大數據分析:數據挖掘必備算法示例詳解

大數據分析:數據挖掘必備算法示例詳解

《大數據分析:數據挖掘必備算法示例詳解》是2017年9月機械工業出版社出版的圖書,作者是張重生。

基本介紹

  • 書名:大數據分析:數據挖掘必備算法示例詳解
  • 作者:張重生
  • 出版社:機械工業出版社
  • 出版時間:2017年9月
  • 定價:39.9 元
  • 開本:16 開
  • 裝幀:平裝
  • ISBN:9787111555469
內容簡介,圖書目錄,

內容簡介

本書詳細介紹了大數據分析,尤其是數據分類相關算法的原理及實現細節,並給出了每個算漏戶妹法的編程實例。全書總計21章,內容包括十大數據分類算法、十大從二元分類到多類分類的算法、九大屬性選擇算法、求永主五大數據選擇算法,若干集成學習方法和不均衡數據分類算法,以及大數據分析的平台與技術。 本書可作為高等學校計算機科學與技術、數據科學與大數據技術、統計學、軟體工程、地理信息系統等專業的研究生和高年級本科生的教材,也可作為科研人員、工程師和大數據愛好者堡榜櫻懂的參考書。

圖書目錄

第1章數據分析緒論
1.1理解數據中欄位的類型是數據分析的重要前提
1.2進行歡捉數據分析時數據的表示形式
1.3數據主喇櫃分類——數據類別的自動識別
1.4數據分類問題與回歸問題的區別與聯繫
1.5數據分析算法簡介
1.6交叉驗證
1.7一個最簡單的分類器-K近鄰分類器
1.8後續章節組織
第2章SVM算法
2.1算法原理
2.2工具包簡介
2.3實例詳解
3.1信息熵值
3.2決策樹的構建目標
3.3 ID3決策樹算法
3.4 C4.5決策樹算法
3.5 CART決策樹算法
3.6 ID3、C4.5、CART算法的終止條件
3.7C4.5算法的參數介紹
3.8實例詳解
第4章隨機森林算法
4.1算法原理
4.2工具包介紹
4.3實例詳解
第5章梯度提騙擊項達升決策樹算法
5.1算法原理
5.2工具包介紹
5.3實例詳解
第6章AdaBoost算法
6.1算法原理
6.2工具包介紹
6.3實例詳解
7.1樸素貝葉斯分類的問題定義
7.2樸素貝葉斯算法原理
7.3一種常見的樸素貝葉斯模型的錯誤計算方法
7.4樸素貝葉斯算法對連續型屬性的處理
第8章極限學習機器算法
8.1算法原理
8.2算法參數介紹
8.3實例詳解
第9章邏輯回歸算法
9.1 Logistic Regression算法流程
9.2 Logistic Regression算法原理推導
第10章稀疏表示分類算法
10.1算法原理
10.2 SRC工具包及算法參數介紹
10.3 SRC算法實例詳解
第11章不同數據分類算法性能的大規模實驗對比分析
11.1為什麼要比較不同數據分類算法的性能?
11.2不同數據分類算法性能比較的相關工作
11.3最新數據分類算法性能的大規模實驗對比分析結果
11.4結論
第12章從二分類到多分類——OVA
12.1 OVA 聚合規則的核心思想
12.2 MAX聚合規則
12.3 DOO聚合規則
12.4調用示例
第13章從二分類到多分類——OVO
13.1 OVO 聚合規則的核心思想
13.2 WV聚合規則
13.3 VOTE聚合規則
13.4 PC聚合規則
13.5 PE聚合規則
13.6 LVPC聚合規則
13.7調用示例
第14章從二分類到多分類——ECOC
14.1 ECOC的核心思想
14.2 ECOC 編碼
14.3 ECOC 解碼
14.4 ECOC多類分類調用示例
第15章三種從二分類到多分類聚合策略的實驗對比分析
15.1 OVA策略的實驗結果
15.2 OVO策略的實驗結果
15.3 ECOC策略的實驗結果
第16章多個分類算法的集成方法研究
16.1差異性(Diversity)的原理與技術
16.2集成學習方法
16.3本章小結
第17章屬性選擇算法
17.1 fspackage和LibSVM的使用
17.2信息增益算法
17.3卡方分布算法
17.4基於Fisher Score的屬性選擇算法
17.5基於基厄係數的屬性選擇算法
17.6基於T檢驗的屬性選擇算法
第18章高級屬性選擇算法
18.1線性前向選擇算法
18.2順序前向選擇算法
18.3基於稀疏多項式邏輯回歸的屬性選擇算法
18.4 Our——多個屬性選擇算法的集成策略
18.5屬性選擇算法的大規模實驗對比分析
第19章數據選擇算法
19.1衡量不均衡數據分類質量的常用方法
19.2 RUS算法
19.3 CNN算法
19.4 SMOTE算法
19.5 ADASYN算法
19.6 OSS算法
19.7本章小結
第20章不均衡數促殼慨據分類算法及大規模實驗分析
20.1 C4.5 CS算法
20.2使用Random Forests和GBDT進行不均衡數據分類
20.3BalanceCascade不均衡數據分類算法
20.4其他不均衡數據分類算法及不均衡分類器的集成算法
20.5結合屬性選擇和數據選擇的不均衡數據分類實驗
第21章大數據分析
21.1 Spark平台簡介
21.2基於Ambari的Spark及Spark集群的安裝與配置
21.3 Ambari集群擴展
21.4基於Spark平台的分散式編程示例
21.5 MLlib——Spark平台上的機器學習庫
11.2不同數據分類算法性能比較的相關工作
11.3最新數據分類算法性能的大規模實驗對比分析結果
11.4結論
第12章從二分類到多分類——OVA
12.1 OVA 聚合規則的核心思想
12.2 MAX聚合規則
12.3 DOO聚合規則
12.4調用示例
第13章從二分類到多分類——OVO
13.1 OVO 聚合規則的核心思想
13.2 WV聚合規則
13.3 VOTE聚合規則
13.4 PC聚合規則
13.5 PE聚合規則
13.6 LVPC聚合規則
13.7調用示例
第14章從二分類到多分類——ECOC
14.1 ECOC的核心思想
14.2 ECOC 編碼
14.3 ECOC 解碼
14.4 ECOC多類分類調用示例
第15章三種從二分類到多分類聚合策略的實驗對比分析
15.1 OVA策略的實驗結果
15.2 OVO策略的實驗結果
15.3 ECOC策略的實驗結果
第16章多個分類算法的集成方法研究
16.1差異性(Diversity)的原理與技術
16.2集成學習方法
16.3本章小結
第17章屬性選擇算法
17.1 fspackage和LibSVM的使用
17.2信息增益算法
17.3卡方分布算法
17.4基於Fisher Score的屬性選擇算法
17.5基於基厄係數的屬性選擇算法
17.6基於T檢驗的屬性選擇算法
第18章高級屬性選擇算法
18.1線性前向選擇算法
18.2順序前向選擇算法
18.3基於稀疏多項式邏輯回歸的屬性選擇算法
18.4 Our——多個屬性選擇算法的集成策略
18.5屬性選擇算法的大規模實驗對比分析
第19章數據選擇算法
19.1衡量不均衡數據分類質量的常用方法
19.2 RUS算法
19.3 CNN算法
19.4 SMOTE算法
19.5 ADASYN算法
19.6 OSS算法
19.7本章小結
第20章不均衡數據分類算法及大規模實驗分析
20.1 C4.5 CS算法
20.2使用Random Forests和GBDT進行不均衡數據分類
20.3BalanceCascade不均衡數據分類算法
20.4其他不均衡數據分類算法及不均衡分類器的集成算法
20.5結合屬性選擇和數據選擇的不均衡數據分類實驗
第21章大數據分析
21.1 Spark平台簡介
21.2基於Ambari的Spark及Spark集群的安裝與配置
21.3 Ambari集群擴展
21.4基於Spark平台的分散式編程示例
21.5 MLlib——Spark平台上的機器學習庫

相關詞條

熱門詞條

聯絡我們