數(shù)據(jù)挖掘算法實踐與案例詳解

目　　錄
前言
第1章　緒論　　1
1.1　數(shù)據(jù)挖掘技術(shù)的由來　　1
1.2　數(shù)據(jù)挖掘的分類　　2
1.2.1　關(guān)聯(lián)規(guī)則挖掘　　2
1.2.2　監(jiān)督式機器學習　　3
1.2.3　非監(jiān)督式機器學習　　4
1.3　Python的安裝步驟　　5
1.3.1　Python環(huán)境的配置　　5
1.3.2　PyCharm的安裝　　7
1.4　常見的數(shù)據(jù)集　　10
1.4.1　鳶尾花數(shù)據(jù)集　　10
1.4.2　員工離職預(yù)測數(shù)據(jù)集　　11
1.4.3　泰坦尼克號災(zāi)難預(yù)測數(shù)據(jù)集　　12
1.4.4　PM2.5空氣質(zhì)量預(yù)測數(shù)據(jù)集　　13
1.5　本章小結(jié)　　13
第2章　分類　　14
2.1　分類的概念　　14
2.2　分類中的訓練集與測試集　　14
2.3　分類的過程及驗證方法　　15
2.3.1　準確率　　15
2.3.2　k折交叉驗證　　16
2.4　貝葉斯分類的編程實踐　　17
2.4.1　鳶尾花數(shù)據(jù)集的貝葉斯分類　　17
2.4.2　基于貝葉斯分類的員工離職
預(yù)測　　17
2.5　本章小結(jié)　　19
第3章　數(shù)據(jù)的特征選擇　　20
3.1　直方圖　　20
3.1.1　直方圖可視化　　20
3.1.2　直方圖特征選擇　　23
3.2　直方圖與柱狀圖的差異　　24
3.3　特征選擇實踐　　26
3.4　本章小結(jié)　　29
第4章　數(shù)據(jù)預(yù)處理之數(shù)據(jù)清洗　　30
4.1　案例概述　　30
4.2　缺失值處理　　31
4.2.1　缺失值處理概述　　31
4.2.2　缺失值處理實例　　32
4.3　噪聲數(shù)據(jù)處理　　32
4.3.1　正態(tài)分布噪聲數(shù)據(jù)檢測　　32
4.3.2　用箱線圖檢測噪聲數(shù)據(jù)　　34
4.4　數(shù)據(jù)預(yù)處理案例實踐　　35
4.4.1　問題　　35
4.4.2　解決方法　　35
4.4.3　實踐結(jié)論　　37
4.5　本章小結(jié)　　38
第5章　數(shù)據(jù)預(yù)處理之轉(zhuǎn)換　　39
5.1　數(shù)據(jù)的數(shù)值化處理　　39
5.1.1　順序編碼　　39
5.1.2　二進制編碼　　40
5.2　數(shù)據(jù)規(guī)范化　　42
5.2.1　最小–最大規(guī)范化　　42
5.2.2　z分數(shù)規(guī)范化　　43
5.2.3　小數(shù)定標規(guī)范化　　43
5.3　本章小結(jié)　　43
第6章　數(shù)據(jù)預(yù)處理之數(shù)據(jù)降維　　44
6.1　散點圖可視化分析　　44
6.2　主成分分析　　46
6.3　本章小結(jié)　　49
第7章　不平衡數(shù)據(jù)分類　　50
7.1　不平衡數(shù)據(jù)分類問題的特征　　50
7.1.1　數(shù)據(jù)稀缺問題　　50
7.1.2　噪聲問題　　51
7.1.3　決策面偏移問題　　51
7.1.4　評價標準問題　　51
7.2　重采樣方法　　51
7.2.1　上采樣　　52
7.2.2　對上采樣方法的改進　　53
7.2.3　下采樣　　58
7.2.4　對下采樣方法的改進　　60
7.2.5　不平衡問題的其他處理方式　　65
7.3　不平衡數(shù)據(jù)分類實踐　　65
7.4　本章小結(jié)　　66
第8章　回歸分析　　67
8.1　線性回歸　　67
8.1.1　一元線性回歸　　67
8.1.2　多元線性回歸　　69
8.2　回歸分析檢測　　71
8.2.1　正態(tài)分布可能性檢測　　71
8.2.2　線性分布可能性檢測　　72
8.2.3　log轉(zhuǎn)換后的分布　　73
8.3　回歸預(yù)測案例實踐　　74
8.3.1　案例背景　　74
8.3.2　代碼實現(xiàn)　　74
8.4　本章小結(jié)　　82
第9章　聚類分析　　83
9.1　k均值聚類　　83
9.1.1　算法的步驟　　83
9.1.2　代碼實現(xiàn)　　83
9.2　層次聚類　　84
9.2.1　算法的步驟　　84
9.2.2　代碼實現(xiàn)　　85
9.3　密度聚類　　85
9.3.1　算法的步驟　　85
9.3.2　代碼實現(xiàn)　　86
9.4　本章小結(jié)　　88
第10章　關(guān)聯(lián)分析　　90
10.1　Apriori算法　　90
10.2　關(guān)聯(lián)分析案例實踐　　92
10.2.1　案例背景　　92
10.2.2　案例的數(shù)據(jù)集　　93
10.2.3　代碼實現(xiàn)　　93
10.2.4　運行結(jié)果　　93
10.3　提升Apriori算法性能的方法　　95
10.4　本章小結(jié)　　95
第11章　KNN分類　　96
11.1　KNN算法的步驟　　96
11.2　KNeighborsClassifier函數(shù)　　97
11.3　KNN的代碼實現(xiàn)　　98
11.4　結(jié)果分析　　98
11.5　KNN案例實踐　　99
11.5.1　案例分析　　99
11.5.2　案例實現(xiàn)　　100
11.5.3　運行結(jié)果　　103
11.6　本章小結(jié)　　104
第12章　支持向量機　　105
12.1　支持向量機的可視化分析　　105
12.2　SVM的代碼實現(xiàn)　　108
12.2.1　鳶尾花數(shù)據(jù)分類　　108
12.2.2　新聞文本數(shù)據(jù)分類　　110
12.3　本章小結(jié)　　111
第13章　神經(jīng)網(wǎng)絡(luò)分類　　112
13.1　多層人工神經(jīng)網(wǎng)絡(luò)　　112
13.2　多層人工神經(jīng)網(wǎng)絡(luò)的代碼實現(xiàn)　　113
13.3　神經(jīng)網(wǎng)絡(luò)分類案例實踐　　114
13.3.1　案例背景　　114
13.3.2　數(shù)據(jù)說明　　114
13.3.3　代碼實現(xiàn)　　115
13.4　本章小結(jié)　　120
第14章　集成學習　　121
14.1　Bagging方法　　121
14.2　隨機森林　　123<>