当前位置:首页 > 天道酬勤 > 正文内容

数据挖掘课后总结(数据挖掘重点)

张世龙2021年12月20日 14:51天道酬勤1380

前言

本书主要阐述数据挖掘的原理,举例详细说明来源于统计学、机器学习、神经网络、原型逻辑、进化计算等学科的代表性、最先进的挖掘方法和算法。 本书还重点说明了如何合理选择方法数据分析软件,合理调整参数。 各章末尾附有复习题。

本书的特征

介绍了支持向量机(SVM )和Kohonen映射描述了DBSCAN、BIRCH和分布式DBSCAN聚类算法介绍了安静的草丛网络,以及图形中的Betweeness和Centrality参数然后详细阐述了AdaBoost算法讨论Relief和PageRank算法讨论文本挖掘的潜在语义分析(LSA ),分析了文本文档之间语义相似性的度量方法,分析了时态、空间、Web、文本、并行更详细地说明数据挖掘技术的商业、隐私、安全、法律方面的内容 )。

第一章 数据挖掘的概念

1.1概要1.2数据挖掘的起源 )。

1.3数据挖掘过程 )。

1.4大数据集1.5数据仓库1.6数据挖掘的业务方面:为什么数据挖掘项目会失败. 1.7本书的配置安排. 1.8复习问题1.9参考文献

第二章 数据准备

2.1元数据的表现2.2元数据的特性2.3元数据的变换2.3.1标准化2.3.2数据平2.3.3差分与比例2.4丢失数据2.5小时相关数据2.6异常点分析2.7复习问题2.8参考文献

第三章 数据归约

.1大数据集

3.2特征归纳

3.2.1特征选择

3.2.2特征提取

3.3 Relief算法

3.4特征序列的熵测量

3.5主成分分析

3.6值归约

3.7特征的离散化: ChiMerge技术

3.8个案的合同

3.9复习题

3.10参考文献

第四章 从数据中学习

4.1学习机器4.2统计学习原理4.3学习方法的类型4.4常见的学习任务4.5支持向量机. 4.6k NN:最近邻分类器. 4.7模型选择和泛化4.8模型的评估4.9 90%正确的情况4.9.1保险诈骗检测4.9 % 复习1的目的

第五章 统计方法

5.1统计推算5.2评测数据集差异5.3安静的草丛定理5.4预测回归5.5方差分析5.6对数回归5.7对数-线性模型. 5.8线性判别分析5.9复习问题5.10参考文献

第六章 决策树和决策规则

.1决策树6.2 C4.5算法: 生成性值6.4决策树的修剪6.5 C4.5算法:决策规则6.6 CART算法和Gini指标6.7决策树和决策规则的局限性6.8复习问题6.9参考书目

第七章人工神经网络

第八章 集成学习

第九章 聚类分析

第十章 关联规则

第十一章 Web 挖掘和文本挖掘

第十二章 数据挖掘高级技术

因为这本书的细节太多了,今天编辑想总结在这里获取的朋友可以通过私信【学习】获取!

私信【学习】私信【学习】私信【学习】重要的是把事情说三遍~~~

最后关注编辑是最大的动力!

扫描二维码推送至手机访问。

版权声明:本文由花开半夏のブログ发布,如需转载请注明出处。

本文链接:https://www.zhangshilong.cn/work/25697.html

分享给朋友:

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。