数据挖掘原理与SPSS Clementine应用宝典

参考文献

24.4 小结

24.3 利用神经网络对数据进行欺诈探测

24.2 利用决策树模型挖掘商业信息

24.1 市场购物篮分析

第24章 SPSS Clementine典型案例分析

23.6 小结

23.5 导入和导出PMML模型

23.4 处理缺失值

23.3 建立项目和报告

23.2 数据挖掘项目周期

23.1 数据挖掘项目实施步骤

第23章 数据挖掘项目实施

22.13 小结

22.12 评估模型产生精确预测值的能力

22.11 SPSS导出结果

22.10 全局量的输出

22.9 格式化的报告输出

22.8 数据的质量报告

22.7 均值的输出

22.6 统计量输出

22.5 数据审核报告

22.4 评估预测值的输出

22.3 通过矩阵方式建立关系表

22.2 表节点的输出

22.1 结果输出的概述

第22章 数据挖掘结果的输出

21.19 小结

21.18 用神经网络节点和C5.0节点训练和测试

21.17 Logistic回归模型

21.16 回归模型

21.15 特征选择算法模型

21.14 主成分/因子分析

21.13 序列模型

21.12 生成规则集模型

21.11 GRl关联规则

21.10 Apriori关联规则

21.9 异常节点模型

21.8 TwoStep聚类分析

21.7 K-Means聚类分析

21.6 Kohonen网络模型

21.5 C&RT基于树的分类预测

21.4 C5.0算法生成决策树

21.3 神经网络建模

21.2 建模前的通用设置

21.1 Clementine数据模型工具概览

第21章 SPSS Clementine数据挖掘建模

20.12 小结

20.11 状态检测实例

20.10 时间散点图的显示

20.9 评估节点图

20.8 网络图显示

20.7 多重散点图

20.6 收集图显示

20.5 绘制直方图

20.4 条形图的绘制

20.3 散点图的显示

20.2 图表的创建

20.1 图表类型

第20章 数据的图形化展示

19.4 小结

19.3 对字段数据的进一步处理

19.2 对数据集记录的修改

19.1 各种格式数据的导入

第19章 SPSS Clementine数据管理

18.4 小结

18.3 SPSS Clementine数据挖掘入门

18.2 SPSS Clementine应用领域

18.1 认识SPSS Clementine

第18章 SPSS Clementine基础

第4部分 SPSS Clementine数据挖掘实务

17.6 小结

17.5 计算标准

17.4 贝叶斯标准

17.3 基于计分函数的标准

17.2 基于统计检验的准则

17.1 基于损失函数的标准

第17章 数据挖掘模型评价

16.4 小结

16.3 数据挖掘建模原理

16.2 数据挖掘建模基础

16.1 数据挖掘建模概述

第16章 数据挖掘建模

第3部分 数据挖掘建模与模型

15.9 小结

15.8 挖掘生物学数据中的序列模式

15.7 挖掘事务数据库中的序列模式

15.6 时间序列数据挖掘

15.5 挖掘数据流

15.4 挖掘互联网

15.3 文本挖掘

15.2 多媒体数据挖掘

15.1 空间数据库挖掘

第15章 复杂对象数据挖掘

14.7 小结

14.6 支持向量机在数据挖掘中的应用

14.5 支持向量机的改进算法

14.4 支持向量回归机

14.3 支持向量机的实现技术

14.2 支持向量机的基本原理

14.1 支持向量机基础

第14章 数据预处理机

13.6 小结

13.5 基因表达式编程

13.4 基于遗传算法的数据挖掘

13.3 改进遗传算法

13.2 基本遗传算法

13.1 遗传算法概述

第13章 遗传算法

12.8 小结

12.7 神经网络在数据挖掘中的应用

12.6 神经网络的应用

12.5 自组织神经网络

12.4 Hopfield神经网络

12.3 径向基函数神经网络

12.2 BP神经网络

12.1 神经网络基本原理

第12章 神预处理

11.4 小结

11.3 粗糙集在数据预处理中的应用

11.2 知识表达

11.1 粗糙集基本概念

第11章 粗糙集理论

10.13 小结

10.12 应用实例分析

10.11 加权关联规则挖掘算法

10.10 负关联规则挖掘算法

10.9 多维关联规则挖掘

10.8 数量关联规则挖掘

10.7 约束性关联规则挖掘

10.6 多层关联规则挖掘

10.5 增量更新挖掘算法

10.4 并行挖掘算法

10.3 分层搜索经典算法——Apriori算法

10.2 关联规则算法原理

10.1 关联规则基础

第10章 关联规则算法

9.6 小结

9.5 应用实例分析

9.4 由决策树提取分类规则

9.3 决策树剪枝

9.2 常用决策树算法

9.1 决策树算法原理

第9章 决策树算法

8.11 小结

8.10 应用实例分析

8.9 模糊聚类FCM

8.8 高维数据的聚类方法

8.7 基于模型的聚类方法

8.6 基于网格的聚类方法

8.5 基于密度的聚类方法

8.4 层次聚类方法

8.3 划分聚类方法

8.2 聚类分析常用算法分类

8.1 聚类分析原理

第8章 聚类分析

7.7 小结

7.6 应用实例分析

7.5 贝叶斯信念网络

7.4 EM算法

7.3 朴素贝叶斯分类

7.2 贝叶斯分类

7.1 贝叶斯定理

第7章 贝叶斯分析

6.6 小结

6.5 应用实例分析

6.4 非线性回归分析

6.3 多元线性回归分析

6.2 一元线性回归分析

6.1 回归分析的基本原理

第6章 回归分析

第2部分 数据挖掘经典算法

5.3 小结

5.2 数据预处理的方法

5.1 数据预处理基本功能

第5章 数据预处理

4.4 小结

4.3 构造建模数据集

4.2 选择建模数据

4.1 数据挖掘的对象

第4章 数据选择

3.3 小结

3.2 数据挖掘的过程模型

3.1 数据挖掘的体系结构

第3章 数据挖掘的体系结构与模型

2.8 小结

2.7 偏差检测

2.6 时间序列

2.5 预测

2.4 聚类分析

2.3 分类

2.2 关联模式

2.1 概念与类描述

第2章 数据挖掘可挖掘的知识类型

1.8 小结

1.7 数据挖掘的发展趋势

1.6 数据挖掘面临的挑战和局限性

1.5 数据挖掘标准和规范

1.4 数据挖掘的应用领域

1.3 数据挖掘系统分类

1.2 数据挖掘的定义

1.1 数据挖掘的社会需求

第1章 数据挖掘概述

第1部分 数据挖掘应用基础

前言

版权信息

封面

封面

版权信息

前言

第1部分 数据挖掘应用基础

第1章 数据挖掘概述

1.1 数据挖掘的社会需求

1.2 数据挖掘的定义

1.3 数据挖掘系统分类

1.4 数据挖掘的应用领域

1.5 数据挖掘标准和规范

1.6 数据挖掘面临的挑战和局限性

1.7 数据挖掘的发展趋势

1.8 小结

第2章 数据挖掘可挖掘的知识类型

2.1 概念与类描述

2.2 关联模式

2.3 分类

2.4 聚类分析

2.5 预测

2.6 时间序列

2.7 偏差检测

2.8 小结

第3章 数据挖掘的体系结构与模型

3.1 数据挖掘的体系结构

3.2 数据挖掘的过程模型

3.3 小结

第4章 数据选择

4.1 数据挖掘的对象

4.2 选择建模数据

4.3 构造建模数据集

4.4 小结

第5章 数据预处理

5.1 数据预处理基本功能

5.2 数据预处理的方法

5.3 小结

第2部分 数据挖掘经典算法

第6章 回归分析

6.1 回归分析的基本原理

6.2 一元线性回归分析

6.3 多元线性回归分析

6.4 非线性回归分析

6.5 应用实例分析

6.6 小结

第7章 贝叶斯分析

7.1 贝叶斯定理

7.2 贝叶斯分类

7.3 朴素贝叶斯分类

7.4 EM算法

7.5 贝叶斯信念网络

7.6 应用实例分析

7.7 小结

第8章 聚类分析

8.1 聚类分析原理

8.2 聚类分析常用算法分类

8.3 划分聚类方法

8.4 层次聚类方法

8.5 基于密度的聚类方法

8.6 基于网格的聚类方法

8.7 基于模型的聚类方法

8.8 高维数据的聚类方法

8.9 模糊聚类FCM

8.10 应用实例分析

8.11 小结

第9章 决策树算法

9.1 决策树算法原理

9.2 常用决策树算法

9.3 决策树剪枝

9.4 由决策树提取分类规则

9.5 应用实例分析

9.6 小结

第10章 关联规则算法

10.1 关联规则基础

10.2 关联规则算法原理

10.3 分层搜索经典算法——Apriori算法

10.4 并行挖掘算法

10.5 增量更新挖掘算法

10.6 多层关联规则挖掘

10.7 约束性关联规则挖掘

10.8 数量关联规则挖掘

10.9 多维关联规则挖掘

10.10 负关联规则挖掘算法

10.11 加权关联规则挖掘算法

10.12 应用实例分析

10.13 小结

第11章 粗糙集理论

11.1 粗糙集基本概念

11.2 知识表达

11.3 粗糙集在数据预处理中的应用

11.4 小结

第12章 神预处理

12.1 神经网络基本原理

12.2 BP神经网络

12.3 径向基函数神经网络

12.4 Hopfield神经网络

12.5 自组织神经网络

12.6 神经网络的应用

12.7 神经网络在数据挖掘中的应用

12.8 小结

第13章 遗传算法

13.1 遗传算法概述

13.2 基本遗传算法

13.3 改进遗传算法

13.4 基于遗传算法的数据挖掘

13.5 基因表达式编程

13.6 小结

第14章 数据预处理机

14.1 支持向量机基础

14.2 支持向量机的基本原理

14.3 支持向量机的实现技术

14.4 支持向量回归机

14.5 支持向量机的改进算法

14.6 支持向量机在数据挖掘中的应用

14.7 小结

第15章 复杂对象数据挖掘

15.1 空间数据库挖掘

15.2 多媒体数据挖掘

15.3 文本挖掘

15.4 挖掘互联网

15.5 挖掘数据流

15.6 时间序列数据挖掘

15.7 挖掘事务数据库中的序列模式

15.8 挖掘生物学数据中的序列模式

15.9 小结

第3部分 数据挖掘建模与模型

第16章 数据挖掘建模

16.1 数据挖掘建模概述

16.2 数据挖掘建模基础

16.3 数据挖掘建模原理

16.4 小结

第17章 数据挖掘模型评价

17.1 基于损失函数的标准

17.2 基于统计检验的准则

17.3 基于计分函数的标准

17.4 贝叶斯标准

17.5 计算标准

17.6 小结

第4部分 SPSS Clementine数据挖掘实务

第18章 SPSS Clementine基础

18.1 认识SPSS Clementine

18.2 SPSS Clementine应用领域

18.3 SPSS Clementine数据挖掘入门

18.4 小结

第19章 SPSS Clementine数据管理

19.1 各种格式数据的导入

19.2 对数据集记录的修改

19.3 对字段数据的进一步处理

19.4 小结

第20章 数据的图形化展示

20.1 图表类型

20.2 图表的创建

20.3 散点图的显示

20.4 条形图的绘制

20.5 绘制直方图

20.6 收集图显示

20.7 多重散点图

20.8 网络图显示

20.9 评估节点图

20.10 时间散点图的显示

20.11 状态检测实例

20.12 小结

第21章 SPSS Clementine数据挖掘建模

21.1 Clementine数据模型工具概览

21.2 建模前的通用设置

21.3 神经网络建模

21.4 C5.0算法生成决策树

21.5 C&RT基于树的分类预测

21.6 Kohonen网络模型

21.7 K-Means聚类分析

21.8 TwoStep聚类分析

21.9 异常节点模型

21.10 Apriori关联规则

21.11 GRl关联规则

21.12 生成规则集模型

21.13 序列模型

21.14 主成分/因子分析

21.15 特征选择算法模型

21.16 回归模型

21.17 Logistic回归模型

21.18 用神经网络节点和C5.0节点训练和测试

21.19 小结

第22章 数据挖掘结果的输出

22.1 结果输出的概述

22.2 表节点的输出

22.3 通过矩阵方式建立关系表

22.4 评估预测值的输出

22.5 数据审核报告

22.6 统计量输出

22.7 均值的输出

22.8 数据的质量报告

22.9 格式化的报告输出

22.10 全局量的输出

22.11 SPSS导出结果

22.12 评估模型产生精确预测值的能力

22.13 小结

第23章 数据挖掘项目实施

23.1 数据挖掘项目实施步骤

23.2 数据挖掘项目周期

23.3 建立项目和报告

23.4 处理缺失值

23.5 导入和导出PMML模型

23.6 小结

第24章 SPSS Clementine典型案例分析

24.1 市场购物篮分析

24.2 利用决策树模型挖掘商业信息

24.3 利用神经网络对数据进行欺诈探测

24.4 小结

参考文献