《SPSS Modeler Weka数据挖掘从门到实战》采用理论与软件实操双向并行的策略。 在理论上，尽量用例子来说明数据挖掘算法背后的理论及意义，避免过度艰涩的数学公式及推导，以求读者能用*简单的方式掌握理论精髓。 在软件实操上，则以各领域的实用案例为基础，逐步将软件的功能引出，以求读者能了解软件各部功能的使用技巧。
售 价：¥
纸质售价：¥51.30购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
作者简介
前言
第1篇 理论篇
第1章 数据挖掘简介
1.1 数据挖掘的起源、定义及目标
1.2 数据挖掘的发展历程
1.3 SPSS Modeler和Weka基础操作
第2章 数据挖掘方法论
2.1 数据挖掘方法论
2.2 数据库中的知识挖掘步骤
2.3 案例：运用SPSS Modeler和Weka做客户的信用风险评分模型
第3章 基本的数据挖掘技术
3.1 描述性统计
3.2 可视化技术
3.3 KNN原理及实例
3.4 案例：运用Weka的KNN算法对诊断结果进行预测
3.5 案例：运用SPSS Modeler的KNN算法预测客户是否接受人寿保险推销
第4章 数据挖掘进阶技术
4.1 数据挖掘的功能分类
4.2 数据挖掘的绩效增益
4.3 数据挖掘网站
4.4 案例：评估新产品的促销活动效果
第2篇 准备篇
第5章 数据预处理
5.1 字段选择
5.2 数据清洗
5.3 字段扩充
5.4 数据编码
第6章 关键变量挖掘技术
6.1 无效变量
6.2 统计方式的变量选择
6.3 模型方式的变量选择
第7章 贝叶斯网络
7.1 朴素贝叶斯
7.2 什么是贝叶斯网络
第8章 线性回归
8.1 简单线性回归
8.2 多元回归
8.3 相关系数
8.4 回归分析案例
8.5 线性回归模型评估
8.6 案例：运用SPSS Modeler建立线性回归模型
第9章 决策树
9.1 ID3决策树模型
9.2 ID3算法
9.3 C5.0算法
9.4 CART算法
9.5 CHAID算法
9.6 案例：运用SPSS Modeler和Weka建立决策树模型
9.7 CART回归树算法
9.8 案例：运用SPSS Modeler和Weka建立回归树模型
第10章 神经网络
10.1 BP神经网络模型
10.2 神经元的组成
10.3 神经网络模型如何传递信息
10.4 修正神经网络模型的权重值及常数项
10.5 BP神经网络模型与Logistic回归、线性回归及非线性回归之间的关系
10.6 案例：运用SPSS Modeler建立类神经网络模型
第11章 Logistic回归
11.1 Logistic回归与BP神经网络的关系
11.2 Logistic回归的字段选择方式
11.3 案例：运用SPSS Modeler建立Logistic回归模型
第12章 支持向量机
12.1 数据是线性可分的支持向量机
12.2 数据是线性不可分的支持向量机
12.3 案例：运用SPSS Modeler建立SVM模型
第3篇 关系篇
第13章 聚类分析
13.1 相似性度量
13.2 聚类算法
13.3 分层聚类算法
13.4 分割式聚类算法
13.5 集群判断
13.6 案例：运用SPSS Modeler建立聚类模型
第14章 关联规则
14.1 关联规则的概念
14.2 关联规则的评估指标
14.3 Apriori算法
14.4 Apriori算法实例说明
14.5 再谈评估指标
14.6 关联规则的延伸
14.7 案例：运用SPSS Modeler建立关联规则模型
第15章 序列模型
15.1 序列模型的概念
15.2 案例：运用SPSS Modeler建立序列模型
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
