数据挖掘与应用:以SAS和R为工具(第二版)
¥
15.8
2.7折
¥
58
八五品
仅1件
作者 张俊妮 著
出版社 北京大学出版社
出版时间 2018-10
版次 2
装帧 平装
上书时间 2024-07-23
商品详情
品相描述:八五品
图书标准信息
作者
张俊妮 著
出版社
北京大学出版社
出版时间
2018-10
版次
2
ISBN
9787301299098
定价
58.00元
装帧
平装
开本
16开
纸张
胶版纸
页数
356页
字数
528千字
丛书
光华思想力书系·教材领航
【内容简介】
《数据挖掘与应用:以SAS和R为工具(第二版)》是数据挖掘领域的经典教材,基于北京大学光华管理学院“数据挖掘与应用”课程。书中系统、全面地介绍了数据挖掘领域的理论、技术工具以及实践方法。主要内容包括:数据挖掘方法论、数据理解和数据准备、缺失数据、关联规则挖掘、多元统计降维、聚类分析、线性回归和广义线性回归、回归模型规则化、神经网络、决策树、支持向量机、模型评估、模型组合、协同过滤等。 书中在每种数据挖掘技术后,均辅以大量医疗、金融、营销、保险、政府部门等应用案例,并均配有相关应用的SAS和R语言代码,以及视频课程二维码。 第二版更新:第二版在头一版的基础上,增加了缺失数据、回归模型中的规则化和变量选择、卷积神经网络、支持向量机、协同过滤这5章内容。在已有各章内,本书亦增加了新的内容和示例。近些年来,R因为其自由、免费、开源,已经发展为数据分析领域强大的软件之一。因此,本书除了继续展示SAS程序,还增加了R程序。
【作者简介】
张俊妮:美国哈佛大学统计学博士,北京大学光华管理学院商务统计及经济计量系副教授。研究领域包括:贝叶斯分析、因果推断、数据挖掘及文本挖掘。在Journal of American Statistical Association、Statistica Sinica、等期刊上发表二十余篇论文,出版英文专著。曾获北京大学教学优秀奖、光华管理学院优秀课程奖。
【目录】
前言 第 1 章 数据挖掘概述 01 1.1 什么是数据挖掘 02 1.2 统计思想在数据挖掘中的重要性 02 1.3 数据挖掘的应用案例 07 1.4 CRISP-DM 数据挖掘方法论 14 1.5 SEMMA 数据挖掘方法论 15 第 2 章 数据理解和数据准备 17 2.1 数据理解 19 2.2 数据准备 22 2.3 数据理解和数据准备示例: FNBA 信用卡数据 35 第 3 章 缺失数据 51 3.1 缺失数据模式和缺失数据机制 52 3.2 缺失数据机制对数据分析的影响 53 3.3 缺失值插补 62 3.4 缺失数据插补及分析示例:纽约空气质量 64 第 4 章 关联规则挖掘 73 4.1 关联规则的实际意义 74 4.2 关联规则的基本概念及 Apriori 算法 74 4.3 序列关联规则 80 4.4 关联规则挖掘示例 81 4.5 关联规则挖掘的其他讨论 85 第 5 章 多元统计中的降维方法 88 5.1 主成分分析 89 5.2 探索性因子分析 97 5.3 多维标度分析 104 第 6 章 聚类分析 111 6.1 距离与相似度的度量 113 6.2 k 均值聚类算法 117 6.3 层次聚类法 122 第 7 章 预测性建模的一些基本方法 130 7.1 判别分析 131 7.2 朴素贝叶斯分类算法 134 7.3 k 近邻法 137 7.4 线性回归 141 7.5 广义线性模型 149 第 8 章 回归模型中的规则化和变量选择 168 8.1 线性回归中的规则化和变量选择 169 8.2 广义线性模型中的规则化和变量选择 181 第 9 章 神经网络的基本方法 184 9.1 神经网络架构及基本组成 185 9.2 误差函数 190 9.3 神经网络训练算法 193 9.4 提高神经网络模型的可推广性 198 9.5 数据预处理 200 9.6 神经网络建模示例 201 9.7 自组织图 222 第 10 章 卷积神经网络 230 10.1 深度神经网络 231 10.2 卷积神经网络架构 232 10.3 卷积神经网络示例: Fashion-MNIST 数据 239 第 11 章 决策树方法 245 11.1 决策树简介 246 11.2 决策树的生长与修剪 248 11.3 对缺失数据的处理 155 11.4 变量选择 256 11.5 决策树的优缺点 257 第 12 章 支持向量机 274 12.1 支持向量机用于二分类问题 275 12.2 支持向量机用于多分类问题 284 12.3 支持向量机用于回归问题 285 第 13 章 模型评估 290 13.1 因变量为二分变量的情形 291 13.2 因变量为多分变量的情形 301 13.3 因变量为连续变量的情形 303 13.4 模型评估示例:德国信用数据的模型评估 304 第 14 章 模型组合与两阶段模型 312 14.1 模型组合 313 14.2 随机森林 321 14.3 两阶段模型 324 第 15 章 协同过滤 326 15.1 基于用户(User-based)的协同过滤 327 15.2 基于物品(Item-based)的协同过滤 328 15.3 基于 SVD 的协同过滤 328 15.4 基于 Funk SVD 的协同过滤 329 15.5 协同过滤示例:动漫片推荐 331 参考文献 337
点击展开
点击收起
— 没有更多了 —
本店暂时无法向该地区发货
以下为对购买帮助不大的评价