数据挖掘

作者简介

随着数据集规模和复杂度的持续上升，分析员必须利用更高级的软件工具来执行间接的、自动的智能化数据分析。《数据挖掘：概念、模型、方法和算法(第2版)》介绍了通过分析高维数据空间中的海量原始数据来提取用于决策的新信息的尖端技术和方法。

本书开篇阐述数据挖掘原理，此后在示例的引导下详细讲解起源于统计学、机器学习、神经网络、模糊逻辑和演化计算等学科的具有代表性的、最前沿的挖掘方法和算法。本书还着重描述如何恰当地选择方法和数据分析软件并合理地调整参数。每章末尾附有复习题。

本书主要用作计算机科学、计算机工程和计算机信息系统专业的研究生数据挖掘教材，高年级本科生或具备同等教育背景的读者也完全可以理解本书的所有主题。

◆ 介绍支持向量机(SVM)和Kohonen映射

◆ 讲解DBSCAN、BIRCH和分布式DBSCAN聚类算法

◆ 介绍贝叶斯网络，讨论图形中的Betweeness和Centrality参数测量算法

◆ 分析在建立决策树时使用的CART算法和基尼指数

◆ 介绍Bagging & Boosting集成学习方法，并详述AdaBoost算法

◆ 讨论Relief以及PageRank算法

◆ 讨论文本挖掘的潜在语义分析(LSA)，并分析如何测定文本文档之间的语义相似性

◆ 讲解时态、空间、Web、文本、并行和分布式数据挖掘等新主题

◆ 更详细地讲解数据挖掘技术商业、隐私、安全和法律方面的内容

书籍目录

目 录

第1章  数据挖掘的概念
1

1.1  概述
1

1.2  数据挖掘的起源
3

1.3  数据挖掘过程
4

1.4  大型数据集
7

1.5  数据仓库
10

1.6  数据挖掘的商业方面：为什么

数据挖掘项目会失败
13

1.7  本书结构安排
15

1.8  复习题
16

1.9  参考书目
17

第2章  数据准备
19

2.1  原始数据的表述
19

2.2  原始数据的特性
23

2.3  原始数据的转换
24

2.3.1  标准化
24

2.3.2  数据平整
25

2.3.3  差值和比率
25

2.4  丢失数据
26

2.5  时间相关数据
27

2.6  异常点分析
30

2.7  复习题
35

2.8  参考书目
38

第3章  数据归约
41

3.1  大型数据集的维度
41

3.2  特征归约
43

3.2.1  特征选择
44

3.2.2  特征提取
48

3.3  Relief算法
50

3.4  特征排列的熵度量
51

3.5  主成分分析
53

3.6  值归约
55

3.7  特征离散化：

ChiMerge技术
58

3.8  案例归约
61

3.9  复习题
63

3.10  参考书目
64

第4章  从数据中学习
67

4.1  学习机器
68

4.2  统计学习原理
72

4.3  学习方法的类型
75

4.4  常见的学习任务
77

4.5  支持向量机
80

4.6  kNN：最近邻分类器
90

4.7  模型选择与泛化
92

4.8  模型的评估
95

4.9  90%准确的情形
100

4.9.1  保险欺诈检测
101

4.9.2  改进心脏护理
102

4.10  复习题
103

4.11  参考书目
104

第5章  统计方法
107

5.1  统计推断
107

5.2  评测数据集的差异
109

5.3  贝叶斯定理
112

5.4  预测回归
114

5.5  方差分析
118

5.6  对数回归
120

5.7  对数-线性模型
121

5.8  线性判别分析
124

5.9  复习题
126

5.10  参考书目
128

第6章  决策树和决策规则
131

6.1  决策树
132

6.2  C4.5算法：生成决策树
134

6.3  未知属性值
139

6.4  修剪决策树
142

6.5  C4.5算法：生成决策规则
143

6.6  CART算法和Gini指标
146

6.7  决策树和决策规则的

局限性
148

6.8  复习题
150

6.9  参考书目
153

第7章  人工神经网络
155

7.1  人工神经元的模型
156

7.2  人工神经网络的结构
159

7.3  学习过程
161

7.4  使用ANN完成的

学习任务
164

7.4.1  模式联想
164

7.4.2  模式识别
164

7.5  多层感知机
166

7.6  竞争网络和竞争学习
172

7.7  SOM
174

7.8  复习题
178

7.9  参考书目
180

第8章  集成学习
183

8.1  集成学习方法论
184

8.2  多学习器组合方案
187

8.3  bagging和boosting
188

8.4  AdaBoost算法
189

8.5  复习题
190

8.6  参考书目
193

第9章  聚类分析
195

9.1  聚类的概念
195

9.2  相似度的度量
198

9.3  凝聚层次聚类
203

9.4  分区聚类
206

9.5  增量聚类
208

9.6  DBSCAN算法
211

9.7  BIRCH 算法
213

9.8  聚类验证
215

9.9  复习题
215

9.10  参考书目
218

第10章  关联规则
221

10.1  购物篮分析
222

10.2  Apriori 算法
223

10.3  从频繁项集中得到

关联规则
225

10.4  提高Apriori算法的效率
226

10.5  FP增长方法
227

10.6  关联分类方法
229

10.7  多维关联规则挖掘
231

10.8  复习题
232

10.9  参考书目
236

第11章  Web挖掘和文本挖掘
237

11.1  Web挖掘
237

11.2  Web内容、结构与

使用挖掘
238

11.3  HITS和LOGSOM算法
240

11.4  挖掘路径遍历模式
245

11.5  PageRank算法
247

11.6  文本挖掘
249

11.7  潜在语义分析
252

11.8  复习题
255

11.9  参考书目
257

第12章  数据挖掘高级技术
259

12.1  图挖掘
259

12.2  时态数据挖掘
270

12.2.1  时态数据表示
271

12.2.2  序列之间的相似性

度量
274

12.2.3  时态数据模型
276

12.2.4  数据挖掘
277

12.3  空间数据挖掘(SDM)
281

12.4  分布式数据挖掘(DDM)
284

12.5  关联并不意味着存在

因果关系
290

12.6  数据挖掘的隐私、安全及

法律问题
295

12.7  复习题
299

12.8  参考书目
300

第13章  遗传算法
303

13.1  遗传算法的基本原理
304

13.2  用遗传算法进行优化
305

13.2.1  编码方案和初始化
306

13.2.2  适合度估计
306

13.2.3  选择
307

13.2.4  交叉
308

13.2.5  突变
308

13.3  遗传算法的简单例证
310

13.3.1  表述
310

13.3.2  初始群体
311

13.3.3  评价
311

13.3.4  交替
312

13.3.5  遗传算子
312

13.3.6  评价(第二次迭代)
313

13.4  图式
314

13.5  旅行推销员问题
316

13.6  使用遗传算法的

机器学习
318

13.6.1  规则交换
320

13.6.2  规则概化
320

13.6.3  规则特化
321

13.6.4  规则分割
321

13.7  遗传算法用于聚类
321

13.8  复习题
323

13.9  参考书目
324

第14章  模糊集和模糊逻辑
327

14.1  模糊集
327

14.2  模糊集的运算
332

14.3  扩展原理和模糊关系
335

14.4  模糊逻辑和模糊

推理系统
339

14.5  多因子评价
342

14.6  从数据中提取模糊模型
344

14.7  数据挖掘和模糊集
349

14.8  复习题
350

14.9  参考书目
352

第15章  可视化方法
353

15.1  感知和可视化
353

15.2  科学可视化和信息

可视化
354

15.3  平行坐标
359

15.4  放射性可视化
361

15.5  使用自组织映射进行

可视化
363

15.6  数据挖掘的可视化系统
365

15.7  复习题
368

15.8  参考书目
369

附录A  数据挖掘工具
371

附录B  数据挖掘应用
393

编辑推荐

《国外计算机科学经典教材:数据挖掘:概念、模型、方法和算法(第2版)》主要用作计算机科学、计算机工程和计算机信息系统专业的研究生数据挖掘教材，高年级本科生或具备同等教育背景的读者也完全可以理解《国外计算机科学经典教材:数据挖掘:概念、模型、方法和算法(第2版)》的所有主题。

内容概要

Mehmed Kantardzic博士是美国路易维尔大学工学院计算机工程与科学系的教授，任该系的研究生院院长和数据挖掘实验室主任。Mehmed是IEEE、ISCA和SPIE的成员，曾受邀参加多个重要的学术会议；他已出版多本书籍，在许多期刊上发表过论文，其中有多篇论文获奖。

章节摘录

版权页：   插图：   1 2.4分布式数据挖掘（DDM） 海量数据的涌现使得利用分布式系统对海量数据开展跨地理区域的分析的需求不断增长。为海量数据驱动的知识发现，以及潜在的科学与商业理解带来了史无前例的发展机会。在高性能分布式计算平台上（而不是集中式计算模型上）实现数据挖掘，其驱动力来自于技术和组织两个因素。某些情况下，集中处理方式难以实现，因为需要长距离传输将大量的T级数据。另外，集中方法违背了隐私规则，暴露了商业秘密，并带来其他一些社会问题。这些问题的典型实例常见于医疗行业，其相关数据往往存在于多个组织商业机构中，例如制药公司、医院、政府实体（如美国食品和药物管理局）和非政府组织（如慈善和公共健康组织）。每个组织都具有法律限制，例如隐私法规，有关专利信息的公司需求会给竞争对手带来巨大的商业利益。因此既需要开发算法、工具、服务和基础结构用于实现分布式跨组织的数据挖掘，同时也需要考虑隐私保护问题。 这样一种朝着分布式、复杂环境发展的变化扩大了数据挖掘挑战的范围。分布式数据所带来的新问题明显增加了数据挖掘过程的复杂性。通过有线和无线网络，许多分布式计算环境，在计算和通信方面获得了进展。这样的处理环境多数都涉及包含大量数据的分布式数据源、多个计算节点和分布式用户社区。对这些分布式数据源进行监视和分析需要新的用于分布式应用的数据挖掘技术。DDM领域处理这些问题——通过细致分析分布式源挖掘分布式数据源。除数据分布外，网络的发展产生了大量复杂数据，包括自然语言文本、图像、时间序列、传感器数据、多关系及对象数据类型。更复杂的是，包含分布式流数据的系统需要增量或在线挖掘工具，无论何时当底层数据发生变化时，需要完整地处理过程。由于系统变化频繁，应用于如此复杂环境的数据挖掘技术必须适应巨大的动态变化，否则将会对系统的性能带来不良影响。对所有这些特性提供支持的DDM系统需要有创新的解决方案。 Web架构（包含分层协议和服务）提供了合理的框架用于支持DDM。新框架接受“融合通信和计算”的新趋势。DDM接受数据可能自然地分布于不同的松耦合节点上的事实，这些分布的数据往往是通过网络连接起来的异构数据。DDM提供用于通过分布式数据分析和使用最小数据通信建模发现新知识的技术。同时，分布式系统交互需要以可靠、稳定、可扩展的方式实现。最后，系统必须向用户隐藏技术方面的复杂性。 目前，能够通过e—services处理的商品不仅仅局限于类似电器、家具、机票等实体。Intcmet及WWW的发展包含了软件、计算能力或有用的数据集这类资源。这些新资源能够通过网络以服务的形式售卖或租赁给网络用户。直观上看，数据挖掘适于作为一种e—service发布，因为该方法减少了高昂的用于支持该方法的基础架构的设置和维护开销。

---

 数据挖掘下载 更多精彩书评

---