數據挖掘技術與應用(第3版·微課版）

目錄

第1章數據挖掘概述1

1.1數據倉庫和數據挖掘的定義與解釋1

1.1.1數據倉庫的定義與解釋1

1.1.2數據挖掘的定義與解釋1

1.2數據倉庫系統的相關技術2

1.2.1數據倉庫系統相關技術之間的關系3

1.2.2數據倉庫系統模式6

1.3數據倉庫系統中多維數據組織的形式化定義與描述8

1.4數據挖掘方法與研究體系15

1.4.1數據挖掘系統的發展與結構15

1.4.2數據挖掘的相關技術與工具16

1.4.3數據挖掘應用及發展23

1.5商務智能系統定義與構成25

思政園地27

課後習題27

第2章數據采集、集成與預處理技術30

2.1數據采集的對象30

2.2數據集成技術與方法33

2.3數據預處理技術與方法36

2.3.1數據清理的方法36

2.3.2數據融合的方法37

2.3.3數據變換的方法37

2.3.4數據歸約的方法38

2.4基於樣本數據劃分的通用數據挖掘模型系統39

思政園地40

課後習題41

第3章多維數據分析與組織43

3.1多維數據分析概述43

3.1.1聯機分析處理的定義和特點43

3.1.2聯機分析處理的評價準則44

3.1.3多維數據分析的主要概念45

3.2多維數據模型與結構46

3.2.1多維數據的概念模型46

3.2.2多維數據的邏輯模型48

3.2.3多維數據的物理模型50

3.3多維數據分析應用與工具53

3.3.1多維數據分析的基本操作53

3.3.2多維數據分析的工具及特點54

3.4從聯機分析處理到聯機分析挖掘55

3.4.1聯機分析挖掘形成原因55

3.4.2聯機分析挖掘概念及特征56

思政園地57

課後習題57

第4章預測模型研究與應用60

4.1預測模型的基礎理論60

4.1.1預測方法的分類60

4.1.2預測方法的一般步驟60

4.2回歸分析預測模型61

4.2.1一元線性回歸預測模型61

4.2.2多元線性回歸預測模型66

4.2.3非線性回歸預測模型70

4.3趨勢外推預測模型74

4.3.1珀爾預測模型74

4.3.2岡珀茨預測模型77

4.3.3華德諾爾預測模型80

4.4時間序列預測模型83

4.4.1移動平均預測模型83

4.4.2指數平滑預測模型84

4.4.3季節指數預測模型91

4.5基於神經網絡的預測模型94

4.6馬爾可夫預測模型105

思政園地108

課後習題109

第5章關聯規則模型與應用111

5.1關聯規則的基礎理論111

5.1.1關聯規則的定義與解釋111

5.1.2關聯規則在知識管理過程中的作用111

5.2Apriori關聯規則算法112

5.2.1關聯規則算法的相關概念112

5.2.2關聯規則算法的流程113

5.2.3基於Apriori算法的關聯規則算例114

5.3改進的Apriori關聯規則方法116

5.3.1動態存儲空間的構建116

5.3.2快速產生強項集的算法流程116

5.3.3改進算法的時間復雜性分析117

5.4Apriori關聯規則方法的實例119

思政園地126

課後習題126

第6章聚類分析方法與應用129

6.1聚類分析的基礎理論129

6.1.1聚類分析的定義129

6.1.2對聚類算法性能的要求129

6.2聚類分析的方法130

6.2.1基於劃分的聚類方法130

6.2.2基於層次的聚類方法131

6.2.3基於密度的聚類方法132

6.2.4基於網格的聚類方法133

6.2.5基於模型的聚類方法133

6.3應用聚類分析方法135

6.3.1kmeans聚類方法135

6.3.2kmedoids聚類方法137

6.3.3AGNES聚類方法139

6.3.4DIANA聚類方法140

6.3.5DBSCAN聚類方法142

思政園地144

課後習題145

第7章粗糙集方法與應用147

7.1粗糙集理論背景介紹147

7.1.1粗糙集的含義147

7.1.2粗糙集的應用及與其他領域的結合147

7.2粗糙集基本理論150

7.2.1知識與不可分辨關系151

7.2.2不精確範疇、近似與粗糙集151

7.2.3粗糙集的精度和粗糙度152

7.2.4粗糙集的粗等價和粗包含153

7.3基於粗糙集的屬性約簡154

7.3.1知識的約簡和核154

7.3.2知識的依賴性度量和屬性的重要度156

7.4基於粗糙集的決策知識表示158

7.4.1基於粗糙集的決策知識表示方法158

7.4.2粗糙集在規則提取中的應用算例159

思政園地160

課後習題160

第8章遺傳算法與應用163

8.1遺傳算法基礎理論163

8.1.1遺傳算法概述163

8.1.2遺傳算法特點164

8.2遺傳算法的應用領域和研究方向164

8.2.1遺傳算法的應用領域164

8.2.2遺傳算法的研究方向167

8.3遺傳算法的基礎知識168

8.3.1遺傳算法的相關概念168

8.3.2遺傳算法的編碼規則168

8.3.3遺傳算法的主要算子170

8.3.4遺傳算法的適應度函數174

8.4遺傳算法計算過程和應用175

8.4.1遺傳算法計算過程175

8.4.2遺傳算法參數選擇175

8.4.3遺傳算法實例應用176

思政園地180

課後習題180

第9章基於模糊理論的模型與應用183

9.1層次分析法183

9.1.1層次分析法的計算步驟183

9.1.2層次分析法應用實例186

9.2模糊層次分析法188

9.2.1模糊層次分析法的步驟189

9.2.2模糊層次分析法應用實例189

9.3模糊綜合評判法192

9.3.1模糊綜合評判法的原理與步驟192

9.3.2模糊綜合評判法應用實例195

9.4模糊聚類分析方法197

9.4.1模糊聚類方法介紹197

9.4.2模糊聚類算法應用198

思政園地200

課後習題201

第10章灰色系統理論與方法203

10.1灰色系統的基礎理論203

10.1.1灰色系統理論介紹203

10.1.2灰色系統的特點203

10.1.3灰色系統建模與適用範圍204

10.2灰色預測模型206

10.2.1建立灰色預測模型207

10.2.2灰色預測模型實例208

10.3灰色聚類分析210

10.3.1基於灰色關聯度的聚類分析210

10.3.2基於灰色白化權函數的聚類方法215

10.4灰色綜合評價法219

10.4.1多層次灰色綜合評價法計算步驟219

10.4.2多層次灰色綜合評價法應用案例222

思政園地225

課後習題226

第11章基於數據挖掘的知識推理229

11.1知識推理的分類229

11.1.1非單調推理229

11.1.2非確定性推理229

11.1.3基於規則的推理234

11.1.4基於案例的推理234

11.2基於數據挖掘方法的知識推理236

11.2.1基於決策樹的知識推理236

11.2.2基於關聯規則的知識推理241

11.2.3基於粗糙集的知識推理241

思政園地242

課後習題242

第12章分類算法與應用245

12.1分類算法的基礎知識245

12.1.1分類算法的定義245

12.1.2主要的分類算法246

12.2常用的分類算法248

12.2.1貝葉斯分類248

12.2.2k最近鄰分類250

12.2.3支持向量機252

思政園地255

課後習題255

參考文獻258