Python数据挖掘实战
¥
18.03
2.3折
¥
79
九品
仅1件
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A6
上书时间2024-12-23
商品详情
- 品相描述:九品
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