• Python数据挖掘实战
图书条目标准图
21年品牌 40万+商家 超1.5亿件商品

Python数据挖掘实战

正版新书 新华官方库房直发 可开电子发票

45.82 5.8折 79 全新

库存19件

江苏无锡
认证卖家担保交易快速发货售后保障

作者方小敏

出版社电子工业出版社

出版时间2021-01

版次1

装帧其他

货号文轩12.21

上书时间2024-12-21

   商品详情   

品相描述:全新
图书标准信息
  • 作者 方小敏
  • 出版社 电子工业出版社
  • 出版时间 2021-01
  • 版次 1
  • ISBN 9787121404610
  • 定价 79.00元
  • 装帧 其他
  • 开本 其他
  • 纸张 胶版纸
  • 页数 244页
  • 字数 317千字
【内容简介】
从解决工作实际问题出发,提炼总结工作中Python 常用的数据处理、数据挖掘实战方法与技巧。本书通俗易懂地介绍数据挖掘过程中可能用到的回归模型、分类模型、聚类、关联、时间序列分析等技术。在不影响学习理解的前提下,尽可能地避免使用晦涩难懂的Python 编程、统计术语或模型公式。 本书定位是带领Python 数据分析初学者入门,并能解决学习、工作中大部分的问题或需求。入门后如还需要进一步进阶学习,可自行扩展阅读相关书籍或资料,学习是永无止境的,正所谓\"师傅领进门,修行在个人”。
【作者简介】
方小敏,资深机器学习工程师;中山大学数字治理研究中心技术顾问;曾服务于腾讯等知名互联网企业,熟练掌握Python、R、Spark、Hive、TensorFlow等工具进行机器学习。
【目录】
第1章 数据挖掘基础 /1 

1.1 数据挖掘是什么 /1 

1.1.1 数据挖掘算法的类型 /2 

1.1.2 数据挖掘需要的技能 /4 

1.1.3 数据挖掘的常见误区 /6 

1.2 数据挖掘的常见问题 /8 

1.2.1 预测问题 /9 

1.2.2 分类问题 /9 

1.2.3 聚类问题 /11 

1.2.4 关联问题 /12 

1.3 数据挖掘的标准流程 /13 

1.3.1 商业理解 /14 

1.3.2 数据理解 /14 

1.3.3 数据准备 /14 

1.3.4 模型构建 /15 

1.3.5 模型评估 /15 

1.3.6 模型部署 /15 

1.4 数据分析和数据挖掘的区别 /16 

1.4.1 数据分析 /16 

1.4.2 数据挖掘 /17 

第2章 回归模型 /18 

2.1 回归模型简介 /18 

2.2 相关分析 /20 

2.2.1 依存关系 /20 

2.2.2 相关系数的计算 /21 

2.2.3 相关系数的方向与大小 /22 

2.2.4 居民购物习惯相关分析案例 /23 

2.3 简单线性回归分析 /25 

2.3.1 线性回归方程解读 /25 

2.3.2 使用最小二乘法求解回归方程 /26 

2.3.3 使用广告投放费用预测销售额案例 /28 

2.4 多重线性回归分析 /33 

2.4.1 使用最小二乘法求解多重线性回归方程 /33 

2.4.2 使用广告投放费用与客流量预测销售额案例 /36 

2.5 一元非线性回归 /39 

2.5.1 一元非线性回归模型 /39 

2.5.2 一元非线性回归模型求解 /40 

2.5.3 使用上线天数预测活跃用户数案例 /41 

第3章 分类模型 /48 

3.1 分类模型基础 /48 

3.1.1 分类模型的建模五步骤 /49 

3.1.2 分类模型评估指标 /50 

3.1.3 K折交叉验证 /53 

3.2 KNN模型 /54 

3.2.1 KNN模型原理 /54 

3.2.2 使用商户数据预测是否续约案例 /55 

3.3 贝叶斯分类 /64 

3.3.1 贝叶斯分类的核心概念 /65 

3.3.2 朴素贝叶斯分类 /67 

3.3.3 朴素贝叶斯分类算法在离散型特征上的求解 /68 

3.3.4 朴素贝叶斯分类算法在连续型特征上的求解 /71 

3.3.5 使用议员在议案上的投票记录预测其所属党派案例 /83 

3.3.6 根据商户数据预测其是否续约案例 /85 

3.3.7 根据新闻文本预测其所属分类案例 /86 

3.4 决策树 /89 

3.4.1 决策树分类 /89 

3.4.2 决策树分类算法原理 /91 

3.4.3 使用高中生基本信息预测其是否计划升学案例 /93 

3.4.4 案例解读 /102 

3.5 随机森林 /104 

3.5.1 随机森林的特点 /104 

3.5.2 网格搜索 /106 

3.5.3 使用随机森林算法提升决策树算法效果案例 /107 

3.6 支持向量机 /111 

3.6.1 支持向量机的核心原理 /111 

3.6.2 根据葡萄酒成分数据预测其分类案例 /116 

3.7 逻辑回归 /118 

3.7.1 逻辑回归的核心概念 /118 

3.7.2 逻辑回归的数学推导 /119 

3.7.3 使用住户信息预测房屋是否屋主所有案例 /120 

第4章 特征工程 /124 

4.1 描述性统计分析 /125 

4.2 数据标准化 /127 

4.2.1 Min-Max标准化 /128 

4.2.2 Z-Score 标准化 /129 

4.2.3 Normalizer归一化 /131 

4.3 数据变换 /132 

4.3.1 二值化 /132 

4.3.2 分桶 /135 

4.3.3 幂变换 /138 

4.4 缺失值处理 /139 

4.4.1 删除缺失值所在的行 /140 

4.4.2 均值/众数/中值填充 /141 

4.4.3 模型填充 /142 

4.5 降维 /143 

4.5.1 主成分分析 /143 

4.5.2 因子分析 /154 

第5章 聚类算法 /160 

5.1 K均值算法 /161 

5.1.1 K均值算法的核心概念 /161 

5.1.2 电信套餐制定案例 /164 

5.2 DBSCAN算法 /169 

5.2.1 DBSCAN算法核心概念 /170 

5.2.2 用户常活动区域挖掘案例 /173 

5.3 层次聚类算法 /175 

5.3.1 演示:聚类层次的计算过程 /175 

5.3.2 基于运营商基站信息挖掘商圈案例 /178 

第6章 关联算法 /184 

6.1 关联规则 /185 

6.1.1 关联规则的核心概念 /186 

6.1.2 超市关联规则挖掘案例 /188 

6.1.3 超市关联规则解读 /192 

6.2 协同过滤 /192 

6.2.1 协同过滤算法的实现 /193 

6.2.2 安装scikit-surprise模块 /196 

6.2.3 基于电影数据的协同过滤案例 /197 

6.3 奇异值分解 /201 

第7章 时间序列 /206 

7.1 时间序列分解 /206 

7.1.1 非季节性时间序列分解 /207 

7.1.2 季节性时间序列 /211 

7.2 序列预测 /214 

7.2.1 把不平稳的时间序列转换成平稳的时间序列 /214 

7.2.2 自回归模型 /219 

7.2.3 移动平均模型 /220 

7.2.4 自回归移动平均模型 /221 

第8章 模型持久化 /226 

8.1 保存模型 /226 

8.2 恢复模型 /228 

8.3 管道模型 /229
点击展开 点击收起

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP