預測分析與資料採擷 RapidMiner實現 ( 簡體 字) |
作者:[美]瓦傑•考圖(Vijay Kotu) 巴拉•達什潘德(Bala Deshpande) | 類別:1. -> 程式設計 -> 數據挖掘 2. -> 程式設計 -> 深度學習 |
譯者: |
出版社:人民郵電出版社 | 3dWoo書號: 48441 詢問書籍請說出此書號!【缺書】 NT售價: 495 元 |
出版日:2/1/2018 |
頁數:325 |
光碟數:0 |
|
站長推薦: |
印刷:黑白印刷 | 語系: ( 簡體 版 ) |
|
加入購物車 │加到我的最愛 (請先登入會員) |
ISBN:9787115473660 |
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
作者序: |
譯者序: |
前言: |
內容簡介:大資料與機器學習書籍 資料採擷與開來源資料分析實踐 用通俗易懂的方式解釋多種演算法原理 並利用RapidMiner實現
《預測分析與資料採擷 RapidMiner實現》旨在幫助讀者理解資料採擷方法的基礎知識,並實現無需編寫代碼就能在自己的工作中實踐這些方法。書中圍繞分類、回歸、關聯分析、聚類、異常檢測、文本挖掘、時間序列預測、特徵分析等資料採擷問題,著重介紹了決策樹、k近鄰、人工神經網路、線性回歸、k均值聚類等當今廣泛使用的二十多種演算法,針對每一種演算法都先以通俗的語言解釋其原理,再使用開來源資料分析工具 RapidMiner加以實現。
《預測分析與資料採擷 RapidMiner實現》適合在日常工作中大量接觸資料的分析師、金融專家、市場行銷人員、商務專業人士等閱讀。 |
目錄: 第 1章 引言 1
1.1 什麼是資料採擷 2
1.1.1 有意義模式的提取 2
1.1.2 代表性模型的構建 2
1.1.3 統計、機器學習和計算的搭配 3
1.1.4 演算法 4
1.2 對資料採擷的誤解 4
1.3 資料採擷的初衷 5
1.3.1 海量數據 5
1.3.2 多維 6
1.3.3 複雜問題 6
1.4 資料採擷的種類 7
1.5 資料採擷的演算法 8
1.6 後續章節導覽 9
1.6.1 資料採擷的序曲 9
1.6.2 小插曲 10
1.6.3 主要內容:預測分析和資料採擷演算法 10
1.6.4 特別應用 12
參考文獻 13
第 2章 資料採擷流程 14
2.1 先驗知識 16
2.1.1 目標 16
2.1.2 研究問題的背景 17
2.1.3 數據 17
2.1.4 因果性與相關性 18
2.2 數據準備 19
2.2.1 資料探索 19
2.2.2 資料品質 20
2.2.3 缺失值 20
2.2.4 資料類型和轉換 20
2.2.5 資料轉換 21
2.2.6 離群點 21
2.2.7 特徵選擇 21
2.2.8 資料採樣 22
2.3 建模 22
2.3.1 訓練集和測試集 23
2.3.2 建模演算法 24
2.3.3 模型評估 25
2.3.4 集成建模 26
2.4 應用 27
2.4.1 生產準備 27
2.4.2 方法整合 27
2.4.3 回應時間 28
2.4.4 重構模型 28
2.4.5 知識融合 28
2.5 新舊知識 29
2.6 後續章節預告 29
參考文獻 29
第3章 資料探索 31
3.1 資料探索的目標 31
3.2 走進數據 32
3.3 描述性統計分析 34
3.3.1 單變數探索 35
3.3.2 多變數探索 36
3.4 數據視覺化 39
3.4.1 一個維度內資料頻率分佈的視覺化 39
3.4.2 直角坐標系內多變數的視覺化 43
3.4.3 高維資料通過投影的視覺化 48
3.5 資料探索導覽 50
參考文獻 51
第4章 分類 52
4.1 決策樹 52
4.1.1 演算法原理 53
4.1.2 演算法實現 59
4.1.3 小結 71
4.2 規則歸納 72
4.2.1 建立規則方法 73
4.2.2 演算法原理 74
4.2.3 演算法實現 77
4.2.4 小結 81
4.3 k 近鄰演算法 81
4.3.1 演算法原理 82
4.3.2 演算法實現 88
4.3.3 小結 91
4.4 樸素貝葉斯 91
4.4.1 演算法原理 93
4.4.2 演算法實現 100
4.4.3 小結 102
4.5 人工神經網路 102
4.5.1 演算法原理 105
4.5.2 演算法實現 108
4.5.3 小結 110
4.6 支持向量機 111
4.6.1 概念和術語 111
4.6.2 演算法原理 114
4.6.3 演算法實現 116
4.6.4 小結 122
4.7 集成學習模型 122
4.7.1 集體的智慧 123
4.7.2 演算法原理 124
4.7.3 演算法實現 126
4.7.4 小結 134
參考文獻 134
第5章 回歸方法 137
5.1 線性回歸 139
5.1.1 演算法原理 139
5.1.2 使用RapidMiner實戰的目標與資料 141
5.1.3 演算法實現 142
5.1.4 線性回歸建模要點 148
5.2 Logistic回歸 149
5.2.1 快速入門Logistic回歸 150
5.2.2 模型原理 151
5.2.3 模型實現 155
5.2.4 Logistic回歸小結 158
5.3 總結 158
參考文獻 158
第6章 關聯分析 160
6.1 挖掘關聯規則的基本概念 161
6.1.1 項集 162
6.1.2 生成關聯規則的一般步驟 164
6.2 Apriori演算法 166
6.2.1 使用Apriori演算法找出高頻項集 167
6.2.2 生成關聯規則 169
6.3 FP-Growth演算法 169
6.3.1 生成FP樹 170
6.3.2 高頻項集的生成 172
6.3.3 FP-Growth演算法實現 173
6.4 總結 176
參考文獻 176
第7章 聚類 178
7.1 聚類方法的種類 179
7.2 k均值聚類 182
7.2.1 k均值聚類原理 183
7.2.2 演算法實現 187
7.3 DBSCAN聚類 191
7.3.1 演算法原理 192
7.3.2 演算法實現 195
7.3.3 小結 197
7.4 SOM 197
7.4.1 演算法原理 199
7.4.2 演算法實現 202
7.4.3 小結 208
參考文獻 208
第8章 模型評估 210
8.1 混淆矩陣 210
8.2 ROC曲線和AUC 212
8.3 提升曲線 214
8.4 評估預測結果 217
8.5 總結 221
參考文獻 221
第9章 文本挖掘 222
9.1 文本挖掘演算法的原理 223
9.1.1 TF-IDF 223
9.1.2 術語和概念 225
9.2 使用聚類和分類演算法實現文本挖掘 229
9.2.1 實例1:關鍵字聚類 229
9.2.2 實例2:預測博客作者的性別 232
9.3 總結 241
參考文獻 242
第 10章 時間序列預測 243
10.1 基於資料的時序分析 245
10.1.1 樸素預測法 245
10.1.2 簡單平均法 246
10.1.3 移動平均法 246
10.1.4 加權移動平均法 247
10.1.5 指數平滑法 247
10.1.6 Holt雙參數指數平滑法. . 248
10.1.7 Holt-Winter三參數指數平滑法 249
10.2 基於模型的預測方法 250
10.2.1 線性回歸 251
10.2.2 多項式回歸 252
10.2.3 考慮季節性的線性回歸模型 252
10.2.4 自回歸模型與ARIMA 254
10.2.5 基於RapidMiner的實現 254
10.3 總結 261
參考文獻 261
第 11 章異常檢測 262
11.1 異常檢測的基本概念 262
11.1.1 出現離群點的原因 262
11.1.2 異常檢測的方法 264
11.2 基於距離的離群點檢測方法 266
11.2.1 方法原理 267
11.2.2 方法實現 268
11.3 基於密度的離群點檢測方法 270
11.3.1 方法原理 270
11.3.2 方法實現 271
11.4 局部離群因數 272
11.5 總結 274
參考文獻 275
第 12章 特徵選擇 276
12.1 特徵選擇方法概覽 276
12.2 主成分分析 278
12.2.1 演算法原理 279
12.2.2 演算法實現 280
12.3 以資訊理論為基礎對數值型資料進行篩選 284
12.4 以卡方檢驗為基礎對類別型資料進行篩選 286
12.5 基於封裝器的特徵選擇 289
12.5.1 向後消除法以縮減資料集大小 290
12.5.2 哪些變數被消除了 292
12.6 總結 293
參考文獻 294
第 13章 RapidMiner入門 295
13.1 使用者操作介面以及介紹 295
13.1.1 圖形使用者操作介面的介紹 295
13.1.2 RapidMiner軟體的術語 296
13.2 資料導入和匯出工具 299
13.3 資料視覺化工具 302
13.3.1 單一變數視覺化 304
13.3.2 二維數據視覺化 304
13.3.3 多維數據視覺化 304
13.4 資料轉換工具 305
13.5 資料抽樣與處理缺失值工具 309
13.6 優化工具 312
13.7 總結 317
參考文獻 317
資料採擷演算法的比較 319
|
序: |