數據挖掘與機器學習 : PMML 建模 (上)

潘風文，黃春芳著

數據挖掘與機器學習 : PMML 建模 (上)

買這商品的人也買了...

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

相關主題

商品描述

本書結合實際例子詳細介紹了數據挖掘和機器學習領域關聯規則模型、樸素貝葉斯模型、貝葉斯網絡模型、
基線模型、聚類模型、通用回歸模型、回歸模型、高斯過程模型以及K*近鄰模型九種模型的表達方式及構建知識。
讀者最好同時結合《PMML建模標準語言基礎》一書進行學習，
以便融會貫通，靈活運用，更好地把PMML語言應用到自己的項目實踐中。
本書的讀者對象為從事數據挖掘、機器學習、人工智能係統開發的人員以及教師和學生，
也可以作為大數據及機器學習愛好者的自學用書。

目錄大綱

目錄：
1關聯規則模型AssociationModel 1
1.1關聯規則基礎知識2
1.2關聯規則算法簡介4
1.3關聯規則模型元素AssociationModel 8
1.3.1模型屬性10
1.3.2模型子元素11
1.3.3評分應用過程18

2樸素貝葉斯模型NaiveBayesModel 20
2.1樸素貝葉斯模型基礎知識21
2.1.1全概率公式22
2.1.2貝葉斯定理23
2.2樸素貝葉斯算法簡介24
2.2.1樸素貝葉斯算法24
2.2.2樸素貝葉斯模型參數估計26
2.3樸素貝葉斯模型元素NaiveBayesModel 34
2.3.1模型屬性36
2.3.2模型子元素36
2.3.3評分應用過程41

3貝葉斯網絡模型BayesianNetworkModel 51
3.1貝葉斯網絡基礎知識52
3.2貝葉斯網絡算法簡介55
3.3貝葉斯網絡模型元素BayesianNetworkModel 56
3.3.1模型屬性57
3.3.2模型子元素58
3.3.3評分應用過程65

4基線模型BaselineModel 78
4.1基線模型的基礎知識79
4.1.1一般基線模型的概念79
4.1.2 PMML規範中的基線模型80
4.2基線模型元素BaselineModel 87
4.2.1模型屬性87
4.2.2模型子元素88
4.2.3評分應用過程98

5聚類模型ClusteringModel 100
5.1聚類模型的基礎知識101
5.2聚類算法簡介104
5.2.1硬聚類和軟聚類105
5.2.2基於算法主要特徵的劃分105
5.2. 3 PMML規範中的聚類108
5.3聚類模型元素ClusteringModel 108
5.3.1模型屬性110
5.3.2模型子元素110
5.3.3評分應用過程124

6通用回歸模型GeneralRegressionModel 125
6.1通用回歸模型基礎知識126
6.2通用回歸算法簡介130
6.2.1一般線性回歸模型GLM 130
6.2.2廣義線性回歸GLZM 132
6.2.3 Cox回歸146
6.3通用回歸模型元素GeneralRegressionModel 147
6.3.1模型屬性150
6.3.2模型子元素154
6.3.3評分應用過程163

7回歸模型RegressionModel 193
7.1模型屬性196
7.2模型子元素197
7.3評分應用過程200

8高斯過程模型GaussianProcessModel 207
8.1高斯過程模型基礎知識209
8.2高斯過程算法簡介210
8.3高斯過程模型GaussianProcessModel 213
8.3.1模型屬性214
8.3.2模型元素215
8.3.3評分應用過程220

9最近鄰模型NearestNeighborModel 224
9.1 KNN最近鄰模型基礎知識225
9.2 KNN最近鄰模型算法簡介227
9.3最近鄰模型NearestNeighborModel 230
9.3.1模型屬性233
9.3.2模型子元素234
9.3.3評分應用過程236
附錄243

類似商品

最後瀏覽商品 (15)