更新时间：2023-10-09 10:32:50
封面
版权信息
内容提要
前言
第1章 绪论
1.1 数据挖掘概述
1.1.1 基本概念
1.1.2 数据挖掘的典型应用场景
1.1.3 数据挖掘的演化历程
1.2 数据挖掘的一般流程
1.3 数据挖掘环境的配置
1.3.1 常用的数据挖掘工具
1.3.2 Anaconda 3下载和安装
1.4 本章小结
习题
第2章 Python数据挖掘模块
2.1 NumPy
2.1.1 Ndarray的创建
2.1.2 Ndarray的属性
2.1.3 索引和切片
2.1.4 排序
2.1.5 NumPy的数组运算
2.1.6 NumPy的统计函数
2.2 Pandas
2.2.1 Pandas的数据结构
2.2.2 查看和获取数据
2.2.3 Pandas的算术运算
2.2.4 Pandas的汇总和描述性统计函数
2.2.5 Pandas的其他常用函数
2.2.6 Pandas读写文件
2.3 Matplotlib
2.3.1 Matplotlib基本绘图元素
2.3.2 常用的Matplotlib图形绘制
2.4 Scikit-learn
2.5 本章小结
第3章 数据探索
3.1 数据对象与特征
3.1.1 特征及其类型
3.1.2 离散和连续特征
3.2 数据统计描述
3.2.1 集中趋势
3.2.2 离中趋势
3.3 数据可视化
3.3.1 散点图
3.3.2 箱线图
3.3.3 频率直方图
3.3.4 柱状图
3.3.5 饼图
3.3.6 散点图矩阵
3.4 相关性和相似性度量
3.4.1 相关性度量
3.4.2 相似性度量
3.5 本章小结
第4章 数据预处理
4.1 数据集成
4.2 数据清洗
4.2.1 重复值处理
4.2.2 缺失值处理
4.2.3 异常值处理
4.3 数据变换
4.3.1 数据规范化
4.3.2 数值特征的二值化和离散化
4.3.3 标称特征的数值化处理
4.4 数据规约
4.4.1 样本规约
4.4.2 维度规约
4.4.3 数据压缩
4.5 本章小结
第5章 特征选择
5.1 特征选择方法概述
5.2 过滤法
5.2.1 单变量过滤方法
5.2.2 多变量过滤方法
5.2.3 过滤法的优缺点
5.2.4 综合实例
5.3 包装法
5.3.1 递归特征消除
5.3.2 序列特征选择
5.3.3 包装法的优缺点
5.4 嵌入法
5.4.1 基于正则化线性模型的方法
5.4.2 基于树模型的方法
5.4.3 嵌入法的优缺点
5.5 本章小结
第6章 基础分类模型及回归模型
6.1 基本理论
6.1.1 分类模型
6.1.2 欠拟合和过拟合
6.1.3 二分类和多分类
6.1.4 线性及非线性分类器
6.2 朴素贝叶斯分类器
6.2.1 基本原理
6.2.2 基于Python的实现
6.3 k近邻分类器
6.3.1 基本原理
6.3.2 基于Python的实现
