书籍介绍
《数据挖掘与应用》全面地介绍了数据挖掘的相关主题.包括数据理解与数据准备、关联规则挖掘、多元统计中的降维方法、聚类分析、神经网络、决策树方法、模型评估等内容。全书体系完整，文字精炼，注重对数据挖掘方法的直觉理解及其应用：同时，保持了一定的严谨性，为学生理解和运用这些方法提供了坚实的基础。
《数据挖掘与应用》实例丰富，并附有相应SAS程序，以便于学生尽快理解相关内容并用以解决实际问题。
《数据挖掘与应用》配有教辅，可以免费提供给任课教师使用。如需要，欢迎填写书后的“教师反馈及课件申请表’索取。
精彩摘录
- "数据挖掘方法论 CRISP-DM(CRoss-Industry Standard Process for Data Mining，数据挖掘的跨行业标准过程)是由Daimler Chrysler、SPSS和NCR三家机构共同发展起来的数据挖掘方法。CRISP-DM将数据挖掘分为六个阶段： 1. 业务理解，从业务角度理解项目实施的目的和要求，将这种理解转化成一个数据挖掘问题，并设计能达成目标的初步方案； 2. 数据理解，收集原始数据，熟悉它们，考察数据的质量问题，对数据形成初步的洞见。 3. 数据准备，从原始数据中构造用于建模的最终数据集，构造过程中包含观测选择和变量选择、数据转换和清理等各种活动"
- "第二章 数据理解和数据准备 冗余变量，例如出生日期和年龄，或者单价、购买数量和总价。 数据分箱 数据分箱的适用情形 1. 某些数值自变量在测量时存在随机误差，需要对数值进行平滑以消除噪音。 2. 有些数值自变量有大量不重复的取值，对于使用<、>、=等基本操作符号的算法（如决策树）而言，如果能够减少这些不重复取值的个数，就能提高算法的速度。 3. 有些算法只能使用分类自变量，需要把数值变量离散化。 数据分箱的常用方法 无监督分箱 1. 等宽分箱：将变量的取值范围分为k个等宽的区间，每个区间当做一个分箱； 2. 等频分箱：将观测值按照从小到大的顺序排列，根据观测的个数等分为k部分，每部分当做一个分"
- "关联规则挖掘时一种无向数据挖掘方法，它从大量数据项中需找有意义的关联方法。它的一个典型应用是市场篮分析，即分析消费者购物篮中各种商品之间的关联。“啤酒和尿布”是一个著名的成功例子。 关联规则的基本概念和Apriori算法 任何一个项集X的支持度support（X）定义为数据集D的观测中包含X的比例，等价于X的概率。 Apriori算法是最有影响力的关联规则挖掘的基础算法。它将关联规则挖掘分为两个步骤： 1. 找出所有频繁项集（支持度不小于min_sup的项集被称为频繁项集）。 2. 从频繁项集中生成所有相关联规则。"
用户评论
通俗易懂，写的很好，一本小册子兼顾了理论与应用，逻辑清晰
结合案例，这点上非常形象，知识点也很全面
对我现在而言比较难，有空再重读
从经济管理类的角度介绍数据挖掘方法，很多介绍短小精悍，很实用。但关联规则部分有错漏。好书推荐。
草草翻了前几章（后面还看不懂= =），对数据应用的理解和案例列举都很棒~只有在好的理念指导及监管下，技术手段才能尽其价值。
中国人编写的书,不值得读
下载
收藏