相關商品
商品簡介
作者簡介
目次
商品簡介
本書全面地介紹了數據挖掘的相關主題，包括數據理解與數據準備、關聯規則挖掘、多元統計中的降維方法、聚類分析、神經網絡、決策樹方法、模型評估等內容。全書體系完整，文字精煉，注重對數據挖掘方法的直覺理解及其應用；同時，保持了一定的嚴謹性，為學生理解和運用這些方法提供了堅實的基礎。
本書實例豐富，并附有相應SAS程序，以便于學生盡快理解相關內容并用以解決實際問題。
本書配有教輔，可以免費提供給任課教師使用。如需要，歡迎填寫書后的“教師反饋及課件申請表”索取。
本書實例豐富，并附有相應SAS程序，以便于學生盡快理解相關內容并用以解決實際問題。
本書配有教輔，可以免費提供給任課教師使用。如需要，歡迎填寫書后的“教師反饋及課件申請表”索取。
作者簡介
張俊妮，美國哈佛大學統計學博士，現為北京大學光華管理學院商務統計及經濟計量系副教授。研究領域包括因果推斷、貝葉斯分析、蒙特卡洛方法、數據挖掘。
目次
第一章 數據挖掘概述
1.1 什麼是數據挖掘
1.2 數據挖掘的應用
1.3 數據挖掘方法論
第二章 數據理解和數據準備
2.1 數據理解
2.2 數據準備
2.3 使用SAS進行數據理解和數據準備：FNBA信用卡數據
第三章 關聯規則挖掘
3.1 關聯規則的實際意義
3.2 關聯規則的基本概念及Apriori算法
3.3 負關聯規則
3.4 序列關聯規則
3.5 使用SAS進行關聯規則挖掘
第四章 多元統計中的降維方法
4.1 主成分分析
4.2 探索性因子分析
4.3 多維標度分析
第五章 聚類分析
5.1 距離與相似度的度量
5.2 k均值聚類法
5.3 層次聚類法
第六章 預測性建模的一些基本方法
6.1 判別分析
6.2 樸素貝葉斯分類算法
6.3 k近鄰法
6.4 線性模型與廣義線性模型
第七章 神經網絡
7.1 神經網絡架構及基本組成
7.2 誤差函數
7.3 神經網絡訓練算法
7.4 提高神經網絡模型的可推廣性
7.5 數據預處理
7.6 使用SAS建立神經網絡模型
7.7 自組織圖
第八章 決策樹
8.1 決策樹簡介
8.2 決策樹的生長與修剪
8.3 對缺失數據的處理
8.4 變量選擇
8.5 決策樹的優缺點
第九章 模型評估
9.1 因變量為二分變量的情形
9.2 因變量為多分變量的情形
9.3 因變量為連續變量的情形
9.4 使用SAS評估模型
第十章 模型組合與兩階段模型
10.1 模型組合
10.2 隨機森林
10.3 兩階段模型
參考文獻
1.1 什麼是數據挖掘
1.2 數據挖掘的應用
1.3 數據挖掘方法論
第二章 數據理解和數據準備
2.1 數據理解
2.2 數據準備
2.3 使用SAS進行數據理解和數據準備：FNBA信用卡數據
第三章 關聯規則挖掘
3.1 關聯規則的實際意義
3.2 關聯規則的基本概念及Apriori算法
3.3 負關聯規則
3.4 序列關聯規則
3.5 使用SAS進行關聯規則挖掘
第四章 多元統計中的降維方法
4.1 主成分分析
4.2 探索性因子分析
4.3 多維標度分析
第五章 聚類分析
5.1 距離與相似度的度量
5.2 k均值聚類法
5.3 層次聚類法
第六章 預測性建模的一些基本方法
6.1 判別分析
6.2 樸素貝葉斯分類算法
6.3 k近鄰法
6.4 線性模型與廣義線性模型
第七章 神經網絡
7.1 神經網絡架構及基本組成
7.2 誤差函數
7.3 神經網絡訓練算法
7.4 提高神經網絡模型的可推廣性
7.5 數據預處理
7.6 使用SAS建立神經網絡模型
7.7 自組織圖
第八章 決策樹
8.1 決策樹簡介
8.2 決策樹的生長與修剪
8.3 對缺失數據的處理
8.4 變量選擇
8.5 決策樹的優缺點
第九章 模型評估
9.1 因變量為二分變量的情形
9.2 因變量為多分變量的情形
9.3 因變量為連續變量的情形
9.4 使用SAS評估模型
第十章 模型組合與兩階段模型
10.1 模型組合
10.2 隨機森林
10.3 兩階段模型
參考文獻
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。