数据挖掘方法与模型

　　《数据挖掘方法与模型》分为7章，第1章是对降维方法的介绍，这是数据挖掘技术的一个先决条件；第2章至第6章为经典的数据挖掘算法和技术，包括一元回归模型、多元回归模型、逻辑回归模型、贝叶斯网络分析以及遗传算法，通过实际案例引导读者由已预处理的数据使用不同的挖掘技术从而得出所需结论；第7章为基于数据挖掘过程模型上的多个案例研究，通过多个领域的案例来阐述算法和技术是如何被运用的。《数据挖掘方法与模型》可作为数据挖掘课程教学用书，适用于高年级本科生和研究生的教学，也可供科研人员参考使用。当下，由于强大的数据挖掘软件平台很容易获得，草率地使用数据挖掘方法和技术将导致挖掘的结果混淆难解。这种失误往往源自盲目使用“黑盒子”方法进行数据挖掘，而最好的避免途径就是使用“自盒子”方法，理解隐藏在软件背后的算法和统计模型结构。

　　Daniel T.Larose，博士，美国中康涅狄格州立大学统计学教授。设计、开发并主持了世界上第一个在线数据挖掘管理科学硕土学位课程及教学，创立了中康涅狄格州立大学数据挖掘研究室。研究兴趣包括数据挖掘、统计分析等。发表多篇论文，出版学术专著5部。刘燕权，博士，美国南康涅狄格州立大学终身正教授、校理事会理事，美福布赖特学者（2009-2010），北京大学、南京大学、清华大学、中国科学院研究生院、南京理工大学、内蒙古大学等客座教授。研究方向为计算机科学与理论、数据挖掘、软件工程项目开发与管理、数字图书馆、信息技术理论与实践、多媒体设计及应用等。发表论文及学术专著80余篇（部）。

第1章　降维方法
　1.1　数据挖掘中降低维度的必要性
　1.2　主成分分析法
　　1.2.1　主成分分析应用于房屋数据集
　　1.2.2　应提取多少个主成分
　1.3　因子分析法
　　1.3.1　因子分析法在成年人数据集中的应用
　　1.3.2?因子旋转
　1.4　用户自定义合成
　总结
　参考文献
　练习题
第2章　回归模型
　2.1　简单线性回归实例
　2.2　最小二乘法估计
　2.3　决定系数
　2.4　估计值的标准误差
　2.5　相关系数
　2.6　方差分析表
　2.7　异常点、高杠杆点和强影响观测值
　2.8　回归模型
　2.9　回归推断
　　2.9.1　x和y之间线性关系的t检验
　　2.9.2　回归直线斜率的置信区间
　　2.9.3　给定x条件下，Y均值的置信区间
　　2.9.4　给定x条件下，Y随机选择值的预测区间
　2.10　回归假设检验
　2.11　实例：棒球数据集
　2.12　实例：加利福尼亚州数据集
　2.13　线性变换实现
　总结
　参考文献
　练习题
第3章　多元回归和建模
　3.1　多元回归实例
　3.2　多元回归模型
　3.3　多元回归推断
　3.4　含有分类预测变量的回归
　　3.4.1　调整R2：对包含无用预测变量的惩罚模式
　　3.4.2　序贯的误差平方和
　3.5　多重共线性
　3.6　变量选择方法
　　3.6.1　偏F检验
　　3.6.2　向前选择程序
　　3.6.3　向后排除程序
　　3.6.4　逐步选择程序
　　3.6.5　最优子集程序
　　3.6.6　所有可能的子集选择程序
　3.7变量选择方法的应用
　　3.7.1　向前选择程序应用于谷物数据集
　　3.7.2　向后排除程序应用于谷物数据集
　　3.7.3　逐步选择程序应用于谷物数据集
　　3.7.4　最优子集程序应用于谷物数据集
　……
第4章　逻辑回归
第5章　朴素贝叶斯估计和贝叶斯网络
第6章　遗传算法
第7章　案便研究：直邮营销的回应建模问题
总结
参考文献