数据挖掘与利用作业指导书.docVIP

数据挖掘与利用作业指导书

TOC\o1-2\h\u22641第一章数据挖掘基础理论 2

54441.1数据挖掘概述 3

240331.2数据挖掘任务与流程 3

182331.2.1数据挖掘任务 3

164661.2.2数据挖掘流程 3

311281.3数据挖掘常用算法 4

21576第二章数据预处理 4

51542.1数据清洗 4

313662.2数据集成 5

216182.3数据变换 5

252392.4数据归一化与标准化 5

23258第三章数据挖掘算法 6

262913.1决策树算法 6

38903.1.1特征选择 6

296353.1.2剪枝策略 6

95543.2支持向量机算法 6

180653.2.1线性支持向量机 6

15353.2.2非线性支持向量机 7

203253.3神经网络算法 7

185783.3.1前馈神经网络 7

224313.3.2反向传播算法 7

27343.4集成学习算法 7

84623.4.1Bagging算法 7

78623.4.2Boosting算法 7

135893.4.3Stacking算法 8

3813第四章关联规则挖掘 8

25234.1关联规则基本概念 8

87584.2Apriori算法 8

56584.3FPgrowth算法 8

147204.4关联规则应用实例 9

28746第五章聚类分析 9

200755.1聚类分析概述 9

154165.2常见聚类算法 10

274435.3聚类算法评估与选择 10

5885.4聚类分析应用实例 10

26959第六章分类与预测 11

97416.1分类与预测基本概念 11

303216.2常见分类算法 11

75806.2.1决策树（DecisionTree） 11

67896.2.2支持向量机（SupportVectorMachine，SVM） 11

231076.2.3朴素贝叶斯（NaiveBayes） 11

37256.2.4随机森林（RandomForest） 11

46866.3分类算法评估与选择 11

295936.3.1交叉验证（CrossValidation） 12

242586.3.2调整参数 12

128326.4预测模型构建与应用 12

296116.4.1数据预处理 12

198486.4.2模型训练 12

123236.4.3模型评估 12

52906.4.4模型部署与应用 12

27452第七章降维与特征选择 12

80677.1降维基本概念 12

198167.1.1定义与意义 12

193247.1.2降维方法分类 12

169337.2主成分分析 13

130407.2.1原理 13

112437.2.2步骤 13

168537.3特征选择方法 13

53017.3.1定义与分类 13

227067.3.2过滤式特征选择 13

101337.3.3包裹式特征选择 13

144117.3.4嵌入式特征选择 13

256587.4降维与特征选择应用实例 14

9387.4.1面部识别 14

172327.4.2文本分类 14

213567.4.3股票预测 14

31514第八章时间序列分析 14

277738.1时间序列基本概念 14

199038.2时间序列预处理 14

321668.3时间序列分析方法 15

223038.4时间序列预测应用 15

8856第九章文本挖掘 16

159169.1文本挖掘概述 16

82929.2文本预处理 16

36039.3文本挖掘算法 16

118909.4文本挖掘应用实例 17

24002第十章数据挖掘应用案例 17

3084210.1金融领域数据挖掘应用 17

2471710.2零售领域数据挖掘应用 18

1051310.3医疗领域数据挖掘应用 18

434810.4交通领域数据挖掘应用 18

第一章数据挖掘基础理论

1.1数据挖掘概述

数据挖掘（DataMining）是指从大量数据中通过算法和统计分