大數(shù)據(jù)時(shí)代，我們需要對(duì)各種海量數(shù)據(jù)進(jìn)行篩選、清洗、挖掘，在這個(gè)過程中，獲取有效數(shù)據(jù)的方式方法和模型算法成為了整個(gè)數(shù)據(jù)挖掘過程的重點(diǎn)，MATLAB作為一個(gè)數(shù)據(jù)挖掘工具，如何正確和準(zhǔn)確地使用它成為了重中之重。

針對(duì)實(shí)際應(yīng)用數(shù)據(jù)挖掘技術(shù)的要求，本書既介紹了數(shù)據(jù)挖掘的基礎(chǔ)理論和技術(shù)，又較為詳細(xì)地介紹了各種算法以及MATLAB程序。本書共分4篇，分別介紹了數(shù)據(jù)挖掘的基本概念、技術(shù)與算法以及應(yīng)用實(shí)例。期望通過大量的實(shí)例分析幫助廣大讀者掌握數(shù)據(jù)挖掘技術(shù)，并應(yīng)用于實(shí)際的研究中，提高對(duì)海量數(shù)據(jù)信息的處理及挖掘能力。本書針對(duì)性和實(shí)用性強(qiáng)，具有較高的理論和實(shí)用價(jià)值。

本書作者就職于部隊(duì)高校，專攻數(shù)據(jù)挖掘，并應(yīng)用于大量實(shí)際項(xiàng)目，本書同時(shí)得到了國內(nèi)著名數(shù)據(jù)挖掘公司的技術(shù)支持，很多案例來自實(shí)際項(xiàng)目。

本書可作為高等院校計(jì)算機(jī)工程、信息工程、生物醫(yī)學(xué)工程、化學(xué)、環(huán)境、經(jīng)濟(jì)、管理等學(xué)科的研究生、本科生的教材或教學(xué)參考書，亦可作為企事業(yè)單位管理者、信息分析人員、市場(chǎng)營銷人員和研究與開發(fā)人員的參考資料。

目錄
 

第1章 緒論 1
1.1 數(shù)據(jù)挖掘概述 2
1.2 數(shù)據(jù)挖掘的分類 4
1.3 數(shù)據(jù)挖掘的過程 5
1.4 數(shù)據(jù)挖掘的任務(wù) 6
1.5 數(shù)據(jù)挖掘的對(duì)象 8
1.5.1 數(shù)據(jù)庫 8
1.5.2 文本 10
1.5.3 圖像與視頻數(shù)據(jù) 10
1.5.4 Web數(shù)據(jù) 11
1.6 數(shù)據(jù)挖掘建模方法 11
1.6.1 業(yè)務(wù)理解 12
1.6.2 數(shù)據(jù)理解 13
1.6.3 數(shù)據(jù)準(zhǔn)備 13
1.6.4 建模 14
1.6.5 評(píng)估 15
1.6.6 部署 16
1.7 數(shù)據(jù)挖掘的應(yīng)用 16
1.7.1 在金融領(lǐng)域的應(yīng)用 16
1.7.2 在零售業(yè)中的應(yīng)用 17
1.7.3 在電信業(yè)的應(yīng)用 18
1.7.4 在管理中的應(yīng)用 19
1.7.5 在化學(xué)研究領(lǐng)域中的應(yīng)用 19
1.7.6 在材料研究、生產(chǎn)方面的應(yīng)用 20
1.7.7 在機(jī)械故障診斷與監(jiān)測(cè)中的應(yīng)用 21
1.7.8 在醫(yī)療領(lǐng)域中的應(yīng)用 22
第2章 數(shù)據(jù)挖掘算法 25
2.1 決策樹算法 26
2.1.1 決策樹基本算法 27
2.1.2 ID3算法 29
2.1.3 C4.5算法 30
2.1.4 CART算法 31
2.1.5 決策樹的評(píng)價(jià)標(biāo)準(zhǔn) 32
2.1.6 決策樹的剪枝及優(yōu)化 33
2.1.7 基于matlab的決策樹分析 34
2.2 人工神經(jīng)網(wǎng)絡(luò)算法 41
2.2.1 人工神經(jīng)網(wǎng)絡(luò)概述 41
2.2.2 人工神經(jīng)網(wǎng)絡(luò)的基本模型 41
2.2.3 BP神經(jīng)網(wǎng)絡(luò) 43
2.2.4 RBF神經(jīng)網(wǎng)絡(luò) 45
2.2.5 SOM神經(jīng)網(wǎng)絡(luò) 46
2.2.6 反饋型神經(jīng)網(wǎng)絡(luò)（Hopfield） 47
2.2.7 基于matlab的神經(jīng)網(wǎng)絡(luò)方法 49
2.3 進(jìn)化算法 55
2.3.1 進(jìn)化算法的基本原理 56
2.3.2 基因算法的主要步驟 60
2.3.3 基本遺傳算法 61
2.3.4 進(jìn)化規(guī)劃算法 63
2.3.5 進(jìn)化策略計(jì)算 64
2.3.6 量子遺傳算法 68
2.3.7 人工免疫算法 72
2.3.8 基于matlab的進(jìn)化算法 80
2.4 統(tǒng)計(jì)分析方法 87
2.4.1 假設(shè)檢驗(yàn) 87
2.4.2 回歸分析 91
2.4.3 二項(xiàng)邏輯（logistic）回歸 100
2.4.4 方差分析 104
2.4.5 主成分分析 107
2.4.6 因子分析 110
2.4.7 基于matlab的統(tǒng)計(jì)分析方法 113
2.5 貝葉斯網(wǎng)絡(luò)方法 141
2.5.1 貝葉斯定理、先驗(yàn)和后驗(yàn) 142
2.5.2 貝葉斯網(wǎng)絡(luò) 142
2.5.3 貝葉斯網(wǎng)絡(luò)學(xué)習(xí) 143
2.5.4 主要貝葉斯網(wǎng)絡(luò)模型 145
2.5.5 基于matlab的貝葉斯網(wǎng)絡(luò)方法 148
2.6 支持向量機(jī) 160
2.6.1 支持向量機(jī)概述 160
2.6.2 核函數(shù) 162
2.6.3 基于matlab的支持向量機(jī)方法 164
2.7 關(guān)聯(lián)分析 167
2.7.1 概述 167
2.7.2 Apriori關(guān)聯(lián)規(guī)則算法 170
2.7.3 基于分類搜索的關(guān)聯(lián)規(guī)則算法 171
2.7.4 時(shí)序關(guān)聯(lián)規(guī)則算法 173
2.7.5 多值屬性關(guān)聯(lián)規(guī)則算法 174
2.7.6 增量關(guān)聯(lián)規(guī)則算法 175
2.7.7 基于關(guān)聯(lián)規(guī)則的分類算法 176
2.7.8 模糊關(guān)聯(lián)分類算法 177
2.7.9 關(guān)聯(lián)規(guī)則的評(píng)價(jià) 178
2.7.10 辛普森悖論 179
2.7.11 基于matlab的關(guān)聯(lián)規(guī)則分析 180
2.8 其他數(shù)據(jù)挖掘方法 182
2.8.1 近鄰法 182
2.8.2 K-means聚類 184
2.8.3 基于matlab的近鄰法及k-means聚類法 187
第3章 數(shù)據(jù)挖掘相關(guān)技術(shù) 191
3.1 數(shù)據(jù)倉庫 192
3.1.1 概述 192
3.1.2 數(shù)據(jù)倉庫設(shè)計(jì) 195
3.1.3 數(shù)據(jù)倉庫的開發(fā)應(yīng)用 199
3.1.4 數(shù)據(jù)倉庫的技術(shù)管理 209
3.1.5 OLAP技術(shù) 210
3.1.6 基于matlab的數(shù)據(jù)倉庫開發(fā)技術(shù) 214
3.2 模糊集理論 234
3.1.1 模糊集合 234
3.1.2 模糊關(guān)系 237
3.1.3 模糊聚類 239
3.3.5 基于matlab的模糊集處理技術(shù) 244
3.3 粗糙集技術(shù) 255
3.3.1 粗糙集理論的基本概念 256
3.3.2 分類規(guī)則的形成 259
3.3.3 知識(shí)的約簡 259
3.3.4 模糊集與粗糙集 261
3.3.5 基于matlab的粗糙集處理方法 262
3.4 目標(biāo)優(yōu)化技術(shù) 265
3.4.1 極值問題 266
3.4.2 無約束非線性規(guī)劃 267
3.4.3 有約束非線性規(guī)劃 270
3.4.4 大規(guī)模優(yōu)化問題的分解算法 270
3.4.5 其他優(yōu)化方法 273
3.4.6 基于matlab的目標(biāo)優(yōu)化方法 274
3.5 可視化技術(shù) 281
3.5.1 可視化技術(shù)分類 282
3.5.2 多維數(shù)據(jù)可視化 283
3.5.3 圖形的特征分析 294
3.5.4 基于多元圖的圖形分類方法 297
3.5.5 基于色度學(xué)空間的多元圖表示 299
3.5.6 基于matlab的數(shù)據(jù)可視化技術(shù) 300
3.6 公式發(fā)現(xiàn) 314
3.6.1 概述 315
3.6.2 公式發(fā)現(xiàn)系統(tǒng)中的知識(shí) 315
3.6.3 基于matlab的公式發(fā)現(xiàn) 319
3.7 多媒體數(shù)據(jù)挖掘技術(shù) 320
3.7.1 文本挖掘 323
3.7.2 圖像挖掘 331
3.7.3 視頻挖掘 331
3.7.4 音頻挖掘 332
3.7.5 復(fù)合類型數(shù)據(jù)的挖掘 333
3.8 Web數(shù)據(jù)挖掘技術(shù) 334
3.8.1 Web內(nèi)容挖掘 335
3.8.2 Web結(jié)構(gòu)挖掘 337
3.8.3 Web使用挖掘 338
第4章 數(shù)據(jù)挖掘應(yīng)用實(shí)戰(zhàn) 343
4.1 數(shù)據(jù)關(guān)系發(fā)現(xiàn) 344
4.2 數(shù)據(jù)統(tǒng)計(jì)特性 344
4.3 數(shù)據(jù)預(yù)處理 349
4.3.1 數(shù)據(jù)清理 349
4.3.2 數(shù)據(jù)集成與轉(zhuǎn)換 351
4.3.3 數(shù)據(jù)歸約與濃縮 353
4.3.4 數(shù)值數(shù)據(jù)的概念分層與離散化 360
4.3.5 例題 362
4.4 分類 373
4.5 例題 376
4.6 預(yù)測(cè) 381
4.6.1 回歸分析 381
4.6.2 時(shí)間序列預(yù)測(cè)模型 385
4.6.3 馬爾可夫鏈 389
4.6.4 灰色系統(tǒng)方法 390
4.6.5 例題 398
4.7 聚類 418
4.7.1 聚類分析概述 418
4.7.2 聚類分析中的數(shù)據(jù)類型 419
4.7.3相似性度量 422
4.7.4 聚類的特征 427
4.7.5 聚類準(zhǔn)則 427
4.7.6 劃分方法 429
4.7.7 層次方法 430
4.7.8 基于密度的方法 433
4.7.9 基于網(wǎng)格的方法 434
4.7.10 基于模型的聚類方法 435
4.4.11 基于目標(biāo)函數(shù)的方法 436
4.7.12 離群點(diǎn)檢測(cè) 438
4.7.13 聚類有效性 445
4.7.14 例題 448
4.8 時(shí)序數(shù)據(jù)挖掘 462
4.8.1 基本定義 463
4.8.2 時(shí)序數(shù)據(jù)挖掘參數(shù) 464
4.8.3 時(shí)序關(guān)聯(lián)規(guī)則 464
4.8.4 時(shí)間序列挖掘 466
4.8.5 時(shí)間序列分段線性表示 468
4.8.6 時(shí)間序列的預(yù)測(cè) 469
4.8.7 例題 469
4.9 關(guān)聯(lián)規(guī)則挖掘 481
4.9.1 關(guān)聯(lián)規(guī)則的類型及挖掘算法 481
4.9.2 基于組織進(jìn)化的關(guān)聯(lián)規(guī)則挖掘 481
4.9.3 基于組織層次進(jìn)化的關(guān)聯(lián)規(guī)則挖掘 483
4.9.4 多維關(guān)聯(lián)規(guī)則挖掘 484
4.9.5 關(guān)聯(lián)規(guī)則擴(kuò)展 485
4.9.6 例題 487
參考文獻(xiàn) 500