数据挖掘算法实践与案例详解

推荐阅读

15.4.6 模型评价

15.4.5 训练数据

15.4.4 配置参数

15.4.3 模型构建

15.4.2 数据总览

15.4.1 数据集简介

15.4 学术网络节点分类

15.3.4 模型评价

15.3.3 模型的构建与训练

15.3.2 数据集简介

15.3.1 案例背景

15.3 信息抽取综合案例

15.2.9 模型构建与训练

15.2.8 特征工程

15.2.7 分析汽车注册月份与价格的关系

15.2.6 查看变量间的分布关系

15.2.5 查看变量间的关系

15.2.4 查看变量分布

15.2.3 数据预处理

15.2.2 数据总览

15.2.1 数据集简介

15.2 二手车交易价格预测综合案例

15.1.3 模型构建与比较

15.1.2 数据预处理

15.1.1 数据总览

15.1 员工离职预测综合案例

第15章 综合案例实践

14.8 本章小结

14.7.3 模型优化

14.7.2 数据分析

14.7.1 案例背景

14.7 点击欺骗预测案例实践

14.6 房价预测案例实践

14.5.2 XGBRegressor函数

14.5.1 XGBClassifier函数

14.5 XGBoost

14.4.2 GradientBoostingRegressor函数

14.4.1 GradientBoostingClassifier函数

14.4 GBDT

14.3 Adaboost

14.2 随机森林

14.1 Bagging方法

第14章 集成学习

13.4 本章小结

13.3.3 代码实现

13.3.2 数据说明

13.3.1 案例背景

13.3 神经网络分类案例实践

13.2 多层人工神经网络的代码实现

13.1 多层人工神经网络

第13章 神经网络分类

12.3 本章小结

12.2.2 新闻文本数据分类

12.2.1 鸢尾花数据分类

12.2 SVM的代码实现

12.1 支持向量机的可视化分析

第12章 支持向量机

11.6 本章小结

11.5.3 运行结果

11.5.2 案例实现

11.5.1 案例分析

11.5 KNN案例实践

11.4 结果分析

11.3 KNN的代码实现

11.2 KNeighborsClassifier函数

11.1 KNN算法的步骤

第11章 KNN分类

10.4 本章小结

10.3 提升Apriori算法性能的方法

10.2.4 运行结果

10.2.3 代码实现

10.2.2 案例的数据集

10.2.1 案例背景

10.2 关联分析案例实践

10.1 Apriori算法

第10章 关联分析

9.4 本章小结

9.3.2 代码实现

9.3.1 算法的步骤

9.3 密度聚类

9.2.2 代码实现

9.2.1 算法的步骤

9.2 层次聚类

9.1.2 代码实现

9.1.1 算法的步骤

9.1 k均值聚类

第9章 聚类分析

8.4 本章小结

8.3.2 代码实现

8.3.1 案例背景

8.3 回归预测案例实践

8.2.3 log转换后的分布

8.2.2 线性分布可能性检测

8.2.1 正态分布可能性检测

8.2 回归分析检测

8.1.2 多元线性回归

8.1.1 一元线性回归

8.1 线性回归

第8章 回归分析

7.4 本章小结

7.3 不平衡数据分类实践

7.2.5 不平衡问题的其他处理方式

7.2.4 对下采样方法的改进

7.2.3 下采样

7.2.2 对上采样方法的改进

7.2.1 上采样

7.2 重采样方法

7.1.4 评价标准问题

7.1.3 决策面偏移问题

7.1.2 噪声问题

7.1.1 数据稀缺问题

7.1 不平衡数据分类问题的特征

第7章 不平衡数据分类

6.3 本章小结

6.2 主成分分析

6.1 散点图可视化分析

第6章 数据预处理之数据降维

5.3 本章小结

5.2.3 小数定标规范化

5.2.2 z分数规范化

5.2.1 最小-最大规范化

5.2 数据规范化

5.1.2 二进制编码

5.1.1 顺序编码

5.1 数据的数值化处理

第5章 数据预处理之转换

4.5 本章小结

4.4.3 实践结论

4.4.2 解决方法

4.4.1 问题

4.4 数据预处理案例实践

4.3.2 用箱线图检测噪声数据

4.3.1 正态分布噪声数据检测

4.3 噪声数据处理

4.2.2 缺失值处理实例

4.2.1 缺失值处理概述

4.2 缺失值处理

4.1 案例概述

第4章 数据预处理之数据清洗

3.4 本章小结

3.3 特征选择实践

3.2 直方图与柱状图的差异

3.1.2 直方图特征选择

3.1.1 直方图可视化

3.1 直方图

第3章 数据的特征选择

2.5 本章小结

2.4.2 基于贝叶斯分类的员工离职预测

2.4.1 鸢尾花数据集的贝叶斯分类

2.4 贝叶斯分类的编程实践

2.3.2 k折交叉验证

2.3.1 准确率

2.3 分类的过程及验证方法

2.2 分类中的训练集与测试集

2.1 分类的概念

第2章 分类

1.5 本章小结

1.4.4 PM2.5空气质量预测数据集

1.4.3 泰坦尼克号灾难预测数据集

1.4.2 员工离职预测数据集

1.4.1 鸢尾花数据集

1.4 常见的数据集

1.3.2 PyCharm的安装

1.3.1 Python环境的配置

1.3 Python的安装步骤

1.2.3 非监督式机器学习

1.2.2 监督式机器学习

1.2.1 关联规则挖掘

1.2 数据挖掘的分类

1.1 数据挖掘技术的由来

第1章 绪论

前言

文前

版权信息

封面

封面

版权信息

文前

前言

第1章 绪论

1.1 数据挖掘技术的由来

1.2 数据挖掘的分类

1.2.1 关联规则挖掘

1.2.2 监督式机器学习

1.2.3 非监督式机器学习

1.3 Python的安装步骤

1.3.1 Python环境的配置

1.3.2 PyCharm的安装

1.4 常见的数据集

1.4.1 鸢尾花数据集

1.4.2 员工离职预测数据集

1.4.3 泰坦尼克号灾难预测数据集

1.4.4 PM2.5空气质量预测数据集

1.5 本章小结

第2章 分类

2.1 分类的概念

2.2 分类中的训练集与测试集

2.3 分类的过程及验证方法

2.3.1 准确率

2.3.2 k折交叉验证

2.4 贝叶斯分类的编程实践

2.4.1 鸢尾花数据集的贝叶斯分类

2.4.2 基于贝叶斯分类的员工离职预测

2.5 本章小结

第3章 数据的特征选择

3.1 直方图

3.1.1 直方图可视化

3.1.2 直方图特征选择

3.2 直方图与柱状图的差异

3.3 特征选择实践

3.4 本章小结

第4章 数据预处理之数据清洗

4.1 案例概述

4.2 缺失值处理

4.2.1 缺失值处理概述

4.2.2 缺失值处理实例

4.3 噪声数据处理

4.3.1 正态分布噪声数据检测

4.3.2 用箱线图检测噪声数据

4.4 数据预处理案例实践

4.4.1 问题

4.4.2 解决方法

4.4.3 实践结论

4.5 本章小结

第5章 数据预处理之转换

5.1 数据的数值化处理

5.1.1 顺序编码

5.1.2 二进制编码

5.2 数据规范化

5.2.1 最小-最大规范化

5.2.2 z分数规范化

5.2.3 小数定标规范化

5.3 本章小结

第6章 数据预处理之数据降维

6.1 散点图可视化分析

6.2 主成分分析

6.3 本章小结

第7章 不平衡数据分类

7.1 不平衡数据分类问题的特征

7.1.1 数据稀缺问题

7.1.2 噪声问题

7.1.3 决策面偏移问题

7.1.4 评价标准问题

7.2 重采样方法

7.2.1 上采样

7.2.2 对上采样方法的改进

7.2.3 下采样

7.2.4 对下采样方法的改进

7.2.5 不平衡问题的其他处理方式

7.3 不平衡数据分类实践

7.4 本章小结

第8章 回归分析

8.1 线性回归

8.1.1 一元线性回归

8.1.2 多元线性回归

8.2 回归分析检测

8.2.1 正态分布可能性检测

8.2.2 线性分布可能性检测

8.2.3 log转换后的分布

8.3 回归预测案例实践

8.3.1 案例背景

8.3.2 代码实现

8.4 本章小结

第9章 聚类分析

9.1 k均值聚类

9.1.1 算法的步骤

9.1.2 代码实现

9.2 层次聚类

9.2.1 算法的步骤

9.2.2 代码实现

9.3 密度聚类

9.3.1 算法的步骤

9.3.2 代码实现

9.4 本章小结

第10章 关联分析

10.1 Apriori算法

10.2 关联分析案例实践

10.2.1 案例背景

10.2.2 案例的数据集

10.2.3 代码实现

10.2.4 运行结果

10.3 提升Apriori算法性能的方法

10.4 本章小结

第11章 KNN分类

11.1 KNN算法的步骤

11.2 KNeighborsClassifier函数

11.3 KNN的代码实现

11.4 结果分析

11.5 KNN案例实践

11.5.1 案例分析

11.5.2 案例实现

11.5.3 运行结果

11.6 本章小结

第12章 支持向量机

12.1 支持向量机的可视化分析

12.2 SVM的代码实现

12.2.1 鸢尾花数据分类

12.2.2 新闻文本数据分类

12.3 本章小结

第13章 神经网络分类

13.1 多层人工神经网络

13.2 多层人工神经网络的代码实现

13.3 神经网络分类案例实践

13.3.1 案例背景

13.3.2 数据说明

13.3.3 代码实现

13.4 本章小结

第14章 集成学习

14.1 Bagging方法

14.2 随机森林

14.3 Adaboost

14.4 GBDT

14.4.1 GradientBoostingClassifier函数

14.4.2 GradientBoostingRegressor函数

14.5 XGBoost

14.5.1 XGBClassifier函数

14.5.2 XGBRegressor函数

14.6 房价预测案例实践

14.7 点击欺骗预测案例实践

14.7.1 案例背景

14.7.2 数据分析

14.7.3 模型优化

14.8 本章小结

第15章 综合案例实践

15.1 员工离职预测综合案例

15.1.1 数据总览

15.1.2 数据预处理

15.1.3 模型构建与比较

15.2 二手车交易价格预测综合案例

15.2.1 数据集简介

15.2.2 数据总览

15.2.3 数据预处理

15.2.4 查看变量分布

15.2.5 查看变量间的关系

15.2.6 查看变量间的分布关系

15.2.7 分析汽车注册月份与价格的关系

15.2.8 特征工程

15.2.9 模型构建与训练

15.3 信息抽取综合案例

15.3.1 案例背景

15.3.2 数据集简介

15.3.3 模型的构建与训练

15.3.4 模型评价

15.4 学术网络节点分类

15.4.1 数据集简介

15.4.2 数据总览

15.4.3 模型构建

15.4.4 配置参数

15.4.5 训练数据

15.4.6 模型评价

推荐阅读