数据挖掘导论（英文版·原书第2版）

图书标准信息

• 作者 [美]陈封能（Pang-Ning Tan）、迈克尔·斯坦巴赫(Michael、Stein 著
• 出版社 机械工业出版社
• 出版时间 2019-11
• 版次 1
• ISBN 9787111637882
• 定价 199.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 836页

【内容简介】

本书从算法的角度介绍数据挖掘所使用的主要原理与技术。为了更好地理解数据挖掘技术如何用于各种类型的数据，研究这些原理与技术是至关重要的。 

本书所涵盖的主题包括：数据预处理、预测建模、关联分析、聚类分析、异常检测和避免错误发现。通过介绍每个主题的基本概念和算法，为读者提供将数据挖掘应用于实际问题所需的必要背景以及使用方法。

【作者简介】

陈封能（Pang-Ning Tan） 密歇根州立大学计算机科学与工程系教授，主要研究方向是数据挖掘、数据库系统、网络空间安全、网络分析等。

【目录】

第1章　绪论 1 

11　什么是数据挖掘 4 

12　数据挖掘要解决的问题 5 

13　数据挖掘的起源 7 

14　数据挖掘任务 9 

15　本书组织结构 13 

16　文献注释 15 

17　习题 21 

第2章　数据 23 

21　数据类型 26 

211　属性与度量 27 

212　数据集的类型 34 

22　数据质量 42 

221　测量和数据收集问题 42 

222　关于应用的问题 49 

23　数据预处理 50 

231　聚集 51 

232　抽样 52 

233　维归约 56 

234　特征子集选择 58 

235　特征创建 61 

236　离散化和二元化 63 

237　变量变换 69 

24　相似性和相异性的度量 71 

241　基础 72 

242　简单属性之间的相似度和相异度 74 

243　数据对象之间的相异度 76 

244　数据对象之间的相似度 78 

245　邻近度度量的例子 79 

246　互信息 88 

* 247　核函数 90 

* 248　Bregman散度 94 

249　邻近度计算问题 96 

2410　选择正确的邻近度度量 98 

25　文献注释 100 

26　习题 105 

第3章　分类：基本概念和技术 113 

31　基本概念 114 

32　一般的分类框架 117 

33　决策树分类器 119 

331　构建决策树的基本算法 121 

332　表示属性测试条件的方法 124 

333　选择属性测试条件的方法 127 

334　决策树归纳算法 136 

335　示例：Web机器人检测 138 

336　决策树分类器的特征 140 

34　模型的过拟 147 

35　模型选择 156 

351　验证集应用 156 

352　模型复杂度合并 157 

353　统计范围估计 162 

354　决策树的模型选择 162 

36　模型评估 164 

361　保持方法 165 

362　交叉验证 165 

37　超参数的使用 168 

371　超参数选择 168 

372　嵌套交叉验证 170 

38　模型选择和评估中的陷阱 172 

381　训练集和测试集之间的重叠 172 

382　使用验证错误率作为泛化错误率 

*39　模型比较 173 

391　估计准确率的置信区间 174 

392　比较两个模型的性能 175 

310　文献注释 176 

311　习题 185 

第4章　分类：其他技术 193 

41　分类器的种类 193 

42　基于规则的分类器 195 

421　基于规则的分类器原理 197 

422　规则集的属性 198 

423　规则提取的直接方法 199 

424　规则提取的间接方法 204 

425　基于规则的分类器的特点 206 

43　最近邻分类器 208 

431　算法 209 

432　最近邻分类器的特点 210 

44　朴素贝叶斯分类器 212 

441　概率论基础 213 

442　朴素贝叶斯假设 218 

45　贝叶斯网络 227 

451　图表示 227 

452　推理与学习 233 

453　贝叶斯网络的特点 242 

46　logistic回归 243 

461　logistic回归用作广义线性模型 244 

462　学习模型参数 245 

463　logistic回归模型的特点 248 

47　人工神经网络 249 

471　感知机 250 

472　多层神经网络 254 

473　人工神经网络的特点 261 

48　深度学习 262 

481　使用协同损失函数 263 

482　使用响应激活函数 266 

483　正则化 268 

484　模型参数的初始化 271 

485　深度学习的特点 275 

49　支持向量机 276 

491　分离超平面的边缘 276 

492　线性SVM 278 

493　软边缘SVM 284 

494　非线性SVM 290 

495　SVM的特点 294 

410　组合方法 296 

4101　组合方法的基本原理 297 

4102　构建组合分类器的方法 297 

4103　偏置–方差分解 300 

4104　装袋 302 

4105　提升 305 

4106　随机森林 310 

4107　组合方法的实验比较 312 

411　类不平衡问题 313 

4111　类不平衡的分类器构建 314 

4112　带类不平衡的性能评估 318 

4113　寻找最优的评分阈值 322 

4114　综合评估性能 323 

412　多类问题 330 

413　文献注释 333 

414　习题 345 

第5章　关联分析：基本概念和算法 357 

51　预备知识 358 

52　频繁项集的产生 362 

521　先验原理 363 

522　Apriori算法的频繁项集产生 364 

523　候选项集的产生与剪枝 368 

524　支持度计数 373 

525　计算复杂度 377 

53　规则的产生 380 

531　基于置信度的剪枝 380 

532　Apriori算法中规则的产生 381 

533　示例：美国国会投票记录 382 

54　频繁项集的紧凑表示 384 

541　极大频繁项集 384 

542　闭项集 386 

*55　其他产生频繁项集的方法 389 

*56　FP增长算法 393 

561　FP树表示法 394 

562　FP增长算法的频繁项集产生 397 

57　关联模式的评估 401 

571　兴趣度的客观度量 402 

572　多个二元变量的度量 414 

573　辛普森悖论 416 

58　倾斜支持度分布的影响 418 

59　文献注释 424 

510　习题 438 

第6章　关联分析：高级概念 451 

61　处理分类属性 451 

62　处理连续属性 454 

621　基于离散化的方法 454 

622　基于统计学的方法 458 

623　非离散化方法 460 

63　处理概念分层 462 

64　序列模式 464 

641　预备知识 465 

642　序列模式发现 468 

* 643　时限约束 473 

* 644　可选计数方案 477 

65　子图模式 479 

651　预备知识 480 

652　频繁子图挖掘 483 

653　候选生成 487 

654　候选剪枝 493 

655　支持度计数 493 

*66　非频繁模式 493 

661　负模式 494 

662　负相关模式 495 

663　非频繁模式、负模式和负相关模式比较 496 

664　挖掘有趣的非频繁模式的技术 498 

665　基于挖掘负模式的技术 499 

666　基于支持度期望的技术 501 

67　文献注释 505 

68　习题 510 

第7章　聚类分析：基本概念和算法 525 

71　概述 528 

711　什么是聚类分析 528 

712　聚类的不同类型 529 

713　簇的不同类型 531 

72　K均值 534 

721　K均值算法 535 

722　K均值：附加的问题 544 

723　二分K均值 547 

724　K均值和不同的簇类型 548 

725　优点与缺点 549 

726　K均值作为优化问题 549 

73　凝聚层次聚类 554 

731　基本凝聚层次聚类算法 555 

732　特殊技术 557 

733　簇邻近度的Lance-Williams公式 562 

734　层次聚类的主要问题 563 

735　离群点 564 

736　优点与缺点 565 

74　DBSCAN 565 

741　传统的密度：基于中心的方法 565 

742　DBSCAN算法 567 

743　优点与缺点 569 

75　簇评估 571 

751　概述 571 

752　无监督簇评估：使用凝聚度和分离度 574 

753　无监督簇评估：使用邻近度矩阵 582 

754　层次聚类的无监督评估 585 

755　确定正确的簇个数 587 

756　聚类趋势 588 

757　簇有效性的监督度量 589 

758　评估簇有效性度量的显著性 594 

759　簇有效性度量的选择 596 

76　文献注释 597 

77　习题 603 

第8章　聚类分析：其他问题与算法 613 

81　数据、簇和聚类算法的特性 614 

811　示例：比较K均值和DBSCAN 614 

812　数据特性 615 

813　簇特性 617 

814　聚类算法的一般特性 619 

82　基于原型的聚类 621 

821　模糊聚类 621 

822　使用混合模型的聚类 627 

823　自组织映射 637 

83　基于密度的聚类 644 

831　基于网格的聚类 644 

832　子空间聚类 648 

833　DENCLUE：基于密度聚类的一种基于核的方案 652 

84　基于图的聚类 656 

841　稀疏化 657 

842　最小生成树聚类 658 

843　OPOSSUM：使用METIS的稀疏相似度最优划分 659 

844　Chameleon：使用动态建模的层次聚类 660 

845　谱聚类 666 

846　共享最近邻相似度 673 

847　Jarvis-Patrick聚类算法 676 

848　SNN密度 678 

849　基于SNN密度的聚类 679 

85　可伸缩的聚类算法 681 

851　可伸缩：一般问题和方法 681 

852　BIRCH 684 

853　CURE 686 

86　使用哪种聚类算法 690 

87　文献注释 693 

88　习题 699 

第9章　异常检测 703 

91　异常检测问题的特性 705 

911　异常的定义 705 

912　数据的性质 706 

913　如何使用异常检测 707 

92　异常检测方法的特性 708 

93　统计方法 710 

931　使用参数模型 710 

932　使用非参数模型 714 

933　对正常类和异常类建模 715 

934　评估统计意义 717 

935　优点与缺点 718 

94　基于邻近度的方法 719 

941　基于距离的异常分数 719 

942　基于密度的异常分数 720 

943　基于相对密度的异常分数 722 

944　优点与缺点 723 

95　基于聚类的方法 724 

951　发现异常簇 724 

952　发现异常实例 725 

953　优点与缺点 728 

96　基于重构的方法 728 

97　单类分类 732 

971　核函数的使用 733 

972　原点技巧 734 

973　优点与缺点 738 

98　信息论方法 738 

99　异常检测评估 740 

910　文献注释 742 

911　习题 749 

第10章　避免错误发现 755 

101　预备知识：统计检验 756 

1011　显著性检验 756 

1012　假设检验 761 

1013　多重假设检验 767 

1014　统计检验中的陷阱 776 

102　对零分布和替代分布建模 778 

1021　生成合成数据集 781 

1022　随机化类标 782 

1023　实例重采样 782 

1024　对检验统计量的分布建模 783 

103　分类问题的统计检验 783 

1031　评估分类性能 783 

1032　以多重假设检 验处理二分类问题 785 

1033　模型选择中的多重假设检验 786 

104　关联分析的统计检验 787 

1041　使用统计模型 788 

1042　使用随机化方法 794 

105　聚类分析的统计检验 795 

1051　为内部指标生成零分布 796 

1052　为外部指标生成零分布 798 

1053　富集 798 

106　异常检测的统计检验 800 

107　文献注释 803 

108　习题 808 

Contents 

1 Introduction 1 

11 What Is Data Mining? 4 

12 Motivating Challenges 5 

13 The Origins of Data Mining 7 

14 Data Mining Tasks 9 

15 Scope and Organization of the Book 13 

16 Bibliographic Notes 15 

17 Exercises 21 

2 Data 23 

21 Types of Data 26 

211 Attributes and Measurement 27 

212 Types of Data Sets 34 

22 Data Quality 42 

221 Measurement and Data Collection Issues 42 

222 Issues Related to Applications 49 

23 Data Preprocessing 50 

231 Aggregation 51 

232 Sampling 52 

233 Dimensionality Reduction 56