目录__eol__上篇 认识篇__eol__第1章 绪论 3__eol__1.1 引例 3__eol__1.2 数据挖掘简介 5__eol__1.2.1 数据挖掘技术的使用背景 5__eol__1.2.2 数据挖掘的概念 7__eol__1.2.3 数据挖掘任务 7__eol__1.2.4 数据挖掘过程 9__eol__1.2.5 数据挖掘技术的前景 9__eol__1.2.6 数据挖掘十大经典算法 11__eol__1.3 数据挖掘在商业领域中的应用 12__eol__1.3.1 客户关系管理 13__eol__1.3.2 市场营销 15__eol__1.3.3 个性化推荐与个性化服务 17__eol__1.3.4 信用评估与欺诈检测 19__eol__1.3.5 供应链库存管理中的需求预测 21__eol__1.3.6 人力资源管理 22__eol__1.4 数据挖掘与隐私保护 23__eol__1.5 数据挖掘工具及其选择 25__eol__本章小结 25__eol__习题1 26__eol__案例分析：聚类城镇 26__eol__第2章 数据挖掘建模方法 28__eol__2.1 数据挖掘建模概述 28__eol__2.2 业务理解 31__eol__2.3 数据理解 31__eol__2.4 数据准备 32__eol__2.5 建模 35__eol__2.5.1 成功建立预测模型的注意事项 35__eol__2.5.2 如何建立有效的预测模型 37__eol__2.6 评估 39__eol__2.7 部署 40__eol__2.8 辛普森悖论 41__eol__本章小结 42__eol__习题2 43__eol__案例分析 43__eol__中篇 技术篇__eol__第3章 数据准备 49__eol__3.1 数据探索 50__eol__3.1.1 描述性统计分析 51__eol__3.1.2 数据可视化 54__eol__3.2 数据清理 55__eol__3.3 数据集成 58__eol__3.4 数据变换 59__eol__3.5 数据归约 64__eol__3.6 Clementine简介 67__eol__3.6.1 Clementine数据流操作 68__eol__3.6.2 输入、输出节点 71__eol__3.6.3 数据可视化节点 78__eol__3.6.4 数据预处理节点 82__eol__3.7 综合案例：电信客户通话模式分析 86__eol__本章小结 92__eol__习题3 92__eol__案例分析 93__eol__第4章 聚类分析 95__eol__4.1 聚类分析概述 95__eol__4.2 相似性度量 96__eol__4.2.1 数据及数据类型 96__eol__4.2.2 属性之间的相似性度量 98__eol__4.2.3 对象之间的相似性度量 99__eol__4.3 k-Means算法及其改进 104__eol__4.3.1 k -Means算法 104__eol__4.3.2 k-Means算法的拓展 106__eol__4.4 DBSCAN聚类算法 112__eol__4.5 一趟聚类算法 115__eol__4.5.1 算法描述 115__eol__4.5.2 聚类阈值的选择策略 115__eol__4.5.3 一趟聚类算法的应用 117__eol__4.6 层次聚类算法 118__eol__4.6.1 概述 118__eol__4.6.2 二分k -Means算法 119__eol__4.6.3 BIRCH算法 119__eol__4.6.4 两步聚类算法 121__eol__4.7 SOM算法 123__eol__4.7.1 SOM算法中网络的拓扑结构 124__eol__4.7.2 SOM算法的聚类原理 125__eol__4.8 聚类算法评价 126__eol__4.8.1 有监督度量 126__eol__4.8.2 无监督度量 127__eol__4.9 Clementine中相关节点的介绍 128__eol__4.9.1 k -Means节点 128__eol__4.9.2 两步节点 130__eol__4.9.3 Kohonen节点 130__eol__4.10 综合案例：超市客户细分 132__eol__本章小结 134__eol__习题4 135__eol__案例分析 135__eol__第5章 分类分析 137__eol__5.1 分类概述 138__eol__5.2 决策树分类方法 138__eol__5.2.1 决策树的基本概念 138__eol__5.2.2 决策树的构建 140__eol__5.2.3 Hunt算法 144__eol__5.2.4 C4.5分类算法 145__eol__5.2.5 CART算法 148__eol__5.2.6 C4.5与CART算法的主要区别 156__eol__5.2.7 决策树分类算法的特点 156__eol__5.3 贝叶斯分类方法 156__eol__5.3.1 贝叶斯定理 156__eol__5.3.2 朴素贝叶斯分类算法 157__eol__5.3.3 零条件概率问题的处理 158__eol__5.3.4 朴素贝叶斯算法的优缺点 159__eol__5.3.5 贝叶斯信念网络 161__eol__5.4 KNN 162__eol__5.4.1 最近邻分类方法的基本概念 163__eol__5.4.2 KNN算法的优缺点 163__eol__5.4.3 KNN算法的扩展 163__eol__5.5 集成分类方法 164__eol__5.5.1 集成分类方法的过程描述 164__eol__5.5.2 构建集成分类器的方法 165__eol__5.5.3 随机森林 166__eol__5.5.4 集成分类方法的优缺点 168__eol__5.6 分类方法评价 168__eol__5.6.1 分类模型性能评价指标 168__eol__5.6.2 分类模型性能评价应注意的点 169__eol__5.6.3 评估分类模型性能的方法 170__eol__5.7 Clementine中相关节点的介绍 171__eol__5.7.1 C5.0节点 171__eol__5.7.2 CRT节点 173__eol__5.7.3 贝叶斯节点 174__eol__5.7.4 集成节点 177__eol__5.7.5 分析节点 177__eol__5.7.6 评估节点 179__eol__5.8 综合案例 183__eol__5.8.1 案例5-1：银行客户信用风险评估 183__eol__5.8.2 案例5-2：离职员工预测 185__eol__本章小结 188__eol__习题5 188__eol__案例分析 190__eol__第6章 关联规则分析 191__eol__6.1 关联规则分析概述 191__eol__6.2 关联规则分析基础 192__eol__6.2.1 基本概念 192__eol__6.2.2 基础分析方法 193__eol__6.3 Apriori算法 195__eol__6.3.1 Apriori性质 195__eol__6.3.2 产生频繁项集 196__eol__6.3.3 频繁项集构造示例 197__eol__6.3.4 产生关联规则 198__eol__6.3.5 规则的评估标准 201__eol__6.3.6 Apriori算法评价 203__eol__6.4 FP-Growth算法 203__eol__6.4.1 FP-Tree表示法 204__eol__6.4.2 构建FP-Tree 204__eol__6.4.3 发现频繁项集 207__eol__6.5 关联规则扩展 208__eol__6.5.1 关联规则分类 208__eol__6.5.2 多层次关联规则 209__eol__6.5.3 多维关联规则 210__eol__6.5.4 定量关联规则 211__eol__6.5.5 基于约束的关联规则 211__eol__6.5.6 序列模式挖掘 211__eol__6.6 Clementine中Apriori节点的介绍 212__eol__6.7 综合案例 213__eol__6.7.1 案例6-1：超市购物篮分析 213__eol__6.7.2 案例6-2：移动业务关联分析 218__eol__本章小结 225__eol__习题6 226__eol__案例分析 227__eol__第7章 离群点检测 229__eol__7.1 离群点概述 229__eol__7.2 基于距离的离群点检测方法 231__eol__7.3 基于相对密度的离群点检测方法 232__eol__7.4 基于聚类的离群点检测方法 237__eol__7.4.1 基于对象的离群因子检测方法 238__eol__7.4.2 基于簇的离群因子检测方法 240__eol__7.4.3 基于聚类的动态数据离群点检测 242__eol__7.5 离群点检测方法的评估 243__eol__7.6 Clementine中的异常节点 243_