數(shù)據(jù)挖掘原理（第3版）

第1章 數(shù)據(jù)挖掘簡(jiǎn)介
1．1 數(shù)據(jù)爆炸
1．2 知識(shí)發(fā)現(xiàn)
1．3 數(shù)據(jù)挖掘的應(yīng)用
1．4 標(biāo)簽和無(wú)標(biāo)簽數(shù)據(jù)
1．5 監(jiān)督學(xué)習(xí)：分類
1．6 監(jiān)督學(xué)習(xí)：數(shù)值預(yù)測(cè)
1．7 無(wú)監(jiān)督學(xué)習(xí)：關(guān)聯(lián)規(guī)則
1．8 無(wú)監(jiān)督學(xué)習(xí)：聚類
第2章 用于挖掘的數(shù)據(jù)
2．1 標(biāo)準(zhǔn)制定
2．2 變量的類型
2．3 數(shù)據(jù)準(zhǔn)備
2．4 缺失值
2．4．1 丟棄實(shí)例
2．4．2 用最頻繁值／平均值替換
2．5 減少屬性個(gè)數(shù)
2．6 數(shù)據(jù)集的UCI存儲(chǔ)庫(kù)
2．7 本章小結(jié)
2．8 自我評(píng)估練習(xí)
第3章 分類簡(jiǎn)介：樸素貝葉斯和
最近鄰算法
3．1 什么是分類
3．2 樸素貝葉斯分類器
3．3 最近鄰分類
3．3．1 距離測(cè)量
3．3．2 標(biāo)準(zhǔn)化
3．3．3 處理分類屬性
3．4 急切式和懶惰式學(xué)習(xí)
3．5 本章小結(jié)
3．6 自我評(píng)估練習(xí)
第4章 使用決策樹進(jìn)行分類
4．1 決策規(guī)則和決策樹
4．1．1 決策樹：高爾夫示例
4．1．2 術(shù)語(yǔ)
4．1．3 degrees數(shù)據(jù)集
4．2 TDIDT算法
4．3 推理類型
4．4 本章小結(jié)
4．5 自我評(píng)估練習(xí)
第5章 決策樹歸納：使用熵進(jìn)行屬性選擇
5．1 屬性選擇：一個(gè)實(shí)驗(yàn)
5．2 替代決策樹
5．2．1 足球／無(wú)板籃球示例
5．2．2 匿名數(shù)據(jù)集
5．3 選擇要分裂的屬性：使用熵
5．3．1 lens24數(shù)據(jù)集
5．3．2 熵
5．3．3 使用熵進(jìn)行屬性選擇
5．3．4 信息增益最大化
5．4 本章小結(jié)
5．5 自我評(píng)估練習(xí)
第6章 決策樹歸納：使用頻率表進(jìn)行屬性選擇
6．1 實(shí)踐中的熵計(jì)算
6．1．1 等效性證明
6．1．2 關(guān)于零值的說(shuō)明
6．2 其他屬性選擇標(biāo)準(zhǔn)：
多樣性基尼指數(shù)
6．3 X2屬性選擇準(zhǔn)則
6．4 歸納偏好
6．5 使用增益比進(jìn)行屬性選擇
6．5．1 分裂信息的屬性
6．5．2 總結(jié)
6．6 不同屬性選擇標(biāo)準(zhǔn)生成的規(guī)則數(shù)
6．7 缺失分支
6．8 本章小結(jié)
6．9 自我評(píng)估練習(xí)
第7章 估計(jì)分類器的預(yù)測(cè)精度
7．1 簡(jiǎn)介
7．2 方法1：將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集
7．2．1 標(biāo)準(zhǔn)誤差
7．2．2 重復(fù)訓(xùn)練和測(cè)試
7．3 方法2：K-折交叉驗(yàn)證
……
第8章 連續(xù)屬性
第9章 避免決策樹的過(guò)度擬合
第10章 關(guān)于熵的更多信息
第11章 歸納分類的模塊化規(guī)則
第12章 度量分類器的性能
第13章 處理大量數(shù)據(jù)
第14章 集成分類
第15章 比較分類器
第16章 關(guān)聯(lián)規(guī)則挖掘Ⅰ
第17章 關(guān)聯(lián)規(guī)則挖掘Ⅱ
第18章 關(guān)聯(lián)規(guī)則挖掘
第19章 聚類
第20章 文本挖掘
第21章 分類流數(shù)據(jù)Ⅰ
第22章 分類流數(shù)據(jù)Ⅱ：時(shí)間相關(guān)數(shù)據(jù)
附錄
參考文獻(xiàn)