數據挖掘與機器學習：PMML建模（上）

內容簡介

《數據挖掘與機器學習：PMML建模（上）/人工智慧開發元嫌旋叢書》結合實際例子詳細介紹了數據挖掘和機器學習領域關聯規則模型、樸素貝葉斯模型、貝葉斯網路模型、基線模型、聚類模型、通用回歸模型、回歸模型、高斯過程模型以及K近鄰模型九種模型的表達方式及構建知識。讀者好同時結合《PMML建模標準語言基礎》一書進行學習，以便融會貫通，靈活運用，更好地把PMML語言套用到自己的項目實踐中。

《數據挖掘與機器學習：PMML建模（上）/人工智慧開發叢書》的讀者對象為從事數據挖掘、機器學習、人工智慧系統開發的人員以及教師和學生，也可以作為大數據及機器學習愛好者的自學用書。

圖書目錄

1 關聯規則模型AssociationModel

1．1 關聯規則基礎知識

1．2 關聯規則算法簡介

1．3 關聯規則模型元素AssociationModel

1．3．1 模型屬性

1．3．2 模型子元素

1．3．3 評分套用過程

2 樸素貝葉斯模型NaiveBayesModel

2．1 樸素貝葉斯模型基礎知識

2．1．1 全機率公式

2．1．2 貝葉斯定理

2．2 樸素貝葉斯算法簡介

2．2．1 樸素貝葉斯算法

2．2．2 樸素貝葉斯模型參數估計

2．3 樸素貝葉斯模型元素NaiveBayesModel

2．3．1 模型屬性

2．3．2 模型子元素

2．3．3 評分套用過程

3 貝葉斯網路模型BayesianNetworkModel

3．1 貝葉斯網路基礎知識

3．2 貝葉斯網路提朽愉套算法簡介

3．3 貝葉斯網路模型元素BayesianNetworkModel

3．3．1 模型屬性

3．3．2 模型子元素

3．3．3 評分套用過程

4 基線模型BaselineModel

4．少婆汗1 基線模型的基礎知識

4．1．1 一般基線模型的概念

4．1．2 PMML規範中的基線模型

4．2 基線模型元素BaselineModel

4．2．1 模型屬性

4．2．2 模型子元素

4．2．3 評分套用過程

5 聚類模型ClusteringModel

5．1 聚類判屑霸模型的基礎知識

5．2 聚類算法簡介

5．2．1 硬聚類和軟聚承促疊愚類

5．2．2 基於算法主要特徵的劃分

5．2．3 PMML規範中的聚類

5．3 聚類模型元素ClusteringModel

5．3．1 模型屬性

5．3．2 模型子元素

5．3．3 評分套用過程

6 通用回歸模型GeneralRegressionModel

6．1 通用回歸模型基礎知識

6．2 通用回歸算法簡介

6．2．1 一般線性回歸模型GLM

6．2．2 廣義線性回歸GLZM

6．2．3 Cox回歸

6．3 通用回歸模型元夜員素GeneralRegressionModel

…滲棵講…

數據挖掘與機器學習：PMML建模（上）

基本介紹

內容簡介

圖書目錄

熱門詞條