數據挖掘導論(中文版)pdf格式【完整電子版】

數據挖掘導論一書基本上涵蓋了數據挖掘的許多經典算法，分類，聚類，關聯規則，是一本比較適合對數據挖掘感興趣的人閱讀的書籍。該書內容以實例為重，給出了常用算法的偽代碼，和《模式識別》、《模式分類》等專著比起來，該書略去了各個定理的證明部分，并通過大量枚舉具體的分類實例，來簡要說明算法的流程和意義。本節內容東坡小編為大家整理帶來的是一份pdf格式完整電子版數據挖掘導論(中文版)，歡迎有需要的朋友前來下載查閱。

數據挖掘導論(中文版)簡介

本書是明尼蘇達大學和密歇根州立大學數據挖掘課程的教材，由于獨具特色，正式出版之前就已經被斯坦福大學、得克薩斯大學奧斯汀分校等眾多名校采用。

該書全面介紹了數據挖掘，涵蓋了五個主題：數據、分類、關聯分析、聚類和異常檢測。除異常檢測外，每個主題都有兩章。前一章涵蓋基本概念、代表性算法和評估技術，而后一章討論高級概念和算法。這樣讀者在透徹地理解數據挖掘的基礎的同時，還能夠了解更多重要的高級主題。

數據挖掘中文版目錄

第1章 緒論 1

1.1 什么是數據挖掘 2

1.2 數據挖掘要解決的問題 2

1.3 數據挖掘的起源 3

1.4 數據挖掘任務 4

1.5 本書的內容與組織 7

文獻注釋 7

參考文獻 8

習題 10

第2章 數據 13

2.1 數據類型 14

2.1.1 屬性與度量 15

2.1.2 數據集的類型 18

2.2 數據質量 22

2.2.1 測量和數據收集問題 22

2.2.2 關于應用的問題 26

2.3 數據預處理 27

2.3.1 聚集 27

2.3.2 抽樣 28

2.3.3 維歸約 30

2.3.4 特征子集選擇 31

2.3.5 特征創建 33

2.3.6 離散化和二元化 34

2.3.7 變量變換 38

2.4 相似性和相異性的度量 38

2.4.1 基礎 39

2.4.2 簡單屬性之間的相似度和相異度 40

2.4.3 數據對象之間的相異度 41

2.4.4 數據對象之間的相似度 43

2.4.5 鄰近性度量的例子 43

2.4.6 鄰近度計算問題 48

2.4.7 選取正確的鄰近性度量 50

文獻注釋 50

參考文獻 52

習題 53

第3章 探索數據 59

3.1 鳶尾花數據集 59

3.2 匯總統計 60

3.2.1 頻率和眾數 60

3.2.2 百分位數 61

3.2.3 位置度量：均值和中位數 61

3.2.4 散布度量：極差和方差 62

3.2.5 多元匯總統計 63

3.2.6 匯總數據的其他方法 64

3.3 可視化 64

3.3.1 可視化的動機 64

3.3.2 一般概念 65

3.3.3 技術 67

3.3.4 可視化高維數據 75

3.3.5 注意事項 79

3.4 OLAP和多維數據分析 79

3.4.1 用多維數組表示鳶尾花數據 80

3.4.2 多維數據：一般情況 81

3.4.3 分析多維數據 82

3.4.4 關于多維數據分析的最后評述 84

文獻注釋 84

參考文獻 85

習題 86

第4章 分類：基本概念、決策樹與模型評估 89

4.1 預備知識 89

4.2 解決分類問題的一般方法 90

4.3 決策樹歸納 92

4.3.1 決策樹的工作原理 92

4.3.2 如何建立決策樹 93

4.3.3 表示屬性測試條件的方法 95

4.3.4 選擇最佳劃分的度量 96

4.3.5 決策樹歸納算法 101

4.3.6 例子：Web 機器人檢測 102

4.3.7 決策樹歸納的特點 103

4.4 模型的過分擬合 106

4.4.1 噪聲導致的過分擬合 107

4.4.2 缺乏代表性樣本導致的過分擬合 109

4.4.3 過分擬合與多重比較過程 109

4.4.4 泛化誤差估計 110

4.4.5 處理決策樹歸納中的過分擬合 113

4.5 評估分類器的性能 114

4.5.1 保持方法 114

4.5.2 隨機二次抽樣 115

4.5.3 交叉驗證 115

4.5.4 自助法 115

4.6 比較分類器的方法 116

4.6.1 估計準確度的置信區間 116

4.6.2 比較兩個模型的性能 117

4.6.3 比較兩種分類法的性能 118

文獻注釋 118

參考文獻 120

習題 122

第5章 分類：其他技術 127

5.1 基于規則的分類器 127

5.1.1 基于規則的分類器的工作原理 128

5.1.2 規則的排序方案 129

5.1.3 如何建立基于規則的分類器 130

5.1.4 規則提取的直接方法 130

5.1.5 規則提取的間接方法 135

5.1.6 基于規則的分類器的特征 136

5.2 最近鄰分類器 137

5.2.1 算法 138

5.2.2 最近鄰分類器的特征 138

5.3 貝葉斯分類器 139

5.3.1 貝葉斯定理 139

5.3.2 貝葉斯定理在分類中的應用 140

5.3.3 樸素貝葉斯分類器 141

5.3.4 貝葉斯誤差率 145

5.3.5 貝葉斯信念網絡 147

5.4 人工神經網絡 150

5.4.1 感知器 151

5.4.2 多層人工神經網絡 153

5.4.3 人工神經網絡的特點 155

5.5 支持向量機 156

5.5.1 最大邊緣超平面 156

5.5.2 線性支持向量機：可分情況 157

5.5.3 線性支持向量機：不可分情況 162

5.5.4 非線性支持向量機 164

5.5.5 支持向量機的特征 168

5.6 組合方法 168

5.6.1 組合方法的基本原理 168

5.6.2 構建組合分類器的方法 169

5.6.3 偏倚—方差分解 171

5.6.4 裝袋 173

5.6.5 提升 175

5.6.6 隨機森林 178

5.6.7 組合方法的實驗比較 179

5.7 不平衡類問題 180

5.7.1 可選度量 180

5.7.2 接受者操作特征曲線 182

5.7.3 代價敏感學習 184

5.7.4 基于抽樣的方法 186

5.8 多類問題 187

文獻注釋 189

參考文獻 190

習題 193

第6章 關聯分析：基本概念和算法 201

6.1 問題定義 202

6.2 頻繁項集的產生 204

6.2.1 先驗原理 205

6.2.2 Apriori算法的頻繁項集產生 206

6.2.3　候選的產生與剪枝 208

6.2.4 支持度計數 210

6.2.5 計算復雜度 213

6.3 規則產生 215

6.3.1 基于置信度的剪枝 215

6.3.2 Apriori算法中規則的產生 215

6.3.3 例：美國國會投票記錄 217

6.4 頻繁項集的緊湊表示 217

6.4.1 極大頻繁項集 217

6.4.2 閉頻繁項集 219

6.5 產生頻繁項集的其他方法 221

6.6 FP增長算法 223

6.6.1 FP樹表示法 224

6.6.2 FP增長算法的頻繁項集產生 225

6.7 關聯模式的評估 228

6.7.1 興趣度的客觀度量 228

6.7.2 多個二元變量的度量 235

6.7.3 辛普森悖論 236

6.8 傾斜支持度分布的影響 237

文獻注釋 240

參考文獻 244

習題 250

第7章 關聯分析：高級概念 259

7.1 處理分類屬性 259

7.2 處理連續屬性 261

7.2.1 基于離散化的方法 261

7.2.2 基于統計學的方法 263

7.2.3 非離散化方法 265

7.3 處理概念分層 266

7.4 序列模式 267

7.4.1 問題描述 267

7.4.2 序列模式發現 269

7.4.3 時限約束 271

7.4.4 可選計數方案 274

7.5 子圖模式 275

7.5.1 圖與子圖 276

7.5.2 頻繁子圖挖掘 277

7.5.3 類Apriori方法 278

7.5.4 候選產生 279

7.5.5 候選剪枝 282

7.5.6 支持度計數 285

7.6 非頻繁模式 285

7.6.1 負模式 285

7.6.2 負相關模式 286

7.6.3 非頻繁模式、負模式和負相關模式比較 287

7.6.4 挖掘有趣的非頻繁模式的技術 288

7.6.5 基于挖掘負模式的技術 288

7.6.6 基于支持度期望的技術 290

文獻注釋 292

參考文獻 293

習題 295

第8章 聚類分析：基本概念和算法 305

8.1 概述 306

8.1.1 什么是聚類分析 306

8.1.2 不同的聚類類型 307

8.1.3 不同的簇類型 308

8.2 K均值 310

8.2.1 基本K均值算法 310

8.2.2 K均值：附加的問題 315

8.2.3 二分K均值 316

8.2.4 K均值和不同的簇類型 317

8.2.5 優點與缺點 318

8.2.6 K均值作為優化問題 319

8.3 凝聚層次聚類 320

8.3.1 基本凝聚層次聚類算法 321

8.3.2 特殊技術 322

8.3.3 簇鄰近度的Lance-Williams公式 325

8.3.4 層次聚類的主要問題 326

8.3.5 優點與缺點 327

8.4 DBSCAN 327

8.4.1 傳統的密度：基于中心的方法 327

8.4.2 DBSCAN算法 328

8.4.3 優點與缺點 329

8.5 簇評估 330

8.5.1 概述 332

8.5.2 非監督簇評估：使用凝聚度和分離度 332

8.5.3 非監督簇評估：使用鄰近度矩陣 336

8.5.4 層次聚類的非監督評估 338

8.5.5 確定正確的簇個數 339

8.5.6 聚類趨勢 339

8.5.7 簇有效性的監督度量 340

8.5.8 評估簇有效性度量的顯著性 343

文獻注釋 344

參考文獻 345

習題 347

第9章 聚類分析：其他問題與算法 355

9.1 數據、簇和聚類算法的特性 355

9.1.1 例子：比較K均值和DBSCAN 355

9.1.2 數據特性 356

9.1.3 簇特性 357

9.1.4 聚類算法的一般特性 358

9.2 基于原型的聚類 359

9.2.1 模糊聚類 359

9.2.2 使用混合模型的聚類 362

9.2.3 自組織映射 369

9.3 基于密度的聚類 372

9.3.1 基于網格的聚類 372

9.3.2 子空間聚類 374

9.3.3 DENCLUE：基于密度聚類的一種基于核的方案 377

9.4 基于圖的聚類 379

9.4.1 稀疏化 379

9.4.2 最小生成樹聚類 380

9.4.3 OPOSSUM：使用METIS的稀疏相似度最優劃分 381

9.4.4 Chameleon：使用動態建模的層次聚類 381

9.4.5 共享最近鄰相似度 385

9.4.6 Jarvis-Patrick聚類算法 387

9.4.7 SNN密度 388

9.4.8 基于SNN密度的聚類 389

9.5 可伸縮的聚類算法 390

9.5.1 可伸縮：一般問題和方法 391

9.5.2 BIRCH 392

9.5.3 CURE 393

9.6 使用哪種聚類算法 395

文獻注釋 397

參考文獻 398

習題 400

第10章 異常檢測 403

10.1 預備知識 404

10.1.1 異常的成因 404

10.1.2 異常檢測方法 404

10.1.3 類標號的使用 405

10.1.4 問題 405

10.2 統計方法 406

10.2.1 檢測一元正態分布中的離群點 407

10.2.2 多元正態分布的離群點 408

10.2.3 異常檢測的混合模型方法 410

10.2.4 優點與缺點 411

10.3 基于鄰近度的離群點檢測 411

10.4 基于密度的離群點檢測 412

10.4.1 使用相對密度的離群點檢測 413

10.4.2 優點與缺點 414

10.5 基于聚類的技術 414

10.5.1 評估對象屬于簇的程度 415

10.5.2 離群點對初始聚類的影響 416

10.5.3 使用簇的個數 416

10.5.4 優點與缺點 416

文獻注釋 417

參考文獻 418

習題 420

附錄A 線性代數 423

附錄B 維歸約 433

附錄C 概率統計 445

附錄D 回歸 451

附錄E 優化 457

數據挖掘中文版內容截圖