大數(shù)據(jù)分析：數(shù)據(jù)挖掘必備算法示例詳解

第1章數(shù)據(jù)分析緒論
1.1理解數(shù)據(jù)中字段的類型是數(shù)據(jù)分析的重要前提
1.2進(jìn)行數(shù)據(jù)分析時數(shù)據(jù)的表示形式
1.3數(shù)據(jù)分類——數(shù)據(jù)類別的自動識別
1.4數(shù)據(jù)分類問題與回歸問題的區(qū)別與聯(lián)系
1.5數(shù)據(jù)分析算法簡介
1.6交叉驗(yàn)證
1.7一個最簡單的分類器-K近鄰分類器
1.8后續(xù)章節(jié)組織
第2章SVM算法
2.1算法原理
2.2工具包簡介
2.3實(shí)例詳解
第3章決策樹算法
3.1信息熵值
3.2決策樹的構(gòu)建目標(biāo)
3.3 ID3決策樹算法
3.4 C45決策樹算法
3.5 CART決策樹算法
3.6 ID3、C45、CART算法的終止條件
3.7C45算法的參數(shù)介紹
3.8實(shí)例詳解
第4章隨機(jī)森林算法
4.1算法原理
4.2工具包介紹
4.3實(shí)例詳解
第5章梯度提升決策樹算法
5.1算法原理
5.2工具包介紹
5.3實(shí)例詳解
第6章AdaBoost算法
6.1算法原理
6.2工具包介紹
6.3實(shí)例詳解
第7章樸素貝葉斯分類器
7.1樸素貝葉斯分類的問題定義
7.2樸素貝葉斯算法原理
7.3一種常見的樸素貝葉斯模型的錯誤計算方法
7.4樸素貝葉斯算法對連續(xù)型屬性的處理
第8章極限學(xué)習(xí)機(jī)器算法
8.1算法原理
8.2算法參數(shù)介紹
8.3實(shí)例詳解
第9章邏輯回歸算法
9.1 Logistic Regression算法流程
9.2 Logistic Regression算法原理推導(dǎo)
第10章稀疏表示分類算法
10.1算法原理
10.2 SRC工具包及算法參數(shù)介紹
10.3 SRC算法實(shí)例詳解
第11章不同數(shù)據(jù)分類算法性能的大規(guī)模實(shí)驗(yàn)對比分析
11.1為什么要比較不同數(shù)據(jù)分類算法的性能？
11.2不同數(shù)據(jù)分類算法性能比較的相關(guān)工作
11.3最新數(shù)據(jù)分類算法性能的大規(guī)模實(shí)驗(yàn)對比分析結(jié)果
11.4結(jié)論
第12章從二分類到多分類——OVA
12.1 OVA 聚合規(guī)則的核心思想
12.2 MAX聚合規(guī)則
12.3 DOO聚合規(guī)則
12.4調(diào)用示例
第13章從二分類到多分類——OVO
13.1 OVO 聚合規(guī)則的核心思想
13.2 WV聚合規(guī)則
13.3 VOTE聚合規(guī)則
13.4 PC聚合規(guī)則
13.5 PE聚合規(guī)則
13.6 LVPC聚合規(guī)則
13.7調(diào)用示例
第14章從二分類到多分類——ECOC
14.1 ECOC的核心思想
14.2 ECOC 編碼
14.3 ECOC 譯碼
14.4 ECOC多類分類調(diào)用示例
第15章三種從二分類到多分類聚合策略的實(shí)驗(yàn)對比分析
15.1 OVA策略的實(shí)驗(yàn)結(jié)果
15.2 OVO策略的實(shí)驗(yàn)結(jié)果
15.3 ECOC策略的實(shí)驗(yàn)結(jié)果
第16章多個分類算法的集成方法研究
16.1差異性（Diversity）的原理與技術(shù)
16.2集成學(xué)習(xí)方法
16.3本章小結(jié)
第17章屬性選擇算法
17.1 fspackage和LibSVM的使用
17.2信息增益算法
17.3卡方分布算法
17.4基于Fisher Score的屬性選擇算法
17.5基于基厄系數(shù)的屬性選擇算法
17.6基于T檢驗(yàn)的屬性選擇算法
第18章高級屬性選擇算法
18.1線性前向選擇算法
18.2順序前向選擇算法
18.3基于稀疏多項(xiàng)式邏輯回歸的屬性選擇算法
18.4 Our——多個屬性選擇算法的集成策略
18.5屬性選擇算法的大規(guī)模實(shí)驗(yàn)對比分析
第19章數(shù)據(jù)選擇算法
19.1衡量不均衡數(shù)據(jù)分類質(zhì)量的常用方法
19.2 RUS算法
19.3 CNN算法
19.4 SMOTE算法
19.5 ADASYN算法
19.6 OSS算法
19.7本章小結(jié)
第20章不均衡數(shù)據(jù)分類算法及大規(guī)模實(shí)驗(yàn)分析
20.1 C4.5 CS算法
20.2使用Random Forests和GBDT進(jìn)行不均衡數(shù)據(jù)分類
20.3BalanceCascade不均衡數(shù)據(jù)分類算法
20.4其他不均衡數(shù)據(jù)分類算法及不均衡分類器的集成算法
20.5結(jié)合屬性選擇和數(shù)據(jù)選擇的不均衡數(shù)據(jù)分類實(shí)驗(yàn)
第21章大數(shù)據(jù)分析
21.1 Spark平臺簡介
21.2基于Ambari的Spark及Spark集群的安裝與配置
21.3 Ambari集群擴(kuò)展
21.4基于Spark平臺的分布式編程示例
21.5 MLlib——Spark平臺上的機(jī)器學(xué)習(xí)庫