数据挖掘原理（第3版）

第1章 数据挖掘简介
1．1 数据爆炸
1．2 知识发现
1．3 数据挖掘的应用
1．4 标签和无标签数据
1．5 监督学习：分类
1．6 监督学习：数值预测
1．7 无监督学习：关联规则
1．8 无监督学习：聚类
第2章 用于挖掘的数据
2．1 标准制定
2．2 变量的类型
2．3 数据准备
2．4 缺失值
2．4．1 丢弃实例
2．4．2 用最频繁值／平均值替换
2．5 减少属性个数
2．6 数据集的UCI存储库
2．7 本章小结
2．8 自我评估练习
第3章 分类简介：朴素贝叶斯和
最近邻算法
3．1 什么是分类
3．2 朴素贝叶斯分类器
3．3 最近邻分类
3．3．1 距离测量
3．3．2 标准化
3．3．3 处理分类属性
3．4 急切式和懒惰式学习
3．5 本章小结
3．6 自我评估练习
第4章 使用决策树进行分类
4．1 决策规则和决策树
4．1．1 决策树：高尔夫示例
4．1．2 术语
4．1．3 degrees数据集
4．2 TDIDT算法
4．3 推理类型
4．4 本章小结
4．5 自我评估练习
第5章 决策树归纳：使用熵进行属性选择
5．1 属性选择：一个实验
5．2 替代决策树
5．2．1 足球／无板篮球示例
5．2．2 匿名数据集
5．3 选择要分裂的属性：使用熵
5．3．1 lens24数据集
5．3．2 熵
5．3．3 使用熵进行属性选择
5．3．4 信息增益最大化
5．4 本章小结
5．5 自我评估练习
第6章 决策树归纳：使用频率表进行属性选择
6．1 实践中的熵计算
6．1．1 等效性证明
6．1．2 关于零值的说明
6．2 其他属性选择标准：
多样性基尼指数
6．3 X2属性选择准则
6．4 归纳偏好
6．5 使用增益比进行属性选择
6．5．1 分裂信息的属性
6．5．2 总结
6．6 不同属性选择标准生成的规则数
6．7 缺失分支
6．8 本章小结
6．9 自我评估练习
第7章 估计分类器的预测精度
7．1 简介
7．2 方法1：将数据划分为训练集和测试集
7．2．1 标准误差
7．2．2 重复训练和测试
7．3 方法2：K-折交叉验证
……
第8章 连续属性
第9章 避免决策树的过度拟合
第10章 关于熵的更多信息
第11章 归纳分类的模块化规则
第12章 度量分类器的性能
第13章 处理大量数据
第14章 集成分类
第15章 比较分类器
第16章 关联规则挖掘Ⅰ
第17章 关联规则挖掘Ⅱ
第18章 关联规则挖掘
第19章 聚类
第20章 文本挖掘
第21章 分类流数据Ⅰ
第22章 分类流数据Ⅱ：时间相关数据
附录
参考文献