数据挖掘基础及应用 / 普通高等教育人工智能与大数据系列教材
定价：￥49.00
作者： 任和
出版社：机械工业出版社
- 机械工业出版社
- 9787111817284
- 1-1
- 335
内容简介
本书主要介绍数据挖掘基础及应用，内容包括：绪论、数据准备、回归问题分析、分类问题分析、关联分析、聚类分析、神经网络、可解释性模型以及综合实践。本书不仅系统阐述数据挖掘的核心概念与技术框架，还提供大量可运行的代码示例和真实案例，并辅以详尽的注释和可视化图表，帮助读者直观理解模型输出。
本书可以作为数据科学与大数据技术专业本科生和研究生的教材或教学参考书，也可以供大数据管理与应用、数据计算及应用等其他专业师生和从事数据分析方面工作的技术人员学习参考。
本书可以作为数据科学与大数据技术专业本科生和研究生的教材或教学参考书，也可以供大数据管理与应用、数据计算及应用等其他专业师生和从事数据分析方面工作的技术人员学习参考。
目录
前言
第1章 绪论1
1.1 数据的定义1
1.1.1 数据的定义和类型1
1.1.2 数据的来源2
1.2 数据挖掘的定义4
1.2.1 定义4
1.2.2 数据挖掘的过程5
1.2.3 数据挖掘与相关领域的关系5
1.3 数据挖掘的意义8
1.3.1 数据驱动决策8
1.3.2 分析海量多模态数据8
1.3.3 提高竞争力8
1.4 数据挖掘的任务与规则9
1.4.1 数据挖掘的任务9
1.4.2 数据挖掘的规则9
1.5 未来的挑战与发展 10
1.6 课后练习 11
第2章 数据准备12
2.1 数据对象与属性 12
2.1.1 标称属性 13
2.1.2 序数属性 14
2.1.3 数值属性 14
2.1.4 离散属性与连续属性 14
2.2 数据的描述 15
2.2.1 统计描述 15
2.2.2 数据的可视化 22
2.3 数据预处理 34
2.4 课后练习 39
第3章 回归问题分析41
3.1 回归问题概述 41
3.2 线性回归 43
3.2.1 一元线性回归 44
3.2.2 多元线性回归 45
3.2.3 最小二乘法 46
3.3 逻辑斯谛回归 51
3.3.1 基本思想 51
3.3.2 实现过程 51
3.4 其他回归方法 56
3.4.1 多项式回归 56
3.4.2 岭回归 57
3.4.3 Lasso回归 58
3.4.4 弹性网回归 59
3.5 回归问题的分析与解释 60
3.6 课后练习 61
第4章 分类问题分析62
4.1 分类问题概述 63
4.2 决策树与规则提取 64
4.2.1 决策树 64
4.2.2 决策树的构建 65
4.2.3 剪枝 75
4.3 支持向量机 76
4.3.1 什么是支持向量机 76
4.3.2 支持向量机的基本思想 76
4.3.3 支持向量机的优缺点 79
4.4 贝叶斯分类器 79
4.4.1 有向无环图 80
4.4.2 概率与全概率公式 80
4.4.3 贝叶斯定理 80
4.4.4 朴素贝叶斯分类器 83
4.4.5 贝叶斯分类器的可视化 85
4.5 集成学习的分类算法 87
4.6 模型的性能评估 93
4.7 课后练习 99
第5章 关联分析100
5.1 关联分析概述100
5.1.1 基本概念101
5.1.2 基本步骤103
5.2 Apriori算法104
5.3 FP-Growth算法109
5.4 挖掘关联规则112
5.4.1 关联规则的提取112
5.4.2 关联规则的评估112
5.5 关联分析的应用114
5.6 课后练习114
第6章 聚类分析116
6.1 聚类分析概述117
6.1.1 什么是聚类117
6.1.2 聚类与分类117
6.1.3 聚类的要求117
6.1.4 聚类的应用118
6.2 常见的聚类方法118
6.2.1 划分方法118
6.2.2 层次聚类121
6.2.3 密度聚类126
6.2.4 图论聚类129
6.2.5 网格聚类132
6.3 聚类评估133
6.3.1 评估聚类趋势133
6.3.2 评估聚类质量133
6.4 聚类与关联分析134
6.5 课后练习134
第7章 神经网络136
7.1 神经网络要素137
7.1.1 神经元137
7.1.2 激活函数137
7.1.3 梯度下降139
7.1.4 Dropout和批量归一化139
7.2 BP神经网络141
7.2.1 BP算法描述141
7.2.2 BP神经网络的学习过程141
7.3 卷积神经网络146
7.3.1 卷积层146
7.3.2 激活层148
7.3.3 池化层148
7.3.4 全连接层 150
7.4 课后练习152
第8章 可解释性模型153
8.1 可解释性的重要性和性质153
8.2 可解释性方法的分类与范围155
8.2.1 可解释性方法的分类 155
8.2.2 可解释性范围156
8.3 可解释的模型156
8.4 模型无关的方法157
8.4.1 Shapley值157
8.4.2 SHAP160
8.4.3 LIME169
8.4.4 部分依赖图172
8.4.5 个体条件期望173
8.5 基于样本的解释175
8.6 课后练习180
第9章 综合实践181
9.1 案例背景及任务定义181
9.2 数据加载与可视化183
9.3 数据预处理189
9.4 聚类分析：探索患者潜在亚群193
9.5 关联规则挖掘：探索临床指标之间的潜在关系195
9.6 模型构建及可解释分析199
参考文献208
第1章 绪论1
1.1 数据的定义1
1.1.1 数据的定义和类型1
1.1.2 数据的来源2
1.2 数据挖掘的定义4
1.2.1 定义4
1.2.2 数据挖掘的过程5
1.2.3 数据挖掘与相关领域的关系5
1.3 数据挖掘的意义8
1.3.1 数据驱动决策8
1.3.2 分析海量多模态数据8
1.3.3 提高竞争力8
1.4 数据挖掘的任务与规则9
1.4.1 数据挖掘的任务9
1.4.2 数据挖掘的规则9
1.5 未来的挑战与发展 10
1.6 课后练习 11
第2章 数据准备12
2.1 数据对象与属性 12
2.1.1 标称属性 13
2.1.2 序数属性 14
2.1.3 数值属性 14
2.1.4 离散属性与连续属性 14
2.2 数据的描述 15
2.2.1 统计描述 15
2.2.2 数据的可视化 22
2.3 数据预处理 34
2.4 课后练习 39
第3章 回归问题分析41
3.1 回归问题概述 41
3.2 线性回归 43
3.2.1 一元线性回归 44
3.2.2 多元线性回归 45
3.2.3 最小二乘法 46
3.3 逻辑斯谛回归 51
3.3.1 基本思想 51
3.3.2 实现过程 51
3.4 其他回归方法 56
3.4.1 多项式回归 56
3.4.2 岭回归 57
3.4.3 Lasso回归 58
3.4.4 弹性网回归 59
3.5 回归问题的分析与解释 60
3.6 课后练习 61
第4章 分类问题分析62
4.1 分类问题概述 63
4.2 决策树与规则提取 64
4.2.1 决策树 64
4.2.2 决策树的构建 65
4.2.3 剪枝 75
4.3 支持向量机 76
4.3.1 什么是支持向量机 76
4.3.2 支持向量机的基本思想 76
4.3.3 支持向量机的优缺点 79
4.4 贝叶斯分类器 79
4.4.1 有向无环图 80
4.4.2 概率与全概率公式 80
4.4.3 贝叶斯定理 80
4.4.4 朴素贝叶斯分类器 83
4.4.5 贝叶斯分类器的可视化 85
4.5 集成学习的分类算法 87
4.6 模型的性能评估 93
4.7 课后练习 99
第5章 关联分析100
5.1 关联分析概述100
5.1.1 基本概念101
5.1.2 基本步骤103
5.2 Apriori算法104
5.3 FP-Growth算法109
5.4 挖掘关联规则112
5.4.1 关联规则的提取112
5.4.2 关联规则的评估112
5.5 关联分析的应用114
5.6 课后练习114
第6章 聚类分析116
6.1 聚类分析概述117
6.1.1 什么是聚类117
6.1.2 聚类与分类117
6.1.3 聚类的要求117
6.1.4 聚类的应用118
6.2 常见的聚类方法118
6.2.1 划分方法118
6.2.2 层次聚类121
6.2.3 密度聚类126
6.2.4 图论聚类129
6.2.5 网格聚类132
6.3 聚类评估133
6.3.1 评估聚类趋势133
6.3.2 评估聚类质量133
6.4 聚类与关联分析134
6.5 课后练习134
第7章 神经网络136
7.1 神经网络要素137
7.1.1 神经元137
7.1.2 激活函数137
7.1.3 梯度下降139
7.1.4 Dropout和批量归一化139
7.2 BP神经网络141
7.2.1 BP算法描述141
7.2.2 BP神经网络的学习过程141
7.3 卷积神经网络146
7.3.1 卷积层146
7.3.2 激活层148
7.3.3 池化层148
7.3.4 全连接层 150
7.4 课后练习152
第8章 可解释性模型153
8.1 可解释性的重要性和性质153
8.2 可解释性方法的分类与范围155
8.2.1 可解释性方法的分类 155
8.2.2 可解释性范围156
8.3 可解释的模型156
8.4 模型无关的方法157
8.4.1 Shapley值157
8.4.2 SHAP160
8.4.3 LIME169
8.4.4 部分依赖图172
8.4.5 个体条件期望173
8.5 基于样本的解释175
8.6 课后练习180
第9章 综合实践181
9.1 案例背景及任务定义181
9.2 数据加载与可视化183
9.3 数据预处理189
9.4 聚类分析：探索患者潜在亚群193
9.5 关联规则挖掘：探索临床指标之间的潜在关系195
9.6 模型构建及可解释分析199
参考文献208
