未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏商品

拍卖

拍卖交易我的竞拍收藏拍品

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 08:00-21:00

纠纷处理

09:00-12:30

13:30-18:00

图书审核 09:00-18:00

监督与建议

请选择

手机孔网

数据挖掘算法实践与案例详解数据库

作者: 丁兆云沈大勇徐伟周鋆

出版社: 机械工业出版社

出版时间: 2025-01

版次: 1

ISBN: 9787111760696

定价: 59.00

装帧: 其他

开本: 其他

页数: 184页

字数: 290千字

分类: 计算机与互联网

数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。
丁兆云，国防科技大学博士毕业后留校任教至今，长期教授数据挖掘课程，负责国防科技大学系统工程学院“数据挖掘”专业方向考博命题工作，主持湖南省教改课题1项、国防科技大学教改课题1项、发表教学论文3篇，获得国防科技大学研究生教学优秀奖。 

目　　录 前言 第1章　绪论　　1 1.1　数据挖掘技术的由来　　1 1.2　数据挖掘的分类　　2 1.2.1　关联规则挖掘　　2 1.2.2　监督式机器学习　　3 1.2.3　非监督式机器学习　　4 1.3　Python的安装步骤　　5 1.3.1　Python环境的配置　　5 1.3.2　PyCharm的安装　　7 1.4　常见的数据集　　10 1.4.1　鸢尾花数据集　　10 1.4.2　员工离职预测数据集　　11 1.4.3　泰坦尼克号灾难预测数据集　　12 1.4.4　PM2.5空气质量预测数据集　　13 1.5　本章小结　　13 第2章　分类　　14 2.1　分类的概念　　14 2.2　分类中的训练集与测试集　　14 2.3　分类的过程及验证方法　　15 2.3.1　准确率　　15 2.3.2　k折交叉验证　　16 2.4　贝叶斯分类的编程实践　　17 2.4.1　鸢尾花数据集的贝叶斯分类　　17 2.4.2　基于贝叶斯分类的员工离职 预测　　17 2.5　本章小结　　19 第3章　数据的特征选择　　20 3.1　直方图　　20 3.1.1　直方图可视化　　20 3.1.2　直方图特征选择　　23 3.2　直方图与柱状图的差异　　24 3.3　特征选择实践　　26 3.4　本章小结　　29 第4章　数据预处理之数据清洗　　30 4.1　案例概述　　30 4.2　缺失值处理　　31 4.2.1　缺失值处理概述　　31 4.2.2　缺失值处理实例　　32 4.3　噪声数据处理　　32 4.3.1　正态分布噪声数据检测　　32 4.3.2　用箱线图检测噪声数据　　34 4.4　数据预处理案例实践　　35 4.4.1　问题　　35 4.4.2　解决方法　　35 4.4.3　实践结论　　37 4.5　本章小结　　38 第5章　数据预处理之转换　　39 5.1　数据的数值化处理　　39 5.1.1　顺序编码　　39 5.1.2　二进制编码　　40 5.2　数据规范化　　42 5.2.1　最小–最大规范化　　42 5.2.2　z分数规范化　　43 5.2.3　小数定标规范化　　43 5.3　本章小结　　43 第6章　数据预处理之数据降维　　44 6.1　散点图可视化分析　　44 6.2　主成分分析　　46 6.3　本章小结　　49 第7章　不平衡数据分类　　50 7.1　不平衡数据分类问题的特征　　50 7.1.1　数据稀缺问题　　50 7.1.2　噪声问题　　51 7.1.3　决策面偏移问题　　51 7.1.4　评价标准问题　　51 7.2　重采样方法　　51 7.2.1　上采样　　52 7.2.2　对上采样方法的改进　　53 7.2.3　下采样　　58 7.2.4　对下采样方法的改进　　60 7.2.5　不平衡问题的其他处理方式　　65 7.3　不平衡数据分类实践　　65 7.4　本章小结　　66 第8章　回归分析　　67 8.1　线性回归　　67 8.1.1　一元线性回归　　67 8.1.2　多元线性回归　　69 8.2　回归分析检测　　71 8.2.1　正态分布可能性检测　　71 8.2.2　线性分布可能性检测　　72 8.2.3　log转换后的分布　　73 8.3　回归预测案例实践　　74 8.3.1　案例背景　　74 8.3.2　代码实现　　74 8.4　本章小结　　82 第9章　聚类分析　　83 9.1　k均值聚类　　83 9.1.1　算法的步骤　　83 9.1.2　代码实现　　83 9.2　层次聚类　　84 9.2.1　算法的步骤　　84 9.2.2　代码实现　　85 9.3　密度聚类　　85 9.3.1　算法的步骤　　85 9.3.2　代码实现　　86 9.4　本章小结　　88 第10章　关联分析　　90 10.1　Apriori算法　　90 10.2　关联分析案例实践　　92 10.2.1　案例背景　　92 10.2.2　案例的数据集　　93 10.2.3　代码实现　　93 10.2.4　运行结果　　93 10.3　提升Apriori算法性能的方法　　95 10.4　本章小结　　95 第11章　KNN分类　　96 11.1　KNN算法的步骤　　96 11.2　KNeighborsClassifier函数　　97 11.3　KNN的代码实现　　98 11.4　结果分析　　98 11.5　KNN案例实践　　99 11.5.1　案例分析　　99 11.5.2　案例实现　　100 11.5.3　运行结果　　103 11.6　本章小结　　104 第12章　支持向量机　　105 12.1　支持向量机的可视化分析　　105 12.2　SVM的代码实现　　108 12.2.1　鸢尾花数据分类　　108 12.2.2　新闻文本数据分类　　110 12.3　本章小结　　111 第13章　神经网络分类　　112 13.1　多层人工神经网络　　112 13.2　多层人工神经网络的代码实现　　113 13.3　神经网络分类案例实践　　114 13.3.1　案例背景　　114 13.3.2　数据说明　　114 13.3.3　代码实现　　115 13.4　本章小结　　120 第14章　集成学习　　121 14.1　Bagging方法　　121 14.2　随机森林　　123 14.3　Adaboost　　125 14.4　GBDT　　127 14.4.1　GradientBoostingClassifier 函数　　130 14.4.2　GradientBoostingRegressor 函数　　130 14.5　XGBoost　　131 14.5.1　XGBClassifier函数　　131 14.5.2　XGBRegressor函数　　131 14.6　房价预测案例实践　　132 14.7　点击欺骗预测案例实践　　136 14.7.1　案例背景　　136 14.7.2　数据分析　　136 14.7.3　模型优化　　141 14.8　本章小结　　142 第15章　综合案例实践　　143 15.1　员工离职预测综合案例　　143 15.1.1　数据总览　　143 15.1.2　数据预处理　　144 15.1.3　模型构建与比较　　147 15.2　二手车交易价格预测综合 案例　　148 15.2.1　数据集简介　　148 15.2.2　数据总览　　149 15.2.3　数据预处理　　150 15.2.4　查看变量分布　　151 15.2.5　查看变量间的关系　　154 15.2.6　查看变量间的分布关系　　157 15.2.7　分析汽车注册月份与价格的 关系　　157 15.2.8　特征工程　　158 15.2.9　模型构建与训练　　160 15.3　信息抽取综合案例　　161 15.3.1　案例背景　　161 15.3.2　数据集简介　　165 15.3.3　模型的构建与训练　　165 15.3.4　模型评价　　168 15.4　学术网络节点分类　　169 15.4.1　数据集简介　　169 15.4.2　数据总览　　170 15.4.3　模型构建　　171 15.4.4　配置参数　　172 15.4.5　训练数据　　173 15.4.6　模型评价　　174

内容摘要
数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。
内容简介:

数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。
作者简介:

丁兆云，国防科技大学博士毕业后留校任教至今，长期教授数据挖掘课程，负责国防科技大学系统工程学院“数据挖掘”专业方向考博命题工作，主持湖南省教改课题1项、国防科技大学教改课题1项、发表教学论文3篇，获得国防科技大学研究生教学优秀奖。
目录:

目　　录 前言 第1章　绪论　　1 1.1　数据挖掘技术的由来　　1 1.2　数据挖掘的分类　　2 1.2.1　关联规则挖掘　　2 1.2.2　监督式机器学习　　3 1.2.3　非监督式机器学习　　4 1.3　Python的安装步骤　　5 1.3.1　Python环境的配置　　5 1.3.2　PyCharm的安装　　7 1.4　常见的数据集　　10 1.4.1　鸢尾花数据集　　10 1.4.2　员工离职预测数据集　　11 1.4.3　泰坦尼克号灾难预测数据集　　12 1.4.4　PM2.5空气质量预测数据集　　13 1.5　本章小结　　13 第2章　分类　　14 2.1　分类的概念　　14 2.2　分类中的训练集与测试集　　14 2.3　分类的过程及验证方法　　15 2.3.1　准确率　　15 2.3.2　k折交叉验证　　16 2.4　贝叶斯分类的编程实践　　17 2.4.1　鸢尾花数据集的贝叶斯分类　　17 2.4.2　基于贝叶斯分类的员工离职 预测　　17 2.5　本章小结　　19 第3章　数据的特征选择　　20 3.1　直方图　　20 3.1.1　直方图可视化　　20 3.1.2　直方图特征选择　　23 3.2　直方图与柱状图的差异　　24 3.3　特征选择实践　　26 3.4　本章小结　　29 第4章　数据预处理之数据清洗　　30 4.1　案例概述　　30 4.2　缺失值处理　　31 4.2.1　缺失值处理概述　　31 4.2.2　缺失值处理实例　　32 4.3　噪声数据处理　　32 4.3.1　正态分布噪声数据检测　　32 4.3.2　用箱线图检测噪声数据　　34 4.4　数据预处理案例实践　　35 4.4.1　问题　　35 4.4.2　解决方法　　35 4.4.3　实践结论　　37 4.5　本章小结　　38 第5章　数据预处理之转换　　39 5.1　数据的数值化处理　　39 5.1.1　顺序编码　　39 5.1.2　二进制编码　　40 5.2　数据规范化　　42 5.2.1　最小–最大规范化　　42 5.2.2　z分数规范化　　43 5.2.3　小数定标规范化　　43 5.3　本章小结　　43 第6章　数据预处理之数据降维　　44 6.1　散点图可视化分析　　44 6.2　主成分分析　　46 6.3　本章小结　　49 第7章　不平衡数据分类　　50 7.1　不平衡数据分类问题的特征　　50 7.1.1　数据稀缺问题　　50 7.1.2　噪声问题　　51 7.1.3　决策面偏移问题　　51 7.1.4　评价标准问题　　51 7.2　重采样方法　　51 7.2.1　上采样　　52 7.2.2　对上采样方法的改进　　53 7.2.3　下采样　　58 7.2.4　对下采样方法的改进　　60 7.2.5　不平衡问题的其他处理方式　　65 7.3　不平衡数据分类实践　　65 7.4　本章小结　　66 第8章　回归分析　　67 8.1　线性回归　　67 8.1.1　一元线性回归　　67 8.1.2　多元线性回归　　69 8.2　回归分析检测　　71 8.2.1　正态分布可能性检测　　71 8.2.2　线性分布可能性检测　　72 8.2.3　log转换后的分布　　73 8.3　回归预测案例实践　　74 8.3.1　案例背景　　74 8.3.2　代码实现　　74 8.4　本章小结　　82 第9章　聚类分析　　83 9.1　k均值聚类　　83 9.1.1　算法的步骤　　83 9.1.2　代码实现　　83 9.2　层次聚类　　84 9.2.1　算法的步骤　　84 9.2.2　代码实现　　85 9.3　密度聚类　　85 9.3.1　算法的步骤　　85 9.3.2　代码实现　　86 9.4　本章小结　　88 第10章　关联分析　　90 10.1　Apriori算法　　90 10.2　关联分析案例实践　　92 10.2.1　案例背景　　92 10.2.2　案例的数据集　　93 10.2.3　代码实现　　93 10.2.4　运行结果　　93 10.3　提升Apriori算法性能的方法　　95 10.4　本章小结　　95 第11章　KNN分类　　96 11.1　KNN算法的步骤　　96 11.2　KNeighborsClassifier函数　　97 11.3　KNN的代码实现　　98 11.4　结果分析　　98 11.5　KNN案例实践　　99 11.5.1　案例分析　　99 11.5.2　案例实现　　100 11.5.3　运行结果　　103 11.6　本章小结　　104 第12章　支持向量机　　105 12.1　支持向量机的可视化分析　　105 12.2　SVM的代码实现　　108 12.2.1　鸢尾花数据分类　　108 12.2.2　新闻文本数据分类　　110 12.3　本章小结　　111 第13章　神经网络分类　　112 13.1　多层人工神经网络　　112 13.2　多层人工神经网络的代码实现　　113 13.3　神经网络分类案例实践　　114 13.3.1　案例背景　　114 13.3.2　数据说明　　114 13.3.3　代码实现　　115 13.4　本章小结　　120 第14章　集成学习　　121 14.1　Bagging方法　　121 14.2　随机森林　　123 14.3　Adaboost　　125 14.4　GBDT　　127 14.4.1　GradientBoostingClassifier 函数　　130 14.4.2　GradientBoostingRegressor 函数　　130 14.5　XGBoost　　131 14.5.1　XGBClassifier函数　　131 14.5.2　XGBRegressor函数　　131 14.6　房价预测案例实践　　132 14.7　点击欺骗预测案例实践　　136 14.7.1　案例背景　　136 14.7.2　数据分析　　136 14.7.3　模型优化　　141 14.8　本章小结　　142 第15章　综合案例实践　　143 15.1　员工离职预测综合案例　　143 15.1.1　数据总览　　143 15.1.2　数据预处理　　144 15.1.3　模型构建与比较　　147 15.2　二手车交易价格预测综合 案例　　148 15.2.1　数据集简介　　148 15.2.2　数据总览　　149 15.2.3　数据预处理　　150 15.2.4　查看变量分布　　151 15.2.5　查看变量间的关系　　154 15.2.6　查看变量间的分布关系　　157 15.2.7　分析汽车注册月份与价格的 关系　　157 15.2.8　特征工程　　158 15.2.9　模型构建与训练　　160 15.3　信息抽取综合案例　　161 15.3.1　案例背景　　161 15.3.2　数据集简介　　165 15.3.3　模型的构建与训练　　165 15.3.4　模型评价　　168 15.4　学术网络节点分类　　169 15.4.1　数据集简介　　169 15.4.2　数据总览　　170 15.4.3　模型构建　　171 15.4.4　配置参数　　172 15.4.5　训练数据　　173 15.4.6　模型评价　　174

内容摘要
数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。

查看详情

数据挖掘算法实践与案例详解 数据库

内容简介:

作者简介:

目录:

数据挖掘算法实践与案例详解数据库