最新查询
内容简介
第1章 数据挖掘那些事儿
1.1当我们在谈数据挖掘时，其实在讨论什么
1.2从CRISP-DM开启数据挖掘实践
第2章 数据挖掘之利器：SPSS Modeler
2.1 SPSS Modeler简介
2.2 SPSS Modeler的下载与安装
2.3 SPSS Modeler的主界面及基本操作
2.3.1 SPSS Modeler主界面介绍
2.3.2鼠标基本操作
2.4将SPSS Modeler连接到服务器端
第3章 巧妇难为无米之炊：数据，数据！
3.1数据的身份
3.1.1变量的测量级别
3.1.2变量的角色
3.2数据的读取
3.2.1读取Excel文件数据
3.2.2读取变量文件数据
3.2.3读取SPSS Statistics（.sav）文件数据
3.2.4读取数据库数据
3.3数据的基本设定
3.3.1变量角色的设定
3.3.2字段的筛选及命名
3.4数据的集成
3.4.1数据的变量集成：合并节点
3.4.2数据的记录集成：追加节点
第4章 一点都不简单的描述性统计分析
4.1分类变量的基本分析：“矩阵”节点
4.2连续变量的基本分析：数据审核节点
4.2.1连续变量基本分析指标介绍
4.2.2“数据审核”节点
第5章 何为足够大的差异：常用的统计检验
5.1假设检验
5.1.1假设检验的基本原理
5.1.2假设检验的一般步骤
5.2连续变量与分类变量之间的关系：t检验
5.2.1两组独立样本均值比较
5.2.2两组配对样本均值比较
5.2.3使用t检验的前提条件
5.2.4案例：使用均值比较分析电信客户的流失情况
5.3两个连续变量之间的关系：相关分析
5.3.1相关分析理论
5.3.2案例：使用相关分析研究居民消费水平与国内生产总值的相关关系
5.4两个分类变量之间的关系：卡方检验
5.4.1卡方检验的原理
5.4.2卡方检验的前提条件
5.4.3案例：使用卡方检验研究两个分类字段之间的关系
第6章 从身高和体重的关系谈起：回归分析
6.1一元线性回归分析
6.1.1分析因变量与自变量的关系，构建回归模型
6.1.2估计模型系数，求解回归模型
6.1.3对模型系数进行检验，确认模型有效性
6.1.4拟合优度检验，判断模型解释能力
6.1.5借助回归模型进行预测
6.2多元线性回归分析
6.2.1估计模型系数，求解回归模型
6.2.2对模型参数进行检验，确认模型有效性
6.2.3拟合优度检验，判断模型解释能力
6.2.4模型的变量选择
6.3使用线性回归分析的注意事项
6.4案例：使用回归分析研究影响房屋价格的重要因素
第7章 回归岂止这么简单：回归模型的进一步扩展
7.1曲线回归
7.2 Logistic回归
7.2.1 Logistic回归理论
7.2.2案例：使用Logistic回归模型分析个人收入水平影响因素
第8章 模型评估那些事儿：过拟合与欠拟合
8.1过拟合与欠拟合
8.2留出法与交叉验证
8.2.1留出法与分层抽样
8.2.2交叉验证
第9章 从看电影的思考到决策树的生成
9.1决策树概述
9.2决策树生成
9.2.1从ID3算法到C5.0算法
9.2.2 CART算法
9.3决策树的剪枝
9.3.1预剪枝策略
9.3.2后剪枝策略
9.3.3代价敏感学习
9.4案例：用决策树分析客户违约情况
9.5关于信息熵的扩展
第10章 人工神经网络：从人脑神经元开始
10.1从人脑神经元到人工神经网络
10.2感知机
10.3人工神经网络
10.3.1隐藏层的作用
10.3.2人工神经网络算法
10.4案例：利用人工神经网络分析某电信运营商的客户流失情况
第11章 物以类聚，人以群分：聚类分析
11.1聚类思想的概述
11.2聚类方法的关键：距离
11.3 K-Means算法
11.3.1 K-Means算法原理
11.3.2轮廓系数（Silhouette coefficient）
11.4案例：利用K-Means算法对不同型号汽车的属性进行聚类分群研究
第12章 啤酒+尿布=关联分析？
12.1一个关于关联分析的传说
12.2关联分析的基本概念
12.3关联规则的有效性指标
12.4 Apriori算法
12.4.1生成频繁项集
12.4.2生成关联规则
12.5案例：利用Apriori算法对顾客的个人信息及购买记录进行关联分析
第13章 三个臭皮匠，赛过诸葛亮：集成学习算法
13.1集成学习算法概述
13.2 3种不同的集成学习算法
13.2.1 Bagging算法
13.2.2 Boosting算法
13.2.3随机森林
13.3集成学习算法实践
13.3.1 Bagging算法和Boosting算法
13.3.2随机森林
13.3.3集成学习算法结果比较
