数据挖掘导论 pdf epub mobi txt 电子书 下载 2026
- 数据挖掘
- 计算机
- 数据挖掘导论
- 算法
- Data-Mining
- 计算机科学
- 人工智能
- 神经网络
- 数据挖掘
- 机器学习
- 统计分析
- 模式识别
- 人工智能
- 数据库
- 算法设计
- 商业智能
- 预测分析
- 分类算法
具体描述
本书全面介绍了数据挖掘的理论和方法，旨在为读者提供将数据挖掘应用于实际问题所必需的知识。本书涵盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都包含两章：前面一章讲述基本概念、代表性算法和评估技术，后面一章较深入地讨论高级概念和算法。目的是使读者在透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量示例、图表和习题。
本书适合作为相关专业高年级本科生和研究生数据挖掘课程的教材，同时也可作为数据挖掘研究和应用开发人员的参考书。
作者简介
Pang-Ning Tan现为密歇根州立大学计算机与工程系助理教授，主要教授数据挖掘、数据库系统等课程。此前，他曾是明尼苏达大学美国陆军高性能计算研究中心副研究员（2002-2003）。
Michael Steinbach 明尼苏达大学计算机与工程系研究员，在读博士。
Vipin Kumar明尼苏达大学计算机科学与工程系主任，曾任美国陆军高性能计算研究中心主任。他拥有马里兰大学博士学位，是数据挖掘和高性能计算方面的国际权威，IEEE会士。
目录信息
1.1 什么是数据挖掘 2
1.2 引发数据挖掘的挑战 2
1.3 数据挖掘的起源 3
1.4 数据挖掘任务 4
1.5 本书的内容与组织 7
文献注释 7
参考文献 8
习题 10
第2章 数据 13
2.1 数据类型 14
2.1.1 属性与度量 15
2.1.2 数据集的类型 18
2.2 数据质量 22
2.2.1 测量和数据收集问题 22
2.2.2 关于应用的问题 26
2.3 数据预处理 27
2.3.1 聚集 27
2.3.2 抽样 28
2.3.3 维归约 30
2.3.4 特征子集选择 31
2.3.5 特征创建 33
2.3.6 离散化和二元化 34
2.3.7 变量变换 38
2.4 相似性和相异性的度量 38
2.4.1 基础 39
2.4.2 简单属性之间的相似度和相异度 40
2.4.3 数据对象之间的相异度 41
2.4.4 数据对象之间的相似度 43
2.4.5 邻近性度量的例子 43
2.4.6 邻近度计算问题 48
2.4.7 选取正确的邻近性度量 50
文献注释 50
参考文献 52
习题 53
第3章 探索数据 59
3.1 鸢尾花数据集 59
3.2 汇总统计 60
3.2.1 频率和众数 60
3.2.2 百分位数 61
3.2.3 位置度量：均值和中位数 61
3.2.4 散布度量：极差和方差 62
3.2.5 多元汇总统计 63
3.2.6 汇总数据的其他方法 64
3.3 可视化 64
3.3.1 可视化的动机 64
3.3.2 一般概念 65
3.3.3 技术 67
3.3.4 可视化高维数据 75
3.3.5 注意事项 79
3.4 OLAP和多维数据分析 79
3.4.1 用多维数组表示鸢尾花数据 80
3.4.2 多维数据：一般情况 81
3.4.3 分析多维数据 82
3.4.4 关于多维数据分析的最后评述 84
文献注释 84
参考文献 85
习题 86
第4章 分类：基本概念、决策树与模型评估 89
4.1 预备知识 89
4.2 解决分类问题的一般方法 90
4.3 决策树归纳 92
4.3.1 决策树的工作原理 92
4.3.2 如何建立决策树 93
4.3.3 表示属性测试条件的方法 95
4.3.4 选择最佳划分的度量 96
4.3.5 决策树归纳算法 101
4.3.6 例子：Web 机器人检测 102
4.3.7 决策树归纳的特点 103
4.4 模型的过分拟合 106
4.4.1 噪声导致的过分拟合 107
4.4.2 缺乏代表性样本导致的过分拟合 109
4.4.3 过分拟合与多重比较过程 109
4.4.4 泛化误差估计 110
4.4.5 处理决策树归纳中的过分拟合 113
4.5 评估分类器的性能 114
4.5.1 保持方法 114
4.5.2 随机二次抽样 115
4.5.3 交叉验证 115
4.5.4 自助法 115
4.6 比较分类器的方法 116
4.6.1 估计准确度的置信区间 116
4.6.2 比较两个模型的性能 117
4.6.3 比较两种分类法的性能 118
文献注释 118
参考文献 120
习题 122
第5章 分类：其他技术 127
5.1 基于规则的分类器 127
5.1.1 基于规则的分类器的工作原理 128
5.1.2 规则的排序方案 129
5.1.3 如何建立基于规则的分类器 130
5.1.4 规则提取的直接方法 130
5.1.5 规则提取的间接方法 135
5.1.6 基于规则的分类器的特征 136
5.2 最近邻分类器 137
5.2.1 算法 138
5.2.2 最近邻分类器的特征 138
5.3 贝叶斯分类器 139
5.3.1 贝叶斯定理 139
5.3.2 贝叶斯定理在分类中的应用 140
5.3.3 朴素贝叶斯分类器 141
5.3.4 贝叶斯误差率 145
5.3.5 贝叶斯信念网络 147
5.4 人工神经网络(ANN) 150
5.4.1 感知器 151
5.4.2 多层人工神经网络 153
5.4.3 人工神经网络的特点 155
5.5 支持向量机 156
5.5.1 最大边缘超平面 156
5.5.2 线性支持向量机：可分情况 157
5.5.3 线性支持向量机：不可分情况 162
5.5.4 非线性支持向量机 164
5.5.5 支持向量机的特征 168
5.6 组合方法 168
5.6.1 组合方法的基本原理 168
5.6.2 构建组合分类器的方法 169
5.6.3 偏倚—方差分解 171
5.6.4 装袋 173
5.6.5 提升 175
5.6.6 随机森林 178
5.6.7 组合方法的实验比较 179
5.7 不平衡类问题 180
5.7.1 可选度量 180
5.7.2 接受者操作特征曲线 182
5.7.3 代价敏感学习 184
5.7.4 基于抽样的方法 186
5.8 多类问题 187
文献注释 189
参考文献 190
习题 193
第6章 关联分析：基本概念和算法 201
6.1 问题定义 202
6.2 频繁项集的产生 204
6.2.1 先验原理 205
6.2.2 Apriori算法的频繁项集产生 206
6.2.3 候选的产生与剪枝 208
6.2.4 支持度计数 210
6.2.5 计算复杂度 213
6.3 规则产生 215
6.3.1 基于置信度的剪枝 215
6.3.2 Apriori算法中规则的产生 215
6.3.3 例：美国国会投票记录 217
6.4 频繁项集的紧凑表示 217
6.4.1 最大频繁项集 217
6.4.2 频繁闭项集 219
6.5 产生频繁项集的其他方法 221
6.6 FP增长算法 223
6.6.1 FP树表示法 224
6.6.2 FP增长算法的频繁项集产生 225
6.7 关联模式的评估 228
6.7.1 兴趣度的客观度量 228
6.7.2 多个二元变量的度量 235
6.7.3 辛普森悖论 236
6.8 倾斜支持度分布的影响 237
文献注释 240
参考文献 244
习题 250
第7章 关联分析：高级概念 259
7.1 处理分类属性 259
7.2 处理连续属性 261
7.2.1 基于离散化的方法 261
7.2.2 基于统计学的方法 263
7.2.3 非离散化方法 265
7.3 处理概念分层 266
7.4 序列模式 267
7.4.1 问题描述 267
7.4.2 序列模式发现 269
7.4.3 时限约束 271
7.4.4 可选计数方案 274
7.5 子图模式 275
7.5.1 图与子图 276
7.5.2 频繁子图挖掘 277
7.5.3 类Apriori方法 278
7.5.4 候选产生 279
7.5.5 候选剪枝 282
7.5.6 支持度计数 285
7.6 非频繁模式 285
7.6.1 负模式 285
7.6.2 负相关模式 286
7.6.3 非频繁模式、负模式和负相关模式比较 287
7.6.4 挖掘有趣的非频繁模式的技术 288
7.6.5 基于挖掘负模式的技术 288
7.6.6 基于支持度期望的技术 290
文献注释 292
参考文献 293
习题 295
第8章 聚类分析：基本概念和算法 305
8.1 概述 306
8.1.1 什么是聚类分析 306
8.1.2 不同的聚类类型 307
8.1.3 不同的簇类型 308
8.2 K均值 310
8.2.1 基本K均值算法 310
8.2.2 K均值：附加的问题 315
8.2.3 二分K均值 316
8.2.4 K均值和不同的簇类型 317
8.2.5 优点与缺点 318
8.2.6 K均值作为优化问题 319
8.3 凝聚层次聚类 320
8.3.1 基本凝聚层次聚类算法 321
8.3.2 特殊技术 322
8.3.3 簇邻近度的Lance-Williams公式 325
8.3.4 层次聚类的主要问题 326
8.3.5 优点与缺点 327
8.4 DBSCAN 327
8.4.1 传统的密度：基于中心的方法 327
8.4.2 DBSCAN算法 328
8.4.3 优点与缺点 329
8.5 簇评估 330
8.5.1 概述 332
8.5.2 非监督簇评估：使用凝聚度和分离度 332
8.5.3 非监督簇评估：使用邻近度矩阵 336
8.5.4 层次聚类的非监督评估 338
8.5.5 确定正确的簇个数 339
8.5.6 聚类趋势 339
8.5.7 簇有效性的监督度量 340
8.5.8 评估簇有效性度量的显著性 343
文献注释 344
参考文献 345
习题 347
第9章 聚类分析：附加的问题与算法 355
9.1 数据、簇和聚类算法的特性 355
9.1.1 例子：比较K均值和DBSCAN 355
9.1.2 数据特性 356
9.1.3 簇特性 357
9.1.4 聚类算法的一般特性 358
9.2 基于原型的聚类 359
9.2.1 模糊聚类 359
9.2.2 使用混合模型的聚类 362
9.2.3 自组织映射 369
9.3 基于密度的聚类 372
9.3.1 基于网格的聚类 372
9.3.2 子空间聚类 374
9.3.3 DENCLUE：基于密度聚类的一种基于核的方案 377
9.4 基于图的聚类 379
9.4.1 稀疏化 379
9.4.2 最小生成树聚类 380
9.4.3 OPOSSUM：使用METIS的稀疏相似度最优划分 381
9.4.4 Chameleon：使用动态建模的层次聚类 381
9.4.5 共享最近邻相似度 385
9.4.6 Jarvis-Patrick聚类算法 387
9.4.7 SNN密度 388
9.4.8 基于SNN密度的聚类 389
9.5 可伸缩的聚类算法 390
9.5.1 可伸缩：一般问题和方法 391
9.5.2 BIRCH 392
9.5.3 CURE 393
9.6 使用哪种聚类算法 395
文献注释 397
参考文献 398
习题 400
第10章 异常检测 403
10.1 预备知识 404
10.1.1 异常的成因 404
10.1.2 异常检测方法 404
10.1.3 类标号的使用 405
10.1.4 问题 405
10.2 统计方法 406
10.2.1 检测一元正态分布中的离群点 407
10.2.2 多元正态分布的离群点 408
10.2.3 异常检测的混合模型方法 410
10.2.4 优点与缺点 411
10.3 基于邻近度的离群点检测 411
10.4 基于密度的离群点检测 412
10.4.1 使用相对密度的离群点检测 413
10.4.2 优点与缺点 414
10.5 基于聚类的技术 414
10.5.1 评估对象属于簇的程度 415
10.5.2 离群点对初始聚类的影响 416
10.5.3 使用簇的个数 416
10.5.4 优点与缺点 416
文献注释 417
参考文献 418
习题 420
· · · · · · (收起)
读后感
看我截图吧 http://weibo.com/1677386655/zu8O4ci9O therefore, if we compute the k-dist for all the data points for some k, sort them in increasing order, and ther plot the sorted values, we expect to see a sharp change at the value of k-dist that correspon...
评分Chapter2 和 Chapter3 一大堆废话，基本都是初中高中教的！！！好像跳过这些章节！！！ Chapter2 和 Chapter3 一大堆废话，基本都是初中高中教的！！！好像跳过这些章节！！！ Chapter2 和 Chapter3 一大堆废话，基本都是初中高中教的！！！好像跳过这些章节！！！
评分统计学经典入门书籍，对数据处理、分类、相关分析、聚类等方面做了事无巨细的讲解，兼顾通俗性和理论推导，浏览一遍目录就会发现，这不就是机器学习嘛！ 看这书名一开始以为这只是一本讲数据抓取、数据分析的书籍，这比市面上一些夸夸其谈机器学习、人工智能的书要低调很多，而...
评分作为数据挖掘导论，这本书基本上已经做到了。书中介绍了很多数据挖掘方面相关的概念和方法，对于入门来讲是很友好的。因为刚刚看完机器学习的书，所以前半部分基本不需要看了。后面的关联分析和聚类方法还是可以一看的。虽然这本书没有实际操作的内容，但是让人大概了解了数据...
评分看我截图吧 http://weibo.com/1677386655/zu8O4ci9O therefore, if we compute the k-dist for all the data points for some k, sort them in increasing order, and ther plot the sorted values, we expect to see a sharp change at the value of k-dist that correspon...
用户评价
坦白说，拿到这本书时，我有点犹豫，因为我对于“挖掘”这个词总有一种“挖坑”的感觉，似乎需要大量的专业知识和技术才能触及。但读了之后，我发现我对“数据挖掘”的认知被完全颠覆了。这本书的语言风格非常活泼，一点也不像一本刻板的技术书籍。作者在讲解过程中，经常会用一些类比和比喻，让抽象的概念变得具体生动。比如，他把数据预处理比作“给食材洗干净、切好”，把算法比作“烹饪的菜谱”，把挖掘出的模式比作“发现的美味佳肴”。这样的比喻，让我在阅读过程中充满了轻松感，而且印象深刻。书中还引入了一些趣味性的案例，比如如何分析冰淇淋的销量和天气之间的关系，或者如何利用数据来预测足球比赛的结果。这些案例虽然看似简单，但却能巧妙地展示出数据挖掘的强大力量，让我觉得学习过程充满乐趣，而不是枯燥的理论堆砌。我尤其喜欢书中关于“可视化”的部分，作者强调了清晰有效地展示数据洞察的重要性，并介绍了一些基本的可视化技巧。这对于我这种不太擅长技术表达的人来说，提供了非常有价值的指导。总的来说，这本书给我最大的感受就是“易懂”和“有趣”，它成功地将一个看似高冷的技术领域，变得亲切可触，让我对未来深入学习数据挖掘充满了信心。
评分这本书的封面设计就足够吸引人，深邃的蓝色背景上，几颗闪烁的星星若隐若现，仿佛预示着隐藏在海量数据中的宝藏。我之所以选择它，是因为我对“数据挖掘”这个概念一直充满了好奇，但又觉得它高深莫测，似乎只存在于科研论文和技术论坛中。当我翻开这本书的第一页，就被它引人入胜的开篇所吸引。作者并没有直接抛出枯燥的算法和公式，而是用生动的例子，比如如何从海量的购物记录中预测顾客的喜好，或者如何分析社交媒体数据来理解公众情绪。这些贴近生活的应用场景，瞬间拉近了我与数据挖掘的距离，让我觉得这并非遥不可及的科学，而是能够解决实际问题、创造价值的强大工具。书中对于数据挖掘基本概念的阐释也相当清晰，从数据预处理的必要性，到各种挖掘技术的初步介绍，都循序渐进，逻辑严谨。即使我之前对这个领域一无所知，也能大致理解数据挖掘的流程和目标。特别让我印象深刻的是，作者在讲解过程中，时不时穿插一些历史故事和行业案例，让学习过程不再是单调的知识灌输，而是充满趣味和启发。例如，他提到了早期搜索引擎是如何通过分析用户行为来优化搜索结果的，这让我恍然大悟，原来我们每天都在享受数据挖掘带来的便利。这本书的语言风格也很平实，没有过多华丽的辞藻，也没有故弄玄虚的专业术语，读起来感觉就像一位经验丰富的朋友在耐心指导你，让你在轻松愉快的氛围中，一步步走进数据挖掘的奇妙世界。
评分这本书给我的感觉，更像是一本“思想启蒙”的书，而不是一本“操作手册”。它并没有直接教你如何去使用某个软件或写某段代码，而是致力于构建读者对数据挖掘的整体认知框架。作者在开篇就强调了数据挖掘的哲学意义——从海量信息中发现有价值的洞察，并将其转化为决策依据。这让我意识到，数据挖掘不仅仅是技术问题，更是一种思维方式。书中对不同类型的数据挖掘任务进行了分类，比如关联规则挖掘、聚类分析、异常检测等等，并用通俗易懂的语言解释了它们的核心思想和应用场景。我尤其欣赏作者对于“模式”的探讨，他深入浅出地分析了什么是数据中的“模式”，以及我们如何去识别和利用这些模式。这种对本质的追问，让我对数据挖掘有了更深的理解，不再将其仅仅看作是复杂的算法集合。书中还涉及了一些与数据挖掘相关的伦理和隐私问题，这让我感到非常惊喜。在如今这个数据爆炸的时代，我们必须意识到技术发展带来的双重性。作者的探讨，引导读者从更广阔的视角去审视数据挖掘，思考如何在发挥技术优势的同时，保护个人隐私和维护社会公平。这种前瞻性的思考，使得这本书的价值远远超出了技术本身的范畴，成为了一本值得反复品读的著作。
评分老实说，我一开始对这本书的期待并不高，觉得它可能是一本流于表面的普及读物，泛泛而谈，解决不了什么实际问题。但当我深入阅读后，才发现自己的看法过于片面。这本书的独特之处在于，它并没有止步于对“是什么”的解释，而是着力于“怎么做”。作者在书中详细阐述了多种数据挖掘的关键技术，并且不仅仅是罗列理论，而是非常注重实操性。例如，在讲解分类算法时，他不仅介绍了决策树、支持向量机等经典模型，还分析了它们各自的优缺点，以及在不同场景下的适用性。更重要的是，他还会引导读者思考，在实际应用中，如何根据数据的特点和业务需求，选择最合适的算法。书中还提供了一些伪代码和流程图，虽然不是直接的代码实现，但足以让读者清晰地理解算法的执行过程，为后续的学习和实践打下坚实的基础。我特别喜欢书中关于数据预处理的章节，因为这往往是数据挖掘中最耗时但又至关重要的一步。作者细致地讲解了如何处理缺失值、异常值，如何进行特征选择和降维，这些都是在实际项目中经常会遇到的难题。他用大量的篇幅来强调数据质量的重要性，并提供了一些实用的技巧和建议，这对于我这样想要将数据挖掘应用于实际项目的人来说，简直是福音。这本书的写作结构也很清晰，每一章都围绕一个核心主题展开，并且会与其他章节形成良好的衔接，形成一个完整的知识体系。
评分这本书的结构设计非常巧妙，仿佛为初学者量身定做。它从最基础的概念入手，层层递进，逐步深入。我非常欣赏作者在讲解过程中，对“为什么”的强调。他不仅仅是告诉我们“是什么”和“怎么做”，更重要的是解释“为什么这样做”。例如，在介绍特征工程时，他会详细说明为什么需要进行特征工程，它能带来哪些好处，以及不同的特征工程方法背后的逻辑是什么。这种追根溯源的讲解方式，让我对每个概念都有了更深刻的理解，而不是停留在表面。书中还穿插了一些关于数据挖掘发展历程的介绍，让我看到了这个领域的演变和进步。这种历史的视角，不仅增加了阅读的趣味性，也让我对数据挖掘的未来发展有了更清晰的认识。我还注意到，作者在讲解一些复杂算法时，会提供不同层级的解释。对于初学者，他会给出易于理解的直观解释；对于有一定基础的读者，他也会提供更深入的技术细节。这种“分层教学”的设计，大大提高了这本书的普适性，让不同水平的读者都能从中受益。总的来说，这本书在内容深度和广度上都做得相当出色，既有理论的严谨，又不失实践的指导性。它为我打开了一扇通往数据挖掘世界的大门，让我对未来的学习和探索充满了期待。
评分: TP311.13/3174
评分各种算法
评分只看了100多页,跳跃性太大,很难看懂,加之时间有限--放弃!
评分8.4 DBSCAN 327 8.4.1 传统的密度：基于中心的方法 327 8.4.2 DBSCAN算法 328 8.4.3 优点与缺点 329 8.5 簇评估 330
评分教科书级别，详尽
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有