數據挖掘：商業數據分析技術與實踐 ( 簡體 字) |
| 作者：[美]蓋麗特·徐茉莉（Galit Shmueli） 彼得·布魯斯（Peter C. Bruce）米婭·斯蒂芬斯（Mia L. Stephens）尼廷·帕特爾（Nitin | 類別：1. -> 程式設計 -> 數據挖掘 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 49317
詢問書籍請說出此書號！【缺書】
NT售價： 590 元 |
| 出版日：6/1/2018 |
| 頁數：400 |
| 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：9787302497660 |
| 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：無論你選擇什么職業或工作地點，你的未來肯定會被數據所包圍。現代世界由幾
十億個鍵盤和數萬億個卡片刷頭所發出的數據脈沖所構成，這些數據來自于電子設備和
系統的各種操作，并且能夠在全球范圍內迅速傳播。數據量是難以用數量來衡量的。但
這并不在于你擁有多少數據，而是你用它做什么。把握住這個凌亂的數據世界并很好地
利用它，將會成為組織運作良好和職業生涯成功的關鍵，它不僅僅存在于硅谷、谷歌、
Facebook這些地方，也存在于保險公司、銀行、汽車制造商、航空公司、醫院等地方，
甚至可以說它幾乎無處不在。
這就是本書（《數據挖掘：商業數據分析技術與實踐》）所能給讀者提供的。
Shmueli教授同她的合著者為學生們提供了這樣一個非常有用的學習指南，其中涉及與復
雜數據集相關的重要概念和方法。本書作者具有多年的教學經驗，為了跟上本科及研究
生商業分析課程中的變化，我們已經對早期的版本進行修訂。最重要的是，新版本集成
了SAS研究所用于處理和分析數據的統計工具JMP Pro.。學習分析方法的最終目的是通
過數據生成一些見解。通過強大的統計工具訓練學習者敏捷的思維，是學習過程中必不
可少的關鍵一步。
如果你把目光放在引領數字世界，那么本書將會是你為未來做準備的開始。
Michael Rappa
高級分析研究所
北卡羅來納州立大學
|
內容簡介：本書采用SAS公司的統計軟件包JMP Pro進行實踐性應用，使用引人入勝的實際案例來構建關鍵數據挖掘方法（尤其是分類和預測的預測模型）的理論及其實踐理解。本書所討論的主題包括數據可視化、降維、聚類、線性和邏輯回歸、分類和回歸樹、判別分析、樸素貝葉斯、人工神經網絡、增量模型、集成算法以及時間序列預測等。 |
目錄：第一部分預備知識
1導論002
1.1什么是商業分析？002
1.2什么是數據挖掘？004
1.3數據挖掘及相關用語004
1.4大數據005
1.5數據科學006
1.6為什么會有這么多不同的方法？007
1.7術語和符號007
1.8本書框架009
2數據挖掘概述·013
2.1引言013
2.2數據挖掘的核心思想014
2.3數據挖掘步驟016
2.4初步步驟018
2.5預測能力和過擬合024
2.6用JMPPro建立預測模型029
2.7用JMPPro進行數據挖掘036
2.8自動化數據挖掘解決方案037
第二部分數據探索與降維
3數據可視化046
3.1數據可視化的用途046
3.2數據實例047
3.3基本圖形：條形圖、折線圖和散點圖049
3.4多維可視化056
3.5特殊可視化068
3.6基于數據挖掘目標的主要可視化方案和操作概要072
4降維076
4.1引言076
4.2維度災難077
4.3實際考慮077
4.4數據匯總078
4.5相關分析082
4.6減少分類變量中的類別數量082
4.7將分類型變量轉換為連續型變量084
4.8主成分分析084
4.9利用回歸模型降維094
4.10利用分類和回歸樹降維094
第三部分性能評估
5評估預測效果·098
5.1引言098
5.2評價預測性能099
5.3評判分類效果101
5.4評判分類性能112
5.5過采樣115
第四部分預測與分類方法
6多元線性回歸·122
6.1引言122
6.2解釋模型與預測模型123
6.3估計回歸方程和預測124
6.4線性回歸中的變量選擇129
7k近鄰法142
7.1k-NN分類（分類型結果變量）142
7.2數值型結果變量下的k-NN方法·147
7.3k-NN算法的優點和缺點149
8樸素貝葉斯分類器153
8.1引言153
8.2使用完全（精確）貝葉斯分類器155
8.3樸素貝葉斯方法的優點和缺點163
9分類和回歸樹·168
9.1引言168
9.2分類樹169
9.3生成樹172
9.4評估分類樹的效果176
9.5避免過擬合178
9.6樹中的分類準則181
9.7多分類的分類樹182
9.8回歸樹182
9.9樹的優點和缺點184
9.10預測方法的提高：組合多棵樹186
9.11不純度的提取和度量188
10邏輯回歸193
10.1引言·193
10.2邏輯回歸模型·195
10.3評價分類性能·202
10.4完整分析案例：預測航班延誤·205
10.5附錄：邏輯回歸的概括·214
11神經網絡225
11.1引言·225
11.2神經網絡的概念和結構·226
11.3擬合數據·226
11.4JMPPro用戶輸入·240
11.5探索預測變量和響應變量的關系·242
11.6神經網絡的優點和缺陷·243
12判別分析247
12.1引言·247
12.2觀測值到類的距離·249
12.3從距離到傾向和分類·251
12.4判別分析的分類性能·254
12.5先驗概率·255
12.6多類別分類·256
12.7優點和缺點·258
13組合方法：集成算法和增量模型263
13.1集成算法·263
13.2增量（說服）模型·268
13.3總結·274
第五部分挖掘記錄之間的關系
14聚類分析280
14.1引言·280
14.2定義兩個觀測值之間的距離·284
14.3定義兩個類之間的距離·288
14.4系統（凝聚）聚類·290
14.5非系統聚類：k-means算法·299
第六部分時間序列預測
15時間序列處理·310
15.1引言·310
15.2描述性與預測性建模·311
15.3商業中的主流預測方法·312
15.4時間序列的構成·312
15.5數據分割和性能評價·316
16回歸預測模型·321
16.1趨勢模型·321
16.2季節模型·327
16.3趨勢和季節模型·330
16.4自相關和ARIMA模型331
17平滑法·350
17.1引言·350
17.2移動平均法·351
17.3簡單指數平滑法·355
17.4高級指數平滑法·358
第七部分案例
18案例·372
18.1查爾斯圖書俱樂部·372
18.2德國信貸·378
18.3太古軟件編目·382
18.4政治說教·385
18.5出租車訂單取消·388
18.6浴皂的消費者細分·390
18.7直郵籌款·393
18.8破產預測·395
18.9時間序列案例：預測公共交通需求·398
|
| 序： |
