数据挖掘pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

数据挖掘PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论 1

1.1 什么是数据挖掘 1

1.2 数据挖掘的任务 2

1.3 数据挖掘在脑疾病诊断以及生物信息学中的应用 3

1.4 数据挖掘在软件设计和应用领域的应用 4

1.5 基于进化计算的数据挖掘技术 4

1.6 本书的内容与组织 4

第2章 数据准备 6

2.1 数据 6

2.1.1 数据集类型 6

2.1.2 数据属性及类型 7

2.1.3 数据相似性与相异性 8

2.2 数据预处理方法 10

2.2.1 数据清理 10

2.2.2 数据变换 11

2.2.3 数据归约 12

2.2.4 数据集成 14

参考文献 15

第3章 关联规则 16

3.1 基本概念 16

3.2 Apriori算法 17

3.3 其他关联规则挖掘 18

参考文献 19

第4章 分类 21

4.1 基本概念 21

4.2 决策树分类 22

4.2.1 决策树概念 22

4.2.2 常见决策树算法 23

4.3 基于贝叶斯定理的分类方法 28

4.3.1 朴素贝叶斯分类器 28

4.3.2 贝叶斯信念网络 29

4.4 多层前馈神经网络分类器 30

4.4.1 基本概念 31

4.4.2 BP算法 32

4.5 支持向量机分类器 34

4.5.1 支持向量与超平面 34

4.5.2 线性可分支持向量机 36

4.5.3 线性不可分支持向量机 39

4.5.4 非线性支持向量机 42

4.6 最近邻分类器 43

4.7 分类器的评估与度量 44

4.7.1 性能评估指标 44

4.7.2 分类器的准确率评估 45

4.7.3 常见评估方法 45

参考文献 47

第5章 聚类分析 48

5.1 聚类概述 48

5.2 基于划分的聚类算法 51

5.2.1 k均值聚类 51

5.2.2 k中心点聚类 52

5.2.3 EM 53

5.3 基于层次的聚类算法 54

5.3.1 簇间距离度量方法 54

5.3.2 BIRCH 55

5.3.3 CURE 57

5.3.4 ROCK 57

5.3.5 Chameleon 58

5.4 基于网格与基于密度的聚类 59

5.4.1 STING 59

5.4.2 DBSCAN 60

5.4.3 OPTICS 61

5.5 其他方法聚类 61

5.5.1 NMF 61

5.5.2 子空间聚类 62

5.6 聚类有效性验证 63

参考文献 65

第6章 多模态脑影像挖掘 67

6.1 引言 67

6.2 多模态分类 68

6.2.1 基于多核学习的多模态分类器 68

6.2.2 实验结果 69

6.3 多模态特征选择 72

6.3.1 基于流形正则化多模态特征选择 72

6.3.2 实验结果 74

6.4 结论 76

参考文献 77

第7章 脑网络分析 79

7.1 脑网络分析概述 79

7.2 基于拓扑结构的结构化特征选择 81

7.2.1 方法的框架 81

7.2.2 Weisfeiler-Lehman子树核 82

7.2.3 特征提取 83

7.2.4 结构化特征选择 84

7.3 脑网络的判别性子图学习 86

7.3.1 判别性子图 86

7.3.2 基于判别性子图的脑网络分类 88

7.3.3 进一步提高效果的方法 88

参考文献 89

第8章 数据挖掘在生物信息学中的应用 92

8.1 基于树型结构引导的稀疏学习方法在基因-影像关联分析中的应用 92

8.1.1 引言 92

8.1.2 方法 93

8.1.3 实验 96

8.1.4 结论 98

8.2 基于结构化ECOC的蛋白质图像亚细胞定位方法 98

8.2.1 引言 98

8.2.2 方法 100

8.2.3 实验 102

8.2.4 结论 104

参考文献 104

第9章 软件数据挖掘 106

9.1 软件数据挖掘概述 106

9.2 软件缺陷预测简介 106

9.2.1 概述 106

9.2.2 基于机器学习的静态软件缺陷预测 106

9.3 代价敏感特征选择在软件缺陷预测中的应用 108

9.3.1 双重代价敏感特征选择 108

9.3.2 代价敏感特征选择算法思想概述 110

9.3.3 CSVS特征选择算法 111

9.3.4 CSLS特征选择算法 112

9.3.5 CSCS特征选择算法 112

9.3.6 实验及结果分析 113

9.4 小结 117

参考文献 117

第10章 基于进化计算的数据挖掘 119

10.1 引言 119

10.2 进化计算 119

10.2.1 进化算法 119

10.2.2 多目标进化算法 120

10.3 数据挖掘中进化计算的应用 122

10.3.1 进化计算用于特征选择 122

10.3.2 进化计算用于分类 125

10.3.3 进化计算用于聚类分析 128

10.3.4 进化计算用于规则发现 131

10.4 结束语 133

参考文献 134