數據挖掘：理論、方法與實踐——基於Python語言
彭珍，李華姣，崔巍 編著
- 出版商: 清華大學
- 出版日期: 2026-08-01
- 售價: $237
- 語言: 簡體中文
- ISBN: 7302722137
- ISBN-13: 9787302722137
-
相關分類:
Data-mining、Python
下單後立即進貨 (約4週~6週)
相關主題
商品描述
本書內容豐富、結構清晰，共分為七章。第一章詳細介紹了數據挖掘的準備工作，幫助理清數據挖掘含義、步驟與任務，加強對數據類型、屬性類型基礎知識的認知，以及實現具體的一項數據處理任務，為後續數據挖掘任務的實施提供了學習的基礎。數據挖掘的任務主要包括分類與回歸、時間序列預測、關聯規則挖掘、聚類、離群點檢測、推薦等，在後續的五章中，對每項數據挖掘任務進行了深入探討。第二章聚焦於分類與回歸，涵蓋了決策樹及其集成方法（如隨機森林、Xgboost）、回歸方法（包括各類回歸）、支持向量機、各類神經網絡（如ANN、圖神經網絡等）以及貝葉斯模型（如樸素貝葉斯、貝葉斯信念網絡）。第三章專註於時間序列預測，主要包括一維時間序列預測與多維時間序列預測方法。第四章詳細介紹了關聯規則挖掘的兩類經典方法：Apriori算法和FP-growth算法。第五章探討了聚類方法，包括K-means系列、層次聚類、基於密度的聚類、神經網絡聚類以及模糊聚類。第六章和第七章分別介紹了離群點檢測和協同過濾推薦。
目錄大綱
掃一掃源碼下載目錄第1章關於數據挖掘1
1.1數據挖掘概述1
1.1.1數據挖掘的概念1
1.1.2數據挖掘案例1
1.1.3數據挖掘與數據分析2
1.1.4數據挖掘與機器學習3
1.2數據挖掘的步驟4
1.3數據挖掘任務5
1.4數據挖掘準備7
1.4.1數據的類型7
1.4.2屬性的類型8
1.4.3數據處理9
1.4.4數據規範化10
1.5數據挖掘準備的實踐案例14
1.6習題18第2章分類與回歸19
2.1分類與回歸概述19
2.1.1分類與回歸的概念19
2.1.2分類與回歸的過程20
2.1.3分類與回歸的誤差20
2.1.4分類與回歸的評價23
2.2決策樹類方法27
2.2.1決策樹27
2.2.2決策樹歸納方法28
2.2.3隨機森林模型35
2.2.4XGBoost方法41
2.3回歸類方法49
2.3.1線性回歸49
2.3.2邏輯回歸55
2.3.3LASSO回歸59
2.3.4嶺回歸62
2.3.5多項式回歸66
2.4支持向量機方法70
2.4.1支持向量機的原理70
2.4.2支持向量機的實現方法71
2.4.3支持向量機的實踐案例73
2.5神經網絡類方法75
2.5.1人工神經網絡方法75
2.5.2圖神經網絡方法85
2.6貝葉斯建模方法92
2.6.1樸素貝葉斯分類93
2.6.2貝葉斯信念網絡分類100
2.7習題106第3章時間序列預測109
3.1一維時間序列預測109
3.1.1時間序列預測處理109
3.1.2平穩時間序列預測模型110
3.1.3非平穩時間序列預測模型115
3.1.4時間序列預測實現方法116
3.1.5時間序列預測實踐案例120
3.2多維時間序列預測124
3.2.1LSTM的原理124
3.2.2LSTM的實現方法127
3.2.3LSTM的實踐案例128
3.3習題133第4章關聯規則挖掘135
4.1關聯規則挖掘概述135
4.1.1關聯規則挖掘簡介135
4.1.2關聯規則挖掘的基本概念136
4.1.3關聯規則挖掘的步驟137
4.1.4關聯模式的評價137
4.2Apriori算法139
4.2.1Apriori算法概述139
4.2.2Apriori算法的實現方法141
4.2.3Apriori算法的實踐案例143
4.3FPgrowth算法146
4.3.1FPgrowth算法概述146
4.3.2FPgrowth算法的實現方法150
4.3.3FPgrowth算法的實踐案例151
4.4習題155第5章聚類157
5.1聚類概述157
5.1.1聚類的概念157
5.1.2聚類的分類 158
5.2劃分聚類159
5.2.1KMeans聚類159
5.2.2KMeans++聚類169
5.2.3KMedians聚類170
5.2.4KMedoids聚類170
5.2.5KModes聚類171
5.2.6Kernel KMeans聚類171
5.3層次聚類172
5.3.1層次聚類分析172
5.3.2分裂層次聚類177
5.4基於密度的聚類179
5.4.1基於密度的聚類概述179
5.4.2DBSCAN聚類的步驟180
5.4.3基於密度的聚類的優缺點180
5.4.4DBSCAN聚類評價與實現方法180
5.4.5DBSCAN聚類的實踐案例183
5.5基於神經網絡的聚類184
5.5.1基於神經網絡的聚類的原理185
5.5.2基於神經網絡的聚類的優缺點186
5.5.3基於神經網絡的聚類的實現方法186
5.5.4基於神經網絡的聚類的實踐案例188
5.6模糊聚類190
5.6.1模糊集理論190
5.6.2模糊聚類的原理190
5.6.3模糊聚類的步驟191
5.6.4模糊聚類的實現方法191
5.6.5模糊聚類的實踐案例193
5.7習題195第6章離群點檢測197
6.1離群點檢測概述197
6.1.1離群點與離群點檢測197
6.1.2離群點檢測方法198
6.2基於鄰近度的離群點檢測198
6.2.1基於鄰近度的離群點檢測概述198
6.2.2基於鄰近度的離群點檢測的實現方法199
6.2.3基於鄰近度的離群點檢測的實踐案例200
6.3基於密度的離群點檢測202
6.3.1離群點檢測密度定義方法202
6.3.2基於密度的離群點檢測的實踐案例202
6.4基於聚類的離群點檢測204
6.4.1基於聚類的離群點檢測方法204
6.4.2基於聚類的離群點檢測的實踐案例206
6.5習題208參考文獻210
