未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

数据挖掘导论（英文版）

作者: [美] Pang-NingTan 著 , Michael 著 , Vipin Kumar 著

出版社: 人民邮电出版社

出版时间: 2006-01

版次: 1

ISBN: 9787115141446

定价: 59.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 516页

字数: 713千字

丛书: 图灵原版计算机科学系列

分类: 计算机与互联网

27人买过

　　本书对数据挖掘进行了全面介绍，旨在为读者提供将数据挖掘应用于实际问题所必需的知识。本书涵盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章：前面一章讲述基本概念、代表性算法和评估技术，而后面一章较深入地讨论高级概念和算法。目的是在使读者透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量例子、图表和习题。
　　本书适合作为相关专业高年级本科生和研究生数据挖掘课程的教材，同时也可作为从事数据挖掘研究和应用开发工作的技术人员的参考书。　　Pang-NingTan现为密歇根州立大学计算机与工程系助理教授，主要教授数据挖掘、数据库系统等课程。此前，他曾是明尼苏达大学美国陆军高性能计算研究中心副研究员（2002-2003）。
　　MichaelSteinbach明尼苏达大学计算机与工程系研究员，在读博士。
　　VipinKumar明尼苏达大学计算机科学与工程系主任，曾任美国陆军高性能计算研究中心主任。他拥有马里兰大学博士学位，是数据挖掘和高性能计算方面的国际权威，IEEE会士。 1　Introduction　1
1.1　WhatIsDataMining?　2
1.2　MotivatingChallenges　3
1.3　TheOriginsofDataMining　4
1.4　DataMiningTasks　5
1.5　ScopeandOrganizationoftheBook　8
1.6　BibliographicNotes　9
1.7　Exercises　12

2　Data　13
2.1　TypesofData　15
2.1.1　AttributesandMeasurement　15
2.1.2　TypesofDataSets　20
2.2　DataQuality　25
2.2.1　MeasurementandDataCollectionIssues　26
2.2.2　IssuesRelatedtoApplications　31
2.3　DataPreprocessing　32
2.3.1　Aggregation　32
2.3.2　Sampling　34
2.3.3　DimensionalityReduction　36
2.3.4　FeatureSubsetSelection　37
2.3.5　FeatureCreation　39
2.3.6　DiscretizationandBinarization　41
2.3.7　VariableTransformation　45
2.4　MeasuresofSimilarityandDissimilarity　47
2.4.1　Basics　47
2.4.2　SimilarityandDissimilaritybetweenSimpleAttributes　49
2.4.3　DissimilaritiesbetweenDataObjects　50
2.4.4　SimilaritiesbetweenDataObjects　52
2.4.5　ExamplesofProximityMeasures　53
2.4.6　IssuesinProximityCalculation　58
2.4.7　SelectingtheRightProximityMeasure　60
2.5　BibliographicNotes　61
2.6　Exercises　64

3　ExploringData　71
3.1　TheIrisDataSet　71
3.2　SummaryStatistics　72
3.2.1　FrequenciesandtheMode　72
3.2.2　Percentiles　73
3.2.3　MeasuresofLocation:MeanandMedian　73
3.2.4　MeasuresofSpread:RangeandVariance　75
3.2.5　MultivariateSummaryStatistics　76
3.2.6　OtherWaystoSummarizetheData　77
3.3　Visualization　77
3.3.1　MotivationsforVisualization　77
3.3.2　GeneralConcepts　78
3.3.3　Techniques　81
3.3.4　VisualizingHigher-DimensionalData　90
3.3.5　DosandDonts　94
3.4　OLAPandMultidimensionalDataAnalysis　95
3.4.1　RepresentingIrisDataasaMultidimensionalArray　95
3.4.2　MultidimensionalData:TheGeneralCase　97
3.4.3　AnalyzingMultidimensionalData　98
3.4.4　FinalCommentsonMultidimensionalDataAnalysis　101
3.5　BibliographicNotes　102
3.6　Exercises　103

4　Classification:BasicConcepts,DecisionTrees,andModelEvaluation　105
4.1　Preliminaries　105
4.2　GeneralApproachtoSolvingaClassificationProblem　107
4.3　DecisionTreeInduction　108
4.3.1　HowaDecisionTreeWorks　108
4.3.2　HowtoBuildaDecisionTree　110
4.3.3　MethodsforExpressingAttributeTestConditions　112
4.3.4　MeasuresforSelectingtheBestSplit　114
4.3.5　AlgorithmforDecisionTreeInduction　119
4.3.6　AnExample:WebRobotDetection　120
4.3.7　CharacteristicsofDecisionTreeInduction　122
4.4　ModelOverfitting　125
4.4.1　OverfittingDuetoPresenceofNoise　127
4.4.2　OverfittingDuetoLackofRepresentativeSamples　129
4.4.3　OverfittingandtheMultipleComparisonProcedure　129
4.4.4　EstimationofGeneralizationErrors　131
4.4.5　HandlingOverfittinginDecisionTreeInduction　134
4.5　EvaluatingthePerformanceofaClassifier　135
4.5.1　HoldoutMethod　136
4.5.2　RandomSubsampling　136
4.5.3　Cross-Validation　136
4.5.4　Bootstrap　137
4.6　MethodsforComparingClassifiers　137
4.6.1　EstimatingaConfidenceIntervalforAccuracy　138
4.6.2　ComparingthePerformanceof　TwoModels　139
4.6.3　ComparingthePerformanceofTwoClassifiers　140
4.7　BibliographicNotes　141
4.8　Exercises　144

5　Classification:AlternativeTechniques　151
5.1　Rule-BasedClassifier　151
5.1.1　HowaRule-BasedClassifierWorks　153
5.1.2　Rule-OrderingSchemes　154
5.1.3　HowtoBuildaRule-BasedClassifier　155
5.1.4　DirectMethodsforRuleExtraction　155
5.1.5　IndirectMethodsforRuleExtraction　161
5.1.6　CharacteristicsofRule-BasedClassifiers　163
5.2　Nearest-Neighborclassifiers　163
5.2.1　Algorithm　165
5.2.2　CharacteristicsofNearest-NeighborClassifiers　165
5.3　BayesianClassifiers　166
5.3.1　BayesTheorem　166
5.3.2　UsingtheBayesTheoremforClassification　168
5.3.3　Na?veBayesClassifier　169
5.3.4　BayesErrorRate　175
5.3.5　BayesianBeliefNetworks　176
5.4　ArtificialNeuralNetwork(ANN)　181
5.4.1　Perceptron　181
5.4.2　MultilayerArtificialNeuralNetwork　184
5.4.3　CharacteristicsofANN　187
5.5　SupportVectorMachine(SVM)　188
5.5.1　MaximumMarginHyperplanes　188
5.5.2　LinearSVM:SeparableCase　190
5.5.3　LinearSVM:NonseparableCase　195
5.5.4　NonlinearSVM　198
5.5.5　CharacteristicsofSVM　203
5.6　EnsembleMethods　203
5.6.1　RationaleforEnsembleMethod　203
5.6.2　MethodsforConstructinganEnsembleClassifier　204
5.6.3　Bias-VarianceDecomposition　206
5.6.4　Bagging　209
5.6.5　Boosting　211
5.6.6　RandomForests　215
5.6.7　EmpiricalComparisonamongEnsembleMethods　216
5.7　ClassImbalanceProblem　217
5.7.1　AlternativeMetrics　218
5.7.2　TheReceiverOperatingCharacteristicCurve　220
5.7.3　Cost-SensitiveLearning　223
5.7.4　Sampling-BasedApproaches　225
5.8　MulticlassProblem　226
5.9　BibliographicNotes　228
5.10Exercises　233

6　AssociationAnalysis:BasicConceptsandAlgorithms　241
6.1　ProblemDefinition　242
6.2　FrequentItemsetGeneration　244
6.2.1　TheAprioriPrinciple　246
6.2.2　FrequentItemsetGenerationintheAprioriAlgorithm　247
6.2.3　CandidateGenerationandPruning　249
6.2.4　SupportCounting　252
6.2.5　ComputationalComplexity　255
6.3　RuleGeneration　257
6.3.1　Confidence-BasedPruning　258
6.3.2　RuleGenerationinAprioriAlgorithm　258
6.3.3　AnExample:CongressionalVotingRecords　259
6.4　CompactRepresentationofFrequentItemsets　260
6.4.1　MaximalFrequentItemsets　260
6.4.2　ClosedFrequentItemsets　262
6.5　AlternativeMethodsforGeneratingFrequentItemsets　264
6.6　FP-GrowthAlgorithm　268
6.6.1　FP-TreeRepresentation　268
6.6.2　FrequentItemsetGenerationinFP-GrowthAlgorithm　270
6.7　EvaluationofAssociationPatterns　273
6.7.1　ObjectiveMeasuresofInterestingness　274
6.7.2　MeasuresbeyondPairsofBinaryVariables　282
6.7.3　SimpsonsParadox　283
6.8　EffectofSkewedSupportDistribution　285
6.9　BibliographicNotes　288
6.10Exercises　298

7　AssociationAnalysis:AdvancedConcepts　307
7.1　HandlingCategoricalAttributes　307
7.2　HandlingContinuousAttributes　309
7.2.1　Discretization-BasedMethods　310
7.2.2　Statistics-BasedMethods　312
7.2.3　Non-discretizationMethods　314
7.3　HandlingaConceptHierarchy　316
7.4　SequentialPatterns　318
7.4.1　ProblemFormulation　318
7.4.2　SequentialPatternDiscovery　320
7.4.3　TimingConstraints　323
7.4.4　AlternativeCountingSchemes　327
7.5　SubgraphPatterns　328
7.5.1　GraphsandSubgraphs　329
7.5.2　FrequentSubgraphMining　330
7.5.3　Apriori-likeMethod　332
7.5.4　CandidateGeneration　333
7.5.5　CandidatePruning　338
7.5.6　SupportCounting　340
7.6　InfrequentPatterns　340
7.6.1　NegativePatterns　341
7.6.2　NegativelyCorrelatedPatterns　342
7.6.3　ComparisonsamongInfrequentPatterns,NegativePatterns,andNegativelyCorrelatedPatterns　343
7.6.4　TechniquesforMiningInterestingInfrequentPatterns　344
7.6.5　TechniquesBasedonMiningNegativePatterns　345
7.6.6　TechniquesBasedonSupportExpectation　347
7.7　BibliographicNotes　350
7.8　Exercises　353

8　ClusterAnalysis:BasicConceptsandAlgorithms　363
8.1　Overview　365
8.1.1　WhatIsClusterAnalysis?　365
8.1.2　DifferentTypesofClusterings　366
8.1.3　DifferentTypesofClusters　368
8.2　K-means　370
8.2.1　TheBasicK-meansAlgorithm　371
8.2.2　K-means:AdditionalIssues　378
8.2.3　BisectingK-means　380
8.2.4　K-meansandDifferentTypesofClusters　381
8.2.5　StrengthsandWeaknesses　383
8.2.6　K-meansasanOptimizationProblem　383
8.3　AgglomerativeHierarchicalClustering　385
8.3.1　BasicAgglomerativeHierarchicalClusteringAlgorithm　385
8.3.2　SpecificTechniques　387
8.3.3　TheLance-WilliamsFormulaforClusterProximity　391
8.3.4　KeyIssuesinHierarchicalClustering　391
8.3.5　StrengthsandWeaknesses　393
8.4　DBSCAN　393
8.4.1　TraditionalDensity:Center-BasedApproach　393
8.4.2　TheDBSCANAlgorithm　394
8.4.3　StrengthsandWeaknesses　398
8.5　ClusterEvaluation　398
8.5.1　Overview　399
8.5.2　UnsupervisedClusterEvaluationUsingCohesionandSeparation　401
8.5.3　UnsupervisedClusterEvaluationUsingtheProximityMatrix　406
8.5.4　UnsupervisedEvaluationofHierarchicalClustering　408
8.5.5　DeterminingtheCorrectNumberofClusters　409
8.5.6　ClusteringTendency　410
8.5.7　SupervisedMeasuresofClusterValidity　411
8.5.8　AssessingtheSignificanceofClusterValidityMeasures　414
8.6　BibliographicNotes　416
8.7　Exercises　419

9　ClusterAnalysis:AdditionalIssuesandAlgorithms　427
9.1　CharacteristicsofData,Clusters,andClusteringAlgorithms　427
9.1.1　Example:ComparingK-meansandDBSCAN　428
9.1.2　DataCharacteristics　429
9.1.3　ClusterCharacteristics　430
9.1.4　GeneralCharacteristicsofClusteringAlgorithms　431
9.2　Prototype-BasedClustering　433
9.2.1　FuzzyClustering　433
9.2.2　ClusteringUsingMixtureModels　437
9.2.3　Self-OrganizingMaps(SOM)　446
9.3　Density-BasedClustering　451
9.3.1　Grid-BasedClustering　451
9.3.2　SubspaceClustering　454
9.3.3　DENCLUE:AKernel-BasedSchemeforDensity-BasedClustering　457
9.4　Graph-BasedClustering　460
9.4.1　Sparsification　461
9.4.2　MinimumSpanningTree(MST)Clustering　462
9.4.3　OPOSSUM:OptimalPartitioningofSparseSimilaritiesUsingMETIS　463
9.4.4　Chameleon:HierarchicalClusteringwithDynamicModeling　464
9.4.5　SharedNearestNeighborSimilarity　468
9.4.6　TheJarvis-PatrickClusteringAlgorithm　471
9.4.7　SNNDensity　472
9.4.8　SNNDensity-BasedClustering　473
9.5　ScalableClusteringAlgorithms　475
9.5.1　Scalability:GeneralIssuesandApproaches　476
9.5.2　BIRCH　477
9.5.3　CURE　479
9.6　WhichClusteringAlgorithm?　482
9.7　BibliographicNotes　484
9.8　Exercises　488

10　AnomalyDetection　491
10.1　Preliminaries　492
10.1.1　CausesofAnomalies　492
10.1.2　ApproachestoAnomalyDetection　493
10.1.3　TheUseofClassLabels　494
10.1.4　Issues　495
10.2　StatisticalApproaches　496
10.2.1　DetectingOutliersinaUnivariateNormalDistribution　497
10.2.2　OutliersinaMultivariateNormalDistribution　499
10.2.3　AMixtureModelApproachforAnomalyDetection　500
10.2.4　StrengthsandWeaknesses　502
10.3　Proximity-BasedOutlierDetection　502
10.3.1　StrengthsandWeaknesses　503
10.4　Density-BasedOutlierDetection　504
10.4.1　DetectionofOutliersUsingRelativeDensity　505
10.4.2　StrengthsandWeaknesses　506
10.5　Clustering-BasedTechniques　506
10.5.1　AssessingtheExtenttoWhichanObjectBelongstoaCluster　507
10.5.2　ImpactofOutliersontheInitialClustering　509
10.5.3　TheNumberofClusterstoUse　509
10.5.4　StrengthsandWeaknesses　509
10.6　BibliographicNotes　510
10.7　Exercises　513
内容简介:
　　本书对数据挖掘进行了全面介绍，旨在为读者提供将数据挖掘应用于实际问题所必需的知识。本书涵盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章：前面一章讲述基本概念、代表性算法和评估技术，而后面一章较深入地讨论高级概念和算法。目的是在使读者透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量例子、图表和习题。
　　本书适合作为相关专业高年级本科生和研究生数据挖掘课程的教材，同时也可作为从事数据挖掘研究和应用开发工作的技术人员的参考书。
作者简介:
　　Pang-NingTan现为密歇根州立大学计算机与工程系助理教授，主要教授数据挖掘、数据库系统等课程。此前，他曾是明尼苏达大学美国陆军高性能计算研究中心副研究员（2002-2003）。
　　MichaelSteinbach明尼苏达大学计算机与工程系研究员，在读博士。
　　VipinKumar明尼苏达大学计算机科学与工程系主任，曾任美国陆军高性能计算研究中心主任。他拥有马里兰大学博士学位，是数据挖掘和高性能计算方面的国际权威，IEEE会士。
目录:
1　Introduction　1
1.1　WhatIsDataMining?　2
1.2　MotivatingChallenges　3
1.3　TheOriginsofDataMining　4
1.4　DataMiningTasks　5
1.5　ScopeandOrganizationoftheBook　8
1.6　BibliographicNotes　9
1.7　Exercises　12

2　Data　13
2.1　TypesofData　15
2.1.1　AttributesandMeasurement　15
2.1.2　TypesofDataSets　20
2.2　DataQuality　25
2.2.1　MeasurementandDataCollectionIssues　26
2.2.2　IssuesRelatedtoApplications　31
2.3　DataPreprocessing　32
2.3.1　Aggregation　32
2.3.2　Sampling　34
2.3.3　DimensionalityReduction　36
2.3.4　FeatureSubsetSelection　37
2.3.5　FeatureCreation　39
2.3.6　DiscretizationandBinarization　41
2.3.7　VariableTransformation　45
2.4　MeasuresofSimilarityandDissimilarity　47
2.4.1　Basics　47
2.4.2　SimilarityandDissimilaritybetweenSimpleAttributes　49
2.4.3　DissimilaritiesbetweenDataObjects　50
2.4.4　SimilaritiesbetweenDataObjects　52
2.4.5　ExamplesofProximityMeasures　53
2.4.6　IssuesinProximityCalculation　58
2.4.7　SelectingtheRightProximityMeasure　60
2.5　BibliographicNotes　61
2.6　Exercises　64

3　ExploringData　71
3.1　TheIrisDataSet　71
3.2　SummaryStatistics　72
3.2.1　FrequenciesandtheMode　72
3.2.2　Percentiles　73
3.2.3　MeasuresofLocation:MeanandMedian　73
3.2.4　MeasuresofSpread:RangeandVariance　75
3.2.5　MultivariateSummaryStatistics　76
3.2.6　OtherWaystoSummarizetheData　77
3.3　Visualization　77
3.3.1　MotivationsforVisualization　77
3.3.2　GeneralConcepts　78
3.3.3　Techniques　81
3.3.4　VisualizingHigher-DimensionalData　90
3.3.5　DosandDonts　94
3.4　OLAPandMultidimensionalDataAnalysis　95
3.4.1　RepresentingIrisDataasaMultidimensionalArray　95
3.4.2　MultidimensionalData:TheGeneralCase　97
3.4.3　AnalyzingMultidimensionalData　98
3.4.4　FinalCommentsonMultidimensionalDataAnalysis　101
3.5　BibliographicNotes　102
3.6　Exercises　103

4　Classification:BasicConcepts,DecisionTrees,andModelEvaluation　105
4.1　Preliminaries　105
4.2　GeneralApproachtoSolvingaClassificationProblem　107
4.3　DecisionTreeInduction　108
4.3.1　HowaDecisionTreeWorks　108
4.3.2　HowtoBuildaDecisionTree　110
4.3.3　MethodsforExpressingAttributeTestConditions　112
4.3.4　MeasuresforSelectingtheBestSplit　114
4.3.5　AlgorithmforDecisionTreeInduction　119
4.3.6　AnExample:WebRobotDetection　120
4.3.7　CharacteristicsofDecisionTreeInduction　122
4.4　ModelOverfitting　125
4.4.1　OverfittingDuetoPresenceofNoise　127
4.4.2　OverfittingDuetoLackofRepresentativeSamples　129
4.4.3　OverfittingandtheMultipleComparisonProcedure　129
4.4.4　EstimationofGeneralizationErrors　131
4.4.5　HandlingOverfittinginDecisionTreeInduction　134
4.5　EvaluatingthePerformanceofaClassifier　135
4.5.1　HoldoutMethod　136
4.5.2　RandomSubsampling　136
4.5.3　Cross-Validation　136
4.5.4　Bootstrap　137
4.6　MethodsforComparingClassifiers　137
4.6.1　EstimatingaConfidenceIntervalforAccuracy　138
4.6.2　ComparingthePerformanceof　TwoModels　139
4.6.3　ComparingthePerformanceofTwoClassifiers　140
4.7　BibliographicNotes　141
4.8　Exercises　144

5　Classification:AlternativeTechniques　151
5.1　Rule-BasedClassifier　151
5.1.1　HowaRule-BasedClassifierWorks　153
5.1.2　Rule-OrderingSchemes　154
5.1.3　HowtoBuildaRule-BasedClassifier　155
5.1.4　DirectMethodsforRuleExtraction　155
5.1.5　IndirectMethodsforRuleExtraction　161
5.1.6　CharacteristicsofRule-BasedClassifiers　163
5.2　Nearest-Neighborclassifiers　163
5.2.1　Algorithm　165
5.2.2　CharacteristicsofNearest-NeighborClassifiers　165
5.3　BayesianClassifiers　166
5.3.1　BayesTheorem　166
5.3.2　UsingtheBayesTheoremforClassification　168
5.3.3　Na?veBayesClassifier　169
5.3.4　BayesErrorRate　175
5.3.5　BayesianBeliefNetworks　176
5.4　ArtificialNeuralNetwork(ANN)　181
5.4.1　Perceptron　181
5.4.2　MultilayerArtificialNeuralNetwork　184
5.4.3　CharacteristicsofANN　187
5.5　SupportVectorMachine(SVM)　188
5.5.1　MaximumMarginHyperplanes　188
5.5.2　LinearSVM:SeparableCase　190
5.5.3　LinearSVM:NonseparableCase　195
5.5.4　NonlinearSVM　198
5.5.5　CharacteristicsofSVM　203
5.6　EnsembleMethods　203
5.6.1　RationaleforEnsembleMethod　203
5.6.2　MethodsforConstructinganEnsembleClassifier　204
5.6.3　Bias-VarianceDecomposition　206
5.6.4　Bagging　209
5.6.5　Boosting　211
5.6.6　RandomForests　215
5.6.7　EmpiricalComparisonamongEnsembleMethods　216
5.7　ClassImbalanceProblem　217
5.7.1　AlternativeMetrics　218
5.7.2　TheReceiverOperatingCharacteristicCurve　220
5.7.3　Cost-SensitiveLearning　223
5.7.4　Sampling-BasedApproaches　225
5.8　MulticlassProblem　226
5.9　BibliographicNotes　228
5.10Exercises　233

6　AssociationAnalysis:BasicConceptsandAlgorithms　241
6.1　ProblemDefinition　242
6.2　FrequentItemsetGeneration　244
6.2.1　TheAprioriPrinciple　246
6.2.2　FrequentItemsetGenerationintheAprioriAlgorithm　247
6.2.3　CandidateGenerationandPruning　249
6.2.4　SupportCounting　252
6.2.5　ComputationalComplexity　255
6.3　RuleGeneration　257
6.3.1　Confidence-BasedPruning　258
6.3.2　RuleGenerationinAprioriAlgorithm　258
6.3.3　AnExample:CongressionalVotingRecords　259
6.4　CompactRepresentationofFrequentItemsets　260
6.4.1　MaximalFrequentItemsets　260
6.4.2　ClosedFrequentItemsets　262
6.5　AlternativeMethodsforGeneratingFrequentItemsets　264
6.6　FP-GrowthAlgorithm　268
6.6.1　FP-TreeRepresentation　268
6.6.2　FrequentItemsetGenerationinFP-GrowthAlgorithm　270
6.7　EvaluationofAssociationPatterns　273
6.7.1　ObjectiveMeasuresofInterestingness　274
6.7.2　MeasuresbeyondPairsofBinaryVariables　282
6.7.3　SimpsonsParadox　283
6.8　EffectofSkewedSupportDistribution　285
6.9　BibliographicNotes　288
6.10Exercises　298

7　AssociationAnalysis:AdvancedConcepts　307
7.1　HandlingCategoricalAttributes　307
7.2　HandlingContinuousAttributes　309
7.2.1　Discretization-BasedMethods　310
7.2.2　Statistics-BasedMethods　312
7.2.3　Non-discretizationMethods　314
7.3　HandlingaConceptHierarchy　316
7.4　SequentialPatterns　318
7.4.1　ProblemFormulation　318
7.4.2　SequentialPatternDiscovery　320
7.4.3　TimingConstraints　323
7.4.4　AlternativeCountingSchemes　327
7.5　SubgraphPatterns　328
7.5.1　GraphsandSubgraphs　329
7.5.2　FrequentSubgraphMining　330
7.5.3　Apriori-likeMethod　332
7.5.4　CandidateGeneration　333
7.5.5　CandidatePruning　338
7.5.6　SupportCounting　340
7.6　InfrequentPatterns　340
7.6.1　NegativePatterns　341
7.6.2　NegativelyCorrelatedPatterns　342
7.6.3　ComparisonsamongInfrequentPatterns,NegativePatterns,andNegativelyCorrelatedPatterns　343
7.6.4　TechniquesforMiningInterestingInfrequentPatterns　344
7.6.5　TechniquesBasedonMiningNegativePatterns　345
7.6.6　TechniquesBasedonSupportExpectation　347
7.7　BibliographicNotes　350
7.8　Exercises　353

8　ClusterAnalysis:BasicConceptsandAlgorithms　363
8.1　Overview　365
8.1.1　WhatIsClusterAnalysis?　365
8.1.2　DifferentTypesofClusterings　366
8.1.3　DifferentTypesofClusters　368
8.2　K-means　370
8.2.1　TheBasicK-meansAlgorithm　371
8.2.2　K-means:AdditionalIssues　378
8.2.3　BisectingK-means　380
8.2.4　K-meansandDifferentTypesofClusters　381
8.2.5　StrengthsandWeaknesses　383
8.2.6　K-meansasanOptimizationProblem　383
8.3　AgglomerativeHierarchicalClustering　385
8.3.1　BasicAgglomerativeHierarchicalClusteringAlgorithm　385
8.3.2　SpecificTechniques　387
8.3.3　TheLance-WilliamsFormulaforClusterProximity　391
8.3.4　KeyIssuesinHierarchicalClustering　391
8.3.5　StrengthsandWeaknesses　393
8.4　DBSCAN　393
8.4.1　TraditionalDensity:Center-BasedApproach　393
8.4.2　TheDBSCANAlgorithm　394
8.4.3　StrengthsandWeaknesses　398
8.5　ClusterEvaluation　398
8.5.1　Overview　399
8.5.2　UnsupervisedClusterEvaluationUsingCohesionandSeparation　401
8.5.3　UnsupervisedClusterEvaluationUsingtheProximityMatrix　406
8.5.4　UnsupervisedEvaluationofHierarchicalClustering　408
8.5.5　DeterminingtheCorrectNumberofClusters　409
8.5.6　ClusteringTendency　410
8.5.7　SupervisedMeasuresofClusterValidity　411
8.5.8　AssessingtheSignificanceofClusterValidityMeasures　414
8.6　BibliographicNotes　416
8.7　Exercises　419

9　ClusterAnalysis:AdditionalIssuesandAlgorithms　427
9.1　CharacteristicsofData,Clusters,andClusteringAlgorithms　427
9.1.1　Example:ComparingK-meansandDBSCAN　428
9.1.2　DataCharacteristics　429
9.1.3　ClusterCharacteristics　430
9.1.4　GeneralCharacteristicsofClusteringAlgorithms　431
9.2　Prototype-BasedClustering　433
9.2.1　FuzzyClustering　433
9.2.2　ClusteringUsingMixtureModels　437
9.2.3　Self-OrganizingMaps(SOM)　446
9.3　Density-BasedClustering　451
9.3.1　Grid-BasedClustering　451
9.3.2　SubspaceClustering　454
9.3.3　DENCLUE:AKernel-BasedSchemeforDensity-BasedClustering　457
9.4　Graph-BasedClustering　460
9.4.1　Sparsification　461
9.4.2　MinimumSpanningTree(MST)Clustering　462
9.4.3　OPOSSUM:OptimalPartitioningofSparseSimilaritiesUsingMETIS　463
9.4.4　Chameleon:HierarchicalClusteringwithDynamicModeling　464
9.4.5　SharedNearestNeighborSimilarity　468
9.4.6　TheJarvis-PatrickClusteringAlgorithm　471
9.4.7　SNNDensity　472
9.4.8　SNNDensity-BasedClustering　473
9.5　ScalableClusteringAlgorithms　475
9.5.1　Scalability:GeneralIssuesandApproaches　476
9.5.2　BIRCH　477
9.5.3　CURE　479
9.6　WhichClusteringAlgorithm?　482
9.7　BibliographicNotes　484
9.8　Exercises　488

10　AnomalyDetection　491
10.1　Preliminaries　492
10.1.1　CausesofAnomalies　492
10.1.2　ApproachestoAnomalyDetection　493
10.1.3　TheUseofClassLabels　494
10.1.4　Issues　495
10.2　StatisticalApproaches　496
10.2.1　DetectingOutliersinaUnivariateNormalDistribution　497
10.2.2　OutliersinaMultivariateNormalDistribution　499
10.2.3　AMixtureModelApproachforAnomalyDetection　500
10.2.4　StrengthsandWeaknesses　502
10.3　Proximity-BasedOutlierDetection　502
10.3.1　StrengthsandWeaknesses　503
10.4　Density-BasedOutlierDetection　504
10.4.1　DetectionofOutliersUsingRelativeDensity　505
10.4.2　StrengthsandWeaknesses　506
10.5　Clustering-BasedTechniques　506
10.5.1　AssessingtheExtenttoWhichanObjectBelongstoaCluster　507
10.5.2　ImpactofOutliersontheInitialClustering　509
10.5.3　TheNumberofClusterstoUse　509
10.5.4　StrengthsandWeaknesses　509
10.6　BibliographicNotes　510
10.7　Exercises　513

查看详情

其他版本 / 全部 (4)

12条
|
综合排序
最新上架
店铺
价格从高到低（不含运费）

总价从低到高总价从高到低价格从低到高（不含运费）价格从高到低（不含运费）
八五品以上

全新九五品以上九品以上八五品以上八品以上七品以上六品以上五品以上四品及以下全部品相
只看全新
不同品相有何区别

数据挖掘导论（英文版）【标题与图片不一致时,请质询，正版有货可开发票】

全新

雅逸阁书店

海南省海口市

平均发货13小时成功完成率83.53%

￥80.00

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）

九五品

旭航书店

河南省信阳市

平均发货8小时成功完成率94.9%

￥50.00

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）

八五品

滔滔图书

河南省郑州市

平均发货23小时成功完成率63.1%

￥27.90

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）套装书请联系客服咨询，默认发一本

九品

巷子书屋

北京市通州区

平均发货10小时成功完成率87.32%

￥15.34

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）

九品

东方国际书店

北京市通州区

平均发货10小时成功完成率92.78%

￥12.80

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）

九品

腾瑞旧书店

北京市朝阳区

平均发货16小时成功完成率93.88%

￥12.00

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）书侧发黄轻微污渍

2007-10 印刷
印次: 3

八五品

墨香聚书阁

安徽省蚌埠市

平均发货16小时成功完成率97.17%

￥12.00

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）笔记划线开裂

八五品

温瞳书屋

河北省衡水市

平均发货17小时成功完成率96.45%

￥9.97

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）

九五品

读书并不难

北京市西城区

平均发货16小时成功完成率88.16%

￥9.00

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）内有划线字迹

2006-01 印刷
印次: 1

九品

千纸鹤如意旧书店

河南省商丘市

平均发货14小时成功完成率97.46%

￥6.30

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）9787115141446

九品

刘氏古旧书店

湖北省武汉市

平均发货21小时成功完成率70.09%

￥6.00

券

100减20

立即购买加入购物车
数据挖掘导论（英文版）

九品

如意旧书店

陕西省西安市

平均发货8小时成功完成率97.42%

￥5.00

券

100减20

立即购买加入购物车

数据挖掘导论 （英文版）

内容简介:

作者简介:

目录:

数据挖掘导论（英文版）