实战大数据_MATLAB数据挖掘详解与实践

大数据时代，我们需要对各种海量数据进行筛选、清洗、挖掘，在这个过程中，获取有效数据的方式方法和模型算法成为了整个数据挖掘过程的重点，MATLAB作为一个数据挖掘工具，如何正确和准确地使用它成为了重中之重。 

针对实际应用数据挖掘技术的要求，本书既介绍了数据挖掘的基础理论和技术，又较为详细地介绍了各种算法以及MATLAB程序。本书共分4篇，分别介绍了数据挖掘的基本概念、技术与算法以及应用实例。期望通过大量的实例分析帮助广大读者掌握数据挖掘技术，并应用于实际的研究中，提高对海量数据信息的处理及挖掘能力。本书针对性和实用性强，具有较高的理论和实用价值。

第1章绪论  1

1.1数据挖掘概述  2

1.2数据挖掘的分类  4

1.3数据挖掘的过程  5

1.4数据挖掘的任务  6

1.5数据挖掘的对象  8

1.5.1数据库  8

1.5.2文本  10

1.5.3图像与视频数据  10

1.5.4Web数据  11

1.6数据挖掘建模方法  11

1.6.1业务理解  12

1.6.2数据理解  13

1.6.3数据准备  13

1.6.4建模  14

1.6.5评估  15

1.6.6部署  16

1.7数据挖掘的应用  16

1.7.1在金融领域的应用  16

1.7.2在零售业中的应用  17

1.7.3在电信业的应用  18

1.7.4在管理中的应用  19

1.7.5在化学研究领域中的应用  19

1.7.6在材料研究、生产方面的应用  20

1.7.7在机械故障诊断与监测中的应用  21

1.7.8在医疗领域中的应用  22

第2章数据挖掘算法  25

2.1决策树算法  26

2.1.1决策树基本算法  27

2.1.2ID3算法  29

2.1.3C4.5算法  30

2.1.4CART算法  31

2.1.5决策树的评价标准  32

2.1.6决策树的剪枝及优化  33

2.1.7基于matlab的决策树分析  34

2.2人工神经网络算法  41

2.2.1人工神经网络概述  41

2.2.2人工神经网络的基本模型  41

2.2.3BP神经网络  43

2.2.4RBF神经网络  45

2.2.5SOM神经网络  46

2.2.6反馈型神经网络（Hopfield）  47

2.2.7基于matlab的神经网络方法  49

2.3进化算法  55

2.3.1进化算法的基本原理  56

2.3.2基因算法的主要步骤  60

2.3.3基本遗传算法  61

2.3.4进化规划算法  63

2.3.5进化策略计算  64

2.3.6量子遗传算法  68

2.3.7人工免疫算法  72

2.3.8基于matlab的进化算法  80

2.4统计分析方法  87

2.4.1假设检验  87

2.4.2回归分析  91

2.4.3二项逻辑（logistic）回归  100

2.4.4方差分析  104

2.4.5主成分分析  107

2.4.6因子分析  110

2.4.7基于matlab的统计分析方法  113

2.5贝叶斯网络方法  141

2.5.1贝叶斯定理、先验和后验  142

2.5.2贝叶斯网络  142

2.5.3贝叶斯网络学习  143

2.5.4主要贝叶斯网络模型  145

2.5.5基于matlab的贝叶斯网络方法  148

2.6支持向量机  160

2.6.1支持向量机概述  160

2.6.2核函数  162

2.6.3基于matlab的支持向量机方法  164

2.7关联分析  167

2.7.1概述  167

2.7.2Apriori关联规则算法  170

2.7.3基于分类搜索的关联规则算法  171

2.7.4时序关联规则算法  173

2.7.5多值属性关联规则算法  174

2.7.6增量关联规则算法  175

2.7.7基于关联规则的分类算法  176

2.7.8模糊关联分类算法  177

2.7.9关联规则的评价  178

2.7.10辛普森悖论  179

2.7.11基于matlab的关联规则分析  180

2.8其他数据挖掘方法  182

2.8.1近邻法  182

2.8.2K-means聚类  184

2.8.3基于matlab的近邻法及k-means聚类法  187

第3章数据挖掘相关技术  191

3.1数据仓库  192

3.1.1概述  192

3.1.2数据仓库设计  195

3.1.3数据仓库的开发应用  199

3.1.4数据仓库的技术管理  209

3.1.5OLAP技术  210

3.1.6基于matlab的数据仓库开发技术  214

3.2模糊集理论  234

3.1.1模糊集合  234

3.1.2模糊关系  237

3.1.3模糊聚类  239

3.3.5基于matlab的模糊集处理技术  244

3.3粗糙集技术  255

3.3.1粗糙集理论的基本概念  256

3.3.2分类规则的形成  259

3.3.3知识的约简  259

3.3.4模糊集与粗糙集  261

3.3.5基于matlab的粗糙集处理方法  262

3.4目标优化技术  265

3.4.1极值问题  266

3.4.2无约束非线性规划  267

3.4.3有约束非线性规划  270

3.4.4大规模优化问题的分解算法  270

3.4.5其他优化方法  273

3.4.6基于matlab的目标优化方法  274

3.5可视化技术  281

3.5.1可视化技术分类  282

3.5.2多维数据可视化  283

3.5.3图形的特征分析  294

3.5.4基于多元图的图形分类方法  297

3.5.5基于色度学空间的多元图表示  299

3.5.6基于matlab的数据可视化技术  300

3.6公式发现  314

3.6.1概述  315

3.6.2公式发现系统中的知识  315

3.6.3基于matlab的公式发现  319

3.7多媒体数据挖掘技术  320

3.7.1文本挖掘  323

3.7.2图像挖掘  331

3.7.3视频挖掘  331

3.7.4音频挖掘  332

3.7.5复合类型数据的挖掘  333

3.8Web数据挖掘技术  334

3.8.1Web内容挖掘  335

3.8.2Web结构挖掘  337

3.8.3Web使用挖掘  338

第4章数据挖掘应用实战  343

4.1数据关系发现  344

4.2数据统计特性  344

4.3数据预处理  349

4.3.1数据清理  349

4.3.2数据集成与转换  351

4.3.3数据归约与浓缩  353

4.3.4数值数据的概念分层与离散化  360

4.3.5例题  362

4.4分类  373

4.5例题  376

4.6预测  381

4.6.1回归分析  381

4.6.2时间序列预测模型  385

4.6.3马尔可夫链  389

4.6.4灰色系统方法  390

4.6.5例题  398

4.7聚类  418

4.7.1聚类分析概述  418

4.7.2聚类分析中的数据类型  419

4.7.3相似性度量  422

4.7.4聚类的特征  427

4.7.5聚类准则  427

4.7.6划分方法  429

4.7.7层次方法  430

4.7.8基于密度的方法  433

4.7.9基于网格的方法  434

4.7.10基于模型的聚类方法  435

4.4.11基于目标函数的方法  436

4.7.12离群点检测  438

4.7.13聚类有效性  445

4.7.14例题  448

4.8时序数据挖掘  462

4.8.1基本定义  463

4.8.2时序数据挖掘参数  464

4.8.3时序关联规则  464

4.8.4时间序列挖掘  466

4.8.5时间序列分段线性表示  468

4.8.6时间序列的预测  469

4.8.7例题  469

4.9关联规则挖掘  481

4.9.1关联规则的类型及挖掘算法  481

4.9.2基于组织进化的关联规则挖掘  481

4.9.3基于组织层次进化的关联规则挖掘  483

4.9.4多维关联规则挖掘  484

4.9.5关联规则扩展  485

4.9.6例题  487

参考文献  500

评论

加载更多