數(shù)據(jù)分析與挖掘算法：Python實戰(zhàn)

第1章 數(shù)據(jù)分析概述 1
1．1 什么是數(shù)據(jù)挖掘 2
1．2 數(shù)據(jù)挖掘與數(shù)據(jù)分析的關系 6
1．3 數(shù)據(jù)挖掘與機器學習的關系 8
1．4 機器學習算法簡介 13

第2章 數(shù)據(jù)思維 19
2．1 數(shù)據(jù)思維認知 21
2．2 數(shù)據(jù)思維認知的主觀性與客觀性 26
2．3 數(shù)據(jù)挖掘“定律” 29

第3章 邏輯回歸 37
3．1 邏輯回歸基礎：從線性回歸到邏輯回歸 38
3．2 邏輯回歸函數(shù)構建 41
3．3 邏輯回歸問題求解 46
3．4 邏輯回歸模型評估 49
3．5 Python代碼實現(xiàn) 55

第4章 決策樹 65
4．1 決策樹基礎 66
4．2 決策樹算法 70
4．3 Python代碼實現(xiàn) 86

第5章 樸素貝葉斯 95
5．1 概率論基礎 96
5．2 從貝葉斯公式到樸素貝葉斯分類 100
5．3 Python代碼實現(xiàn) 106

第6章 聚類分析 113
6．1 聚類分析基礎 115
6．2 聚類算法 121
6．3 Python代碼實現(xiàn) 128

第7章 關聯(lián)規(guī)則 137
7．1 關聯(lián)規(guī)則基礎 140
7．2 關聯(lián)規(guī)則算法 143
7．3 Python代碼實現(xiàn) 147

第8章 人工神經(jīng)網(wǎng)絡 151
8．1 人工神經(jīng)網(wǎng)絡基礎 153
8．2 BP（誤差逆?zhèn)鞑デ梆仯┥窠?jīng)網(wǎng)絡 158
8．3 Python代碼實現(xiàn) 164

第9章 集成學習 169
9．1 集成學習基礎 170
9．2 集成學習算法 174
參考資料 181