的評論 343
22.12 本章小結(jié) 343
22.13 自我評估練習 343
附錄 A 基本數(shù)學知識 345
附錄 B 數(shù)據(jù)集 357
附錄 C 更多信息來源 371
附錄 D 詞匯表和符號 373
附錄 E 自我評估練習題答案 391
參考文獻 419
展開全部
國外計算機科學經(jīng)典教材數(shù)據(jù)挖掘原理(第3版)/(英)麥克斯.布拉默 作者簡介
Max Bramer是英國樸次茅斯大學信息技術(shù)系榮譽教授、IFIP副主席、英國計算機學會AI專家組主席。
自從 “數(shù)據(jù)挖掘”“數(shù)據(jù)庫中的知識發(fā)現(xiàn)”“大數(shù)據(jù)”和“預測分析”等技術(shù)興起以來，Max積極參與了多個數(shù)據(jù)挖掘項目，尤其是與數(shù)據(jù)自動分類相關(guān)的項目。
Max發(fā)表了大量技術(shù)文章，曾撰寫Research and Development in Intelligent Systems等著作。Max具有多年的本科和研究生教學經(jīng)驗。
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
推拿
- >
詩經(jīng)-先民的歌唱
- >
經(jīng)典常談
- >
苦雨齋序跋文-周作人自編集
- >
李白與唐代文化
- >
名家?guī)阕x魯迅:故事新編
- >
中國歷史的瞬間
本類暢銷
