《数据挖掘基础教程》全面介绍数据挖掘的原理、方法和算法。主要内容包括数据挖掘的基本概念、数据挖掘算法的数据类型、输入和输出、决策树、数据挖掘的预处理和后处理、关联规则挖掘、分类和回归算法、支持向量机、聚类分析及多维数据可视化。
《数据挖掘基础教程》讲解深入浅出,并辅以大量实例,随书光盘提供了大量数据集以及两种广泛使用的数据挖掘软件——Weka和ExcelMiner,便于读者理解数据挖掘知识。《数据挖掘基础教程》适合作为高等院校计算机及相关专业数据挖掘课程的教材,也可供广大技术人员参考。

第1章 数据挖掘
1.1 引言
计算机科学家经常提到摩尔定律:计算机的处理速度大约每18个月翻一番。但是很少有人知道计算机的存储容量大约每9个月翻一番。(Goebel和Gruenwald 1999)。像理想气体一样,计算机的数据库迅速膨胀,占满了可用的存储空间,导致数据库中的大量数据成为未开发利用的资源。这些数据就像一个金矿,可以从中提取信息。然后,利用数据挖掘技术,可以将这些信息转换成有价值的知识。
很难说清楚有多少存储在全世界公司、学校、政府部门和其他机构的大型数据库中未使用的海量数据以及其当前增长率。据估计,美国国会图书馆存储的信息量高达3PB(Lesk1997)。Lesk估计,全世界每年大约产生160TB信息。而且,他估计已售出的磁盘空间将超过十万TB。很快,计算机的数据存储容量将超过人们使用该数据存储和使用其中数据的能力。将海量数据转换为知识的过程将变得价值无限。为此,在过去的10~15年中,一种称作数据库中知识发现(KDD)的过程逐步发展完善。数据挖掘算法就包含在KDD过程中。
典型的数据库用户使用一种界面通过诸如SQL这样的标准技术从数据库中检索数据。数据挖掘系统将这一过程向前推进一步,支持用户从数据中发现新的知识(Adriaans和Zantinge 1996)。按照计算机科学家的观点,数据挖掘是一个多学科交叉领域。诸如神经网络、遗传算法、回归、统计分析、机器学习和聚类分析等数据处理技术经常出现在数据挖掘文献中。许多研究者认为数据挖掘还不是一个完善的学科,数据可扩展性、与数据库系统的兼容性,以及可用性和准确性都有待改进。
大规模数据集快速增长的今天,数据挖掘应成为一个新的学科。我们生活在这样一个世界,即便是简单的日常任务,如打电话、使用信用卡或购买五金电器和杂货,都会留下电子印记。诸如核物理和天体物理领域科学实验数量的增加导致每月可能产生几PB (petabytes)规模的数据。近来,生命科学正在成为数据驱动的科学。
广泛用于商业和上述科学领域中的自动数据收集设备每小时能够产生几TB(terabytes)规模的数据,致使已有的推理方法过时。世界上*大的数据仓库——Walmart系统包含500 TB数据。它实在太大,以至于无法装入任何计算机的内存。数据挖掘技术的产生源自进行数据处理业务的企业和进行数据处理研究的科学家需要找到有效的模式来自动处理海量数据。模式可以是简单的数据汇总、数据划分或数据内部的依赖模型。作为知识发现过程,数据挖掘旨在从原始数据得到“被证实的知识”

出版者的话
译者序
前言
第1章 数据挖掘
1.1 引言
1.1.1 数据挖掘与知识发现
1.1.2 数据挖掘与数据分析
1.1.3 数据挖掘与统计学
1.1.4 数据挖掘与机器学习
1.2 数据挖掘——成功的例子
1.3 数据挖掘研究发展的主要原因
1.4 当前研究成果
1.5 图形模型和层次概率表示
1.6 新的应用
1.7 影响数据挖掘的趋势
1.8 研究挑战
1.9 实验平台和基础设施
参考文献
第2章 从商务角度看数据挖掘
2.1 引言
2.2 从数据挖掘工具到解决方案
2.3 数据挖掘系统的演变
2.4 知识发现过程
2.5 数据挖掘支撑技术概述
2.5.1 数据挖掘:验证与发现
2.5.2 决策支持系统
2.5.3 OLAP
2.5.4 桌面DSS
2.5.5 数据仓库
2.5.6 数据挖掘过程
2.6 数据挖掘技术
参考文献
第3章 数据挖掘算法的数据类型、输入和输出
3.1 引言
3.2 实例和特征
3.3 特征(数据)的不同类型
3.4 概念学习与概念描述
3.5 数据挖掘的输出——知识表示
3.5.1 分类学习算法的知识输出
3.5.2 聚类学习算法的输出
3.5.3 关联规则的输出
3.5.4 用于数值预测的树的输出
3.5.5 基于实例的学习和知识表示
参考文献
第4章 决策树——分类和回归树
4.1 引言
4.2 构造分类树
4.2.1 用于标称属性的ID3算法
4.2.2 信息论和信息熵
4.2.3 构造树
4.2.4 高分支属性
4.2.5 从ID3到C4.5
4.2.6 形象化地理解ID3和C4.5算法
4.3 CHAID
4.3.1 CHAID的数学工具
4.3.2 CHAID变量的类型
4.3.3 CHAID算法
4.3.4 CHAID算法描述
4.3.5 将CHAID用于气象数据
4.3.6 单调变量的预测子级别合并
4.4 CART(分类和回归树)
4.4.1 CART使用的不纯性度量
4.4.2 Gini指数
4.4.3 使用Gini指数——一个例子
4.4.4 双化指数
4.4.5 有序双化
4.4.6 CAR了分析的步骤
4.5 回归树
4.5.1 回归树的一个例子
4.5.2 基于树的回归
4.5.3 *小二乘方回归树
4.5.4 Ls回归树的有效生长
4.5.5 连续变量上的划分
4.5.6 离散变量上的划分
4.5.7 模型树
4.6 具有未知类值数据的类预测的一般问题
4.7 剪枝导论
4.8 模型评估
4.8.1 交叉确认:保持方法
4.8.2 模型比较
4.8.3 代价敏感的学习
习题
参考文献
第5章 数据挖掘的预处理和后处理
5.1 引言
5.2 数据预处理的步骤
5.3 离散化
5.3.1 人工方法
5.3.2 分箱
5.3.3 基于熵的离散化
5.3.4 找出分割点的其他简单方法
5.4 特征提取、选择和构造
5.4.1 特征提取
5.4.2 特征选择
5.4.3 特征构造
5.5 缺失数据及其处理方法和技术
5.5.1 什么是缺失数据
5.5.2 缺失数据的主要原因
5.5.3 缺失数据的机制
5.5.4 缺失数据的机制——一个人工例子
5.6 在决策树归纳中处理缺失数据的例子
5.7 后处理
参考文献
第6章 数据集
6.1 引言
6.2 隐形眼镜
6.3 鸢尾属植物数据库
6.4 乳腺癌数据库
6.5 工资数据库
6.6 信用卡数据库
6.7 住宅数据库
6.8 1985年汽车进口数据库
6.9 徽章问题
6.9.1 问题描述
6.9.2 部分数据
第7章 关联规则挖掘
7.1 引言
7.2 事务数据库中关联规则的自动发现
7.3 Apiiori算法
7.4 缺点
习题
参考文献
第8章 用开源和商业软件进行机器学习
8.1 用Weka进行机器学习
8.1.1 开始
8.1.2 装人数据
8.1.3 选择或过滤属性
8.1.4 离散化
8.1.5 关联规则挖掘
8.1.6 分类
8.1.7 聚类
8.2 XLMINER
参考文献
第9章 分类和回归算法
9.1 引言
9.2 朴素贝叶斯
9.2.1 朴素贝叶斯的零频率问题
9.2.2 缺失值和数值属性
9.3 多元回归分析
9.3.1 什么是回归分析
9.3.2 简单和多元回归分析
9.3.3 在市场营销中的应用
9.3.4 方法
9.3.5 使用Excel进行多元回归分析
9.3.6 输人数据
9.3.7 回归输出
9.4 逻辑斯谛回归
9.5 k-*近邻分类
9.5.1 k-近邻预测
9.5.2 k-NN算法的缺点
9.6 GMDH
9.6.1 引言
9.6.2 数据处理群组方法的背景
9.6.3 构建决策规则
9.6.4 实验结果
9.6.5 讨论和总结
9.7 进化计算和遗传算法
9.7.1 进化理论
9.7.2 遗传算法
9.7.3 使用遗传算法进行机器学习
习题
参考文献
第10章 支持向量机
10.1 引言
10.2 线性支持向量机的基本思想
10.3 软边缘SVM:线性核
10.3.1 线性SVM的线性规划公式表示
10.3.2 有训练误差的SVM:非线性核
10.4 邻近支持向量机
10.5 生成数据集
10.5.1 螺旋数据生成器
10.5.2 棋盘格数据集
10.5.3 多元正态分布数据生成器
10.6 问题及解答
习题
参考文献
第11章 聚类分析
11.1 引言
11.1.1 相似性及其度量
11.1.2 聚类的基本类型
11.2 划分聚类
11.3 k-**点
11.4 现代聚类方法
11.5 BIRCH
11.6 DBSCAN
11.6.1 DBSCAN算法的概念
11.6.2 DBSCAN的基本概念和算法
11.6.3 算法
11.6.4 DBSCAN算法的优点
11.7 OPTICS
11.7.1 引言
11.7.2 OPTICS算法的动机
11.7.3 OPTICS采用的概念
11.7.4 OPTICS算法
11.7.5 可达图
11.7.6 优点
11.7.7 缺点
11.8 基于图划分的聚类
11.8.1 加权图划分
11.8.2 平衡图划分——基本原则
11.8.3 κ路划分
11.9 CHAMELEON:两阶段聚类算法
11.9.1 数据建模
11.9.2 簇相似性建模
11.9.3 CHAMELEON的两个阶段
11.9.4 用例子说明CHAMELEON算法
11.10 COBWEB概念聚类算法
11.10.1 COBWEB算法
11.10.2 COBWEB:一个简单例子
11.11 GCLUTO:图形化聚类工具箱
11.11.1 概述
11.11.2 GCLUTO中的可用选项
11.11.3 使用GCLUTO进行文本
挖掘
习题
参考文献
第12章 多维数据可视化
12.1 引言
12.2 多维可视化的图表表示
12.2.1 kiviat图
12.2.2 平行坐标系
12.2.3 3D散点图
12.2.4 3D曲线图
12.2.5 体积透视图
12.2.6 房图
12.2.7 Chemoff脸图
12.3 可视化数据挖掘
参考文献
附录A SVM公式:完全可分的线性分类器
附录B 图划分的矩阵形式

……

数据挖掘是一个新兴的多学科交叉领域,它基于人工智能、机器学习.模式识别、统计学、数据库、可视化等技术,能够从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息,目前已广泛应用于科学,工程、商业、医学等领域。
本书旨在向读者介绍数据挖掘方法和算法,使读者能够应用这些方法解决现实世界中的问题。本书精心选择了在数据挖掘领域中广泛使用的大部分方法,并辅以简单的例子,因而是学习数据挖掘的理想教材。
《数据挖掘基础教程》特色
涵盖数据挖掘中数据的预处理,分类.预测、聚类、关联、支持向量机.多维数据可视化等内容,以及用于这些数据挖掘问题的典型算法。
许多算法都通过例子解释,并辅以大量图示,有利于初学者理解。
介绍如何使用开源软件包Weka和ExcelMiner, GCLUTO工具进行数据挖掘。在学习理论的同时,配合使用这些数据挖掘软件进行实验有利于读者加深对数据挖掘理论和算法的理解。
介绍了一些源自UCI机器学习库的数据集,它们已经成为研究算法性能的基准数据集。
附带光盘包括
大量数据集。
使用Weka和ExcelMiner进行数据挖掘的演示。