数据挖掘原理(第4版)

数据挖掘原理(第4版)"

作者:[英]麦克斯·布拉默(MaxBramer)著李晓峰逄金辉译
ISBN:9787302596493
定价:¥118
字数:千字
页数:
出版时间:2022.01.01
开本:
版次:1-1
装帧:
出版社:清华大学出版社
简介

《数据挖掘原理(第4版)》解释、探索了数据挖掘的主要技术,可以从数据中自动提取隐式和潜在有用的信息。数据挖掘越来越多地用于商业、科学和其他应用领域,它侧重于分类、关联规则挖掘和聚类。

  书中对每个主题都进行了清晰的解释,重点是算法而不是数学公式,并通过详细的有效示例加以说明。本书是为没有强数学或统计学背景的读者写的,并详细解释了使用的所有公式。

  《数据挖掘原理(第4版)》适合作为本科生或研究生层次的教材,适用专业包括计算机科学、商业研究、市场营销、人工智能、生物信息学和法医学。

  为了帮助读者自学,本书旨在帮助普通读者理解什么是“黑盒”,这样他们就可以有差别地使用商业数据挖掘包,高级读者或学术研究者可以对未来该领域的技术进步做出贡献。

  书中每一章都有实践练习,让读者检查自己的进度。附录还包括所使用的技术术语的完整术语表。

  数据挖掘原理包括对流数据分类算法的介绍,包括平稳数据(底层模型是固定的)和依赖时间的数据(底层模型不时变化)——这种现象称为概念漂移。

  《数据挖掘原理(第4版)》提供了前馈神经网络与反向传播的详细描述,并显示它如何可以用于分类。

前言

前    言

《数据挖掘原理(第4版)》面向计算机科学、商业研究、市场营销、人工智能、生物信息学和法医学专业的学生,可用作本科生或硕士研究生的入门教材。同时,对于那些希望进一步提高自身能力的技术或管理人员来说,《数据挖掘原理(第4版)》也是极佳的自学书籍。《数据挖掘原理(第4版)》所涉及的内容远超一般的数据挖掘入门书籍。与许多其他书籍不同的是,在学习《数据挖掘原理(第4版)》的过程中你不需要拥有太多的数学知识即可理解其中的相关内容。

数学是一种可以表达复杂思想的语言。遗憾的是,99%的人都无法很好地掌握这门语言;很多人很早就开始在学校学习一些基础知识,但学习过程往往充满曲折。作者以前是一位数学家,他现在喜欢在任何可能的情况下用简单的英语交流,并相信好例子胜过一百个数学符号。

《数据挖掘原理(第4版)》涉及数学公式较少,将重点介绍相关概念。但是,完全不使用数学符号是不可能的。附录A给出开始学习《数据挖掘原理(第4版)》需要掌握的所有内容。对于那些在学校学习数学的人来说,这些内容应该是非常熟悉的。掌握这些内容后,其他内容就较好理解了。如果觉得某些数学符号难以理解,通常可放心地忽略它们,只需要关注结果和给出的详细示例即可。而对于那些希望更深入理解数据挖掘的数学基础知识的人来说,可参考附录C中列出的内容。

过去,没有一本关于数据挖掘的入门书可使你具备该领域的研究水平——但现在,这样的日子已经过去了。《数据挖掘原理(第4版)》的重点是介绍基本技术,而不是展示当今最新的数据挖掘技术,因为大多数情况下,当拿到一本书时,书中介绍的技术可能已被其他更新的技术取代了。一旦掌握了基本技术,你可通过多种渠道了解该领域的最新进展。附录C列出一些常用资源,而其他附录包括有关《数据挖掘原理(第4版)》示例中使用的主要数据集的信息,供你在自己的项目中使用。此外附录D包括技术术语表。

为便于检查对所学知识的掌握情况,每章都包含自我评估练习。参考答案见附录E。

封底二维码列出全书各章正文中引用的参考文献。读者在阅读正文时,会不时看到引用;引用的形式为[*],其中*为数字编号。遇到此类引用时,读者可扫描封底二维码中的参考文献,查阅相关信息。

第4版的注意事项

自第1版以来,可用于数据挖掘的数据量大幅增加。根据IBM于2016年所做的统计,每天从各种传感器、移动设备、在线交易和社交网络生成的数据量高达2.5YB,仅过去两年就创建了世界上90%的数据。今天,世界上可用的医疗保健数据量估计超过2万亿兆字节。为了反映“深度学习”的日益普及,《数据挖掘原理(第4版)》新增了最后一章,其中详细介绍了最重要的神经网络类型之一,并展示了如何将其应用于分类任务。

致谢

首先感谢我的女儿Bryony,她帮助我绘制了许多复杂的图表并提出设计建议。其次感谢Frederic Stahl博士,他就第21章和第22章给出了许多宝贵建议。最后要感谢我的妻子Dawn,她对《数据挖掘原理(第4版)》初稿给出了相当宝贵的意见。不过,最终版本中的任何错误仍然由我负责。

UTiCS

“计算机科学本科生主题”(UTiCS)为计算机和信息科学所有领域的本科生提供高质量的教学内容。UTiCS书籍采取了新颖、简洁和现代方法,囊括从核心基础和理论材料到最后一年的主题和应用,是自学或一两个学期课程的理想选择。《数据挖掘原理(第4版)》由该领域内的知名专家撰写,并由国际顾问委员会审查,包含许多例子和问题,其中许多包括完全有效的解决方案。

目录

目    录

 

第1章  数据挖掘简介   1

1.1  数据爆炸   1

1.2  知识发现   2

1.3  数据挖掘的应用   3

1.4  标签数据和无标签数据   4

1.5  监督学习:分类   4

1.6  监督学习:数值预测   6

1.7  无监督学习:关联规则   6

1.8  无监督学习:聚类   7

第2章  用于挖掘的数据   9

2.1  标准制定   9

2.2  变量的类型   10

2.3  数据准备   11

2.4  缺失值   13

2.4.1  丢弃实例   14

2.4.2  用最频繁值/平均值替换   14

2.5  减少属性个数   14

2.6  数据集的UCI存储库   15

2.7  本章小结   16

2.8  自我评估练习   16

第3章  分类简介:朴素贝叶斯和最近邻算法   17

3.1  什么是分类   17

3.2  朴素贝叶斯分类器   18

3.3  最近邻分类   24

3.3.1  距离测量   26

3.3.2  标准化   28

3.3.3  处理分类属性   29

3.4  急切式和懒惰式学习   30

3.5  本章小结   30

3.6  自我评估练习   30

第4章  使用决策树进行分类   33

4.1  决策规则和决策树   33

4.1.1  决策树:高尔夫示例   33

4.1.2  术语   35

4.1.3  degrees数据集   35

4.2  TDIDT算法   38

4.3  推理的类型   40

4.4  本章小结   41

4.5  自我评估练习   41

第5章  决策树归纳:使用熵进行属性选择   43

5.1  属性选择:一个实验   43

5.2  替代决策树   44

5.2.1  足球/无板篮球示例   44

5.2.2  匿名数据集   46

5.3  选择要分裂的属性:使用熵   48

5.3.1  lens24数据集   48

5.3.2  熵   49

5.3.3  使用熵进行属性选择   50

5.3.4  信息增益最大化   52

5.4  本章小结   53

5.5  自我评估练习   53

第6章  决策树归纳:使用频率表进行属性选择   55

6.1  实践中的熵计算   55

6.1.1  等效性证明   57

6.1.2  关于零值的说明   58

6.2  其他属性选择标准:多样性基尼指数   58

6.3  χ2属性选择准则   59

6.4  归纳偏好   62

6.5  使用增益比进行属性选择   63

6.5.1  分裂信息的属性   64

6.5.2  总结   65

6.6  不同属性选择标准生成的规则数   65

6.7  缺失分支   66

6.8  本章小结   67

6.9  自我评估练习   67

第7章  估计分类器的预测精度   69

7.1  简介   69

7.2  方法1:将数据划分为训练集和测试集   70

7.2.1  标准误差   70

7.2.2  重复训练和测试   71

7.3  方法2:k折交叉验证   72

7.4  方法3:N折交叉验证   72

7.5  实验结果I   73

7.6  实验结果II:包含缺失值的数据集   75

7.6.1  策略1:丢弃实例   75

7.6.2  策略2:用最频繁值/平均值替换   76

7.6.3  类别缺失   77

7.7  混淆矩阵   77

7.8  本章小结   79

7.9  自我评估练习   79

第8章  连续属性   81

8.1  简介   81

8.2  局部与全局离散化   83

8.3  向TDIDT添加局部离散化   83

8.3.1  计算一组伪属性的信息增益   84

8.3.2  计算效率   88

8.4  使用ChiMerge算法进行全局离散化   90

8.4.1  计算期望值和χ2   92

8.4.2  查找阈值   96

8.4.3  设置minIntervals和maxIntervals   97

8.4.4  ChiMerge算法:总结   98

8.4.5  对ChiMerge算法的评述   98

8.5  比较树归纳法的全局离散化和局部离散化   99

8.6  本章小结   100

8.7  自我评估练习   100

第9章  避免决策树的过度拟合   101

9.1  处理训练集中的冲突   101

9.2  关于过度拟合数据的更多规则   105

9.3  预剪枝决策树   106

9.4  后剪枝决策树   108

9.5  本章小结   113

9.6  自我评估练习   113

第10章  关于熵的更多信息   115

10.1  简介   115

10.2  使用位的编码信息   118

10.3  区分M个值(M不是2的幂)   119

10.4  对“非等可能”的值进行编码   121

10.5  训练集的熵   123

10.6  信息增益必须为正数或0   124

10.7  使用信息增益简化分类任务的特征   125

10.7.1  示例1:genetics数据集   126

10.7.2  示例2:bcst96数据集   128

10.8  本章小结   130

10.9  自我评估练习   130

第11章  归纳分类的模块化规则   131

11.1  规则后剪枝   131

11.2  冲突解决   132

11.3  决策树的问题   135

11.4  Prism算法   137

11.4.1  基本Prism算法的变化   143

11.4.2  将Prism算法与TDIDT算法进行比较   144

11.5  本章小结   145

11.6  自我评估练习   145

第12章  度量分类器的性能   147

12.1  真假正例和真假负例   148

12.2  性能度量   149

12.3  真假正例率与预测精度   152

12.4  ROC图   153

12.5  ROC曲线   155

12.6  寻找最佳分类器   155

12.7  本章小结   157

12.8  自我评估练习   157

第13章  处理大量数据   159

13.1  简介   159

13.2  将数据分发到多个处理器   161

13.3  案例研究:PMCRI   163

13.4  评估分布式系统PMCRI的有效性   165

13.5  逐步修改分类器   169

13.6  本章小结   173

13.7  自我评估练习   173

第14章  集成分类   175

14.1  简介   175

14.2  估计分类器的性能   177

14.3  为每个分类器选择不同的训练集   178

14.4  为每个分类器选择一组不同的属性   179

14.5  组合分类:替代投票系统   179

14.6  并行集成分类器   183

14.7  本章小结   183

14.8  自我评估练习   183

第15章  比较分类器   185

15.1  简介   185

15.2  配对t检验   186

15.3  为比较评估选择数据集   191

15.4  抽样   193

15.5  “无显著差异”的结果有多糟糕   195

15.6  本章小结   196

15.7  自我评估练习   196

第16章  关联规则挖掘I   199

16.1  简介   199

16.2  规则兴趣度的衡量标准   200

16.2.1  Piatetsky-Shapiro标准和RI度量   202

16.2.2  规则兴趣度度量应用于chess数据集   204

16.2.3  使用规则兴趣度度量解决冲突   206

16.3  关联规则挖掘任务   206

16.4  找到最佳N条规则   207

16.4.1  J-Measure:度量规则的信息内容   207

16.4.2  搜索策略   209

16.5  本章小结   211

16.6  自我评估练习   211

第17章  关联规则挖掘II   213

17.1  简介   213

17.2  事务和项目集   213

17.3  对项目集的支持   215

17.4  关联规则   215

17.5  生成关联规则   217

17.6  Apriori   218

17.7  生成支持的项目集:一个示例   221

17.8  为支持项目集生成规则   223

17.9  规则兴趣度度量:提升度和杠杆率   224

17.10  本章小结   226

17.11  自我评估练习   227

第18章  关联规则挖掘III:频繁模式树   229

18.1  简介:FP-growth   229

18.2  构造FP-tree   231

18.2.1  预处理事务数据库   231

18.2.2  初始化   233

18.2.3  处理事务1:f, c, a, m, p   234

18.2.4  处理事务2:f, c, a, b, m   235

18.2.5  处理事务3:f, b   239

18.2.6  处理事务4:c, b, p   240

18.2.7  处理事务5:f, c, a,m, p   240

18.3  从FP-tree中查找频繁项目集   242

18.3.1  以项目p结尾的项目集   244

18.3.2  以项目m结尾的项目集   252

18.4  本章小结   258

18.5  自我评估练习   258

第19章  聚类   259

19.1  简介   259

19.2  k-means聚类   261

19.2.1  示例   262

19.2.2  找到最佳簇集   266

19.3  凝聚式层次聚类   267

19.3.1  记录簇间距离   269

19.3.2  终止聚类过程   272

19.4  本章小结   272

19.5  自我评估练习   272

第20章  文本挖掘   273

20.1  多重分类   273

20.2  表示数据挖掘的文本文档   274

20.3  停用词和词干   275

20.4  使用信息增益减少特征   276

20.5  表示文本文档:构建向量空间模型   276

20.6  规范权重   277

20.7  测量两个向量之间的距离   278

20.8  度量文本分类器的性能   279

20.9  超文本分类   280

20.9.1  对网页进行分类   280

20.9.2  超文本分类与文本

分类   281

20.10  本章小结   284

20.11  自我评估练习   284

第21章  分类流数据   285

21.1  简介   285

21.2  构建H-Tree:更新数组   287

21.2.1  currentAtts数组   287

21.2.2  splitAtt数组   288

21.2.3  将记录排序到适当的叶节点   288

21.2.4  hitcount数组   289

21.2.5  classtotals数组   289

21.2.6  acvCounts阵列   289

21.2.7  branch数组   290

21.3  构建H-Tree:详细示例   291

21.3.1  步骤1:初始化根节点0   291

21.3.2  步骤2:开始读取记录   291

21.3.3  步骤3:考虑在节点0处分裂   292

21.3.4  步骤4:在根节点上拆分并初始化新的叶节点   293

21.3.5  步骤5:处理下一组记录   295

21.3.6  步骤6:考虑在节点2处分裂   296

21.3.7  步骤7:处理下一组记录   296

21.3.8  H-Tree算法概述   297

21.4  分裂属性:使用信息增益   299

21.5  分裂属性:使用Hoeffding边界   301

21.6  H-Tree算法:最终版本   304

21.7  使用不断进化的H-Tree进行预测   306

21.8  实验:H-Tree与TDIDT   308

21.8.1  lens24数据集   308

21.8.2  vote数据集   310

21.9  本章小结   311

21.10  自我评估练习   311

第22章  分类流数据II:时间相关数据   313

22.1  平稳数据与时间相关数据   313

22.2  H-Tree算法总结   315

22.2.1  currentAtts数组   316

22.2.2  splitAtt数组   316

22.2.3  hitcount数组   316

22.2.4  classtotals数组   316

22.2.5  acvCounts数组   317

22.2.6  branch数组   317

22.2.7  H-Tree算法的伪代码   317

22.3  从H-Tree到CDH-Tree:概述   319

22.4  从H-Tree转换到CDH-Tree:递增计数   319

22.5  滑动窗口方法   320

22.6  在节点处重新分裂   324

22.7  识别可疑节点   324

22.8  创建备用节点   326

22.9  成长/遗忘备用节点及其后代   329

22.10  用备用节点替换一个内部节点   331

22.11  实验:跟踪概念漂移   337

22.11.1  lens24数据:替代

22.11.2  引入概念漂移   339

22.11.3  使用交替lens24数据的实验   340

22.11.4  关于实验的评论   347

22.12  本章小结   347

22.13  自我评估练习   347

第23章  神经网络概论   349

23.1  简介   349

23.2  神经网络示例1   351

23.3  神经网络示例2   354

23.3.1  前向传播输入节点的值   356

23.3.2  前向传播:公式汇总   361

23.4  反向传播   361

23.4.1  随机梯度下降   362

23.4.2  求梯度   363

23.4.3  从输出层倒推到隐藏层   365

23.4.4  从隐藏层倒推到输入层   367

23.4.5  更新权值   370

23.5  处理多实例训练集   372

23.6  使用神经网络进行分类:iris数据集   372

23.7  使用神经网络进行分类:seeds数据集   376

23.8  神经网络:注意事项   379

23.9  本章小结   380

23.10  自我评估练习   380

附录A  基本数学知识   381

附录B  数据集   395

附录C  更多信息来源   411

附录D  词汇表和符号   413

附录E  自我评估练习题答案   433

 

作者简介

编辑推荐

《数据挖掘原理(第4版)》的重点是介绍基本技术,而不是展示当今**的数据挖掘技术。一旦掌握了基本技术,就可通过多种渠道了解该领域的**进展。本书共23章,分别介绍了概述、用于挖掘的数据、朴素贝叶斯和最近邻算法、使用决策树进行分类、决策树归纳、估计分类器的预测精度、连续属性、避免决策树的过度拟合、关于熵的更多信息、归纳分类的模块化规则、度量分类器的性能、处理大量数据、集成分类、比较分类器、关联规则挖掘、聚类、文本挖掘、分类流数据、神经网络。

《数据挖掘原理(第4版)》涉及大量数据集、属性和值,也涉及不少数学公式,字母繁多,格式复杂。为便于检查对所学知识的掌握情况,每章都包含自我评估练习。所以本书末尾还有5个附录,分别介绍了基本数学知识、数据集、更多信息来源、词汇表和符号、自我评估练习题答案。

《数据挖掘原理(第4版)》面向计算机科学、商业研究、市场营销、人工智能、生物信息学和法医学专业的学生,可用作本科生或硕士研究生的入门教材。同时,对于那些希望进-一步提高自身能力的技术或管理人员来说,本书也是**的自学书籍。

作者寄语

麦克斯·布拉默(Max Bramer),朴次茅斯大学信息技术系荣休教授、国际信息处理联合会(IFIP)副主席、英国计算机学会AI专家组主席。

自20世纪80年代以来,麦克斯教授一直积极参与“数据挖掘”领域的研究,该领域后来也被称为“数据库知识发现”和“大数据和预测分析”。麦克斯教授完成了多个数据挖掘项目,特别是关于数据自动分类的项目,并在技术文献中发表了大量文章。麦克斯教授拥有多年为本科生和研究生讲授“数据挖掘”这门课程的经验。

电子资料

www.luweidong.cn

下一个