Python數(shù)據(jù)挖掘?qū)崙?zhàn)

第１章 數(shù)據(jù)挖掘基礎(chǔ) ／1
1．1 數(shù)據(jù)挖掘是什么 ／1
1．1．1 數(shù)據(jù)挖掘算法的類(lèi)型 ／2
1．1．2 數(shù)據(jù)挖掘需要的技能 ／4
1．1．3 數(shù)據(jù)挖掘的常見(jiàn)誤區(qū) ／6
1．2 數(shù)據(jù)挖掘的常見(jiàn)問(wèn)題 ／8
1．2．1 預(yù)測(cè)問(wèn)題 ／9
1．2．2 分類(lèi)問(wèn)題 ／9
1．2．3 聚類(lèi)問(wèn)題 ／11
1．2．4 關(guān)聯(lián)問(wèn)題 ／12
1．3 數(shù)據(jù)挖掘的標(biāo)準(zhǔn)流程 ／13
1．3．1 商業(yè)理解 ／14
1．3．2 數(shù)據(jù)理解 ／14
1．3．3 數(shù)據(jù)準(zhǔn)備 ／14
1．3．4 模型構(gòu)建 ／15
1．3．5 模型評(píng)估 ／15
1．3．6 模型部署 ／15
1．4 數(shù)據(jù)分析和數(shù)據(jù)挖掘的區(qū)別 ／16
1．4．1 數(shù)據(jù)分析 ／16
1．4．2 數(shù)據(jù)挖掘 ／17
第２章 回歸模型 ／18
2．1 回歸模型簡(jiǎn)介 ／18
2．2 相關(guān)分析 ／20
2．2．1 依存關(guān)系 ／20
2．2．2 相關(guān)系數(shù)的計(jì)算 ／21
2．2．3 相關(guān)系數(shù)的方向與大小 ／22
2．2．4 居民購(gòu)物習(xí)慣相關(guān)分析案例 ／23
2．3 簡(jiǎn)單線性回歸分析 ／25
2．3．1 線性回歸方程解讀 ／25
2．3．2 使用最小二乘法求解回歸方程 ／26
2．3．3 使用廣告投放費(fèi)用預(yù)測(cè)銷(xiāo)售額案例 ／28
2．4 多重線性回歸分析 ／33
2．4．1 使用最小二乘法求解多重線性回歸方程 ／33
2．4．2 使用廣告投放費(fèi)用與客流量預(yù)測(cè)銷(xiāo)售額案例 ／36
2．5 一元非線性回歸 ／39
2．5．1 一元非線性回歸模型 ／39
2．5．2 一元非線性回歸模型求解 ／40
2．5．3 使用上線天數(shù)預(yù)測(cè)活躍用戶(hù)數(shù)案例 ／41
第３章 分類(lèi)模型 ／48
3．1 分類(lèi)模型基礎(chǔ) ／48
3．1．1 分類(lèi)模型的建模五步驟 ／49
3．1．2 分類(lèi)模型評(píng)估指標(biāo) ／50
3．1．3 K折交叉驗(yàn)證 ／53
3．2 KNN模型 ／54
3．2．1 KNN模型原理 ／54
3．2．2 使用商戶(hù)數(shù)據(jù)預(yù)測(cè)是否續(xù)約案例 ／55
3．3 貝葉斯分類(lèi) ／64
3．3．1 貝葉斯分類(lèi)的核心概念 ／65
3．3．2 樸素貝葉斯分類(lèi) ／67
3．3．3 樸素貝葉斯分類(lèi)算法在離散型特征上的求解 ／68
3．3．4 樸素貝葉斯分類(lèi)算法在連續(xù)型特征上的求解 ／71
3．3．5 使用議員在議案上的投票記錄預(yù)測(cè)其所屬黨派案例 ／83
3．3．6 根據(jù)商戶(hù)數(shù)據(jù)預(yù)測(cè)其是否續(xù)約案例 ／85
3．3．7 根據(jù)新聞文本預(yù)測(cè)其所屬分類(lèi)案例 ／86
3．4 決策樹(shù) ／89
3．4．1 決策樹(shù)分類(lèi) ／89
3．4．2 決策樹(shù)分類(lèi)算法原理 ／91
3．4．3 使用高中生基本信息預(yù)測(cè)其是否計(jì)劃升學(xué)案例 ／93
3．4．4 案例解讀 ／102
3．5 隨機(jī)森林 ／104
3．5．1 隨機(jī)森林的特點(diǎn) ／104
3．5．2 網(wǎng)格搜索 ／106
3．5．3 使用隨機(jī)森林算法提升決策樹(shù)算法效果案例 ／107
3．6 支持向量機(jī) ／111
3．6．1 支持向量機(jī)的核心原理 ／111
3．6．2 根據(jù)葡萄酒成分?jǐn)?shù)據(jù)預(yù)測(cè)其分類(lèi)案例 ／116
3．7 邏輯回歸 ／118
3．7．1 邏輯回歸的核心概念 ／118
3．7．2 邏輯回歸的數(shù)學(xué)推導(dǎo) ／119
3．7．3 使用住戶(hù)信息預(yù)測(cè)房屋是否屋主所有案例 ／120
第４章 特征工程 ／124
4．1 描述性統(tǒng)計(jì)分析 ／125
4．2 數(shù)據(jù)標(biāo)準(zhǔn)化 ／127
4．2．1 Min-Max標(biāo)準(zhǔn)化 ／128
4．2．2 Z-Score 標(biāo)準(zhǔn)化 ／129
4．2．3 Normalizer歸一化 ／131
4．3 數(shù)據(jù)變換 ／132
4．3．1 二值化 ／132
4．3．2 分桶 ／135
4．3．3 冪變換 ／138
4．4 缺失值處理 ／139
4．4．1 刪除缺失值所在的行 ／140
4．4．2 均值/眾數(shù)/中值填充 ／141
4．4．3 模型填充 ／142
4．5 降維 ／143
4．5．1 主成分分析 ／143
4．5．2 因子分析 ／154
第５章 聚類(lèi)算法 ／160
5．1 K均值算法 ／161
5．1．1 K均值算法的核心概念 ／161
5．1．2 電信套餐制定案例 ／164
5．2 DBSCAN算法 ／169
5．2．1 DBSCAN算法核心概念 ／170
5．2．2 用戶(hù)?；顒?dòng)區(qū)域挖掘案例 ／173
5．3 層次聚類(lèi)算法 ／175
5．3．1 演示：聚類(lèi)層次的計(jì)算過(guò)程 ／175
5．3．2 基于運(yùn)營(yíng)商基站信息挖掘商圈案例 ／178
第６章 關(guān)聯(lián)算法 ／184
6．1 關(guān)聯(lián)規(guī)則 ／185
6．1．1 關(guān)聯(lián)規(guī)則的核心概念 ／186
6．1．2 超市關(guān)聯(lián)規(guī)則挖掘案例 ／188
6．1．3 超市關(guān)聯(lián)規(guī)則解讀 ／192
6．2 協(xié)同過(guò)濾 ／192
6．2．1 協(xié)同過(guò)濾算法的實(shí)現(xiàn) ／193
6．2．2 安裝scikit-surprise模塊 ／196
6．2．3 基于電影數(shù)據(jù)的協(xié)同過(guò)濾案例 ／197
6．3 奇異值分解 ／201
第７章 時(shí)間序列 ／206
7．1 時(shí)間序列分解 ／206
7．1．1 非季節(jié)性時(shí)間序列分解 ／207
7．1．2 季節(jié)性時(shí)間序列 ／211
7．2 序列預(yù)測(cè) ／214
7．2．1 把不平穩(wěn)的時(shí)間序列轉(zhuǎn)換成平穩(wěn)的時(shí)間序列 ／214
7．2．2 自回歸模型 ／219
7．2．3 移動(dòng)平均模型 ／220
7．2．4 自回歸移動(dòng)平均模型 ／221
第８章 模型持久化 ／226
8．1 保存模型 ／226
8．2 恢復(fù)模型 ／228
8．3 管道模型 ／229