思维导图备注

数据挖掘技术与工程实践
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

3.7 本章小结

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-25 00:48:47
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 前言
  • 第1章 数据挖掘应用绪论
    • 1.1 认识数据挖掘
      • 1.1.1 数据挖掘概念
      • 1.1.2 数据挖掘与生活
      • 1.1.3 数据挖掘与知识
    • 1.2 数据挖掘应用基础
      • 1.2.1 事物与维度
      • 1.2.2 分布与关系
      • 1.2.3 描绘与预测
      • 1.2.4 现象和知识
      • 1.2.5 规律与因果
    • 1.3 数据挖掘应用系统工程
      • 1.3.1 数据层
      • 1.3.2 算法层
      • 1.3.3 应用层
    • 1.4 数据挖掘应用体会
      • 1.4.1 项目关键点
      • 1.4.2 技术与应用创新
      • 1.4.3 经验积累与应用
    • 1.5 无限三维嵌套空间假说
      • 1.5.1 一维空间
      • 1.5.2 二维空间
      • 1.5.3 三维空间
      • 1.5.4 突破三维空间
      • 1.5.5 五维空间
      • 1.5.6 六维空间
    • 1.6 本章小结
  • 第2章 数据探索与准备
    • 2.1 数据关系探索
      • 2.1.1 业务发现
      • 2.1.2 关系发现
      • 2.1.3 数据质量探索
      • 2.1.4 数据整合
    • 2.2 数据特征探索
      • 2.2.1 数据的统计学特征
      • 2.2.2 统计学特征应用
    • 2.3 数据选择
      • 2.3.1 适当的数据规模
      • 2.3.2 数据的代表性
      • 2.3.3 数据的选取
    • 2.4 数据处理
      • 2.4.1 数据标准化
      • 2.4.2 数据离散化
    • 2.5 统计学算法的数量条件
      • 2.5.1 样本量估计概念
      • 2.5.2 单样本总体均值比较的样本量估计（T-Test）
      • 2.5.3 两样本总体均值比较的样本量估计（T-Test）
      • 2.5.4 多样本总体均值比较的样本量估计（F-Test）
      • 2.5.5 区组设计多样本总体均值比较的样本量估计（F-Test）
      • 2.5.6 直线回归与相关的样本量估计
      • 2.5.7 对照分析的样本量估计
    • 2.6 数据探索应用
      • 2.6.1 检验项的疾病分布
      • 2.6.2 疾病中检验项的分布
      • 2.6.3 成对检验项的相关分析
      • 2.6.4 两种药物的应用分析
    • 2.7 本章小结
  • 第3章 数据挖掘应用算法
    • 3.1 聚类分析
      • 3.1.1 划分聚类算法（K均值）
      • 3.1.2 层次聚类算法（组平均）
      • 3.1.3 密度聚类算法
    • 3.2 特性选择
      • 3.2.1 特性选择概念
      • 3.2.2 线性相关算法
      • 3.2.3 相关因子SRCF算法
    • 3.3 特征抽取
      • 3.3.1 主成分分析算法
      • 3.3.2 因子分析算法
      • 3.3.3 非负矩阵因子分解NMF算法
    • 3.4 关联规则
      • 3.4.1 关联规则概念
      • 3.4.2 Apriori算法
      • 3.4.3 FP树频集算法
      • 3.4.4 提升Lift
    • 3.5 分类和预测
      • 3.5.1 支持向量机
      • 3.5.2 Logistic回归算法
      • 3.5.3 朴素贝叶斯分类算法
      • 3.5.4 决策树
      • 3.5.5 人工神经网络
      • 3.5.6 分类与聚类的关系
    • 3.6 时间序列
      • 3.6.1 灰色系统预测模型
      • 3.6.2 ARIMA模型预测
    • 3.7 本章小结
  • 第4章 数据挖掘应用案例
    • 4.1 特性选择的应用
      • 4.1.1 数据整合
      • 4.1.2 数据描绘
      • 4.1.3 数据标准化
      • 4.1.4 特性选择探索
    • 4.2 分类模型的应用——算法比较
      • 4.2.1 数据整合
      • 4.2.2 数据描绘
      • 4.2.3 数据标准化
      • 4.2.4 特性选择探索
      • 4.2.5 分类模型
    • 4.3 分类模型的应用——网络异常侦测
      • 4.3.1 计算机网络异常行为
      • 4.3.2 网络异常数据模型
      • 4.3.3 分类模型算法应用
    • 4.4 算法的综合应用——肿瘤标志物的研究
      • 4.4.1 样本选取
      • 4.4.2 癌胚抗原临床特征主题分析
      • 4.4.3 癌胚抗原临床特征规则分析
      • 4.4.4 癌胚抗原临床特征规则的比较分析
      • 4.4.5 癌胚抗原相关因子分析
      • 4.4.6 不同等级癌胚抗原组差异分析
    • 4.5 数据挖掘在其他领域中的应用
    • 4.6 本章小结
  • 第5章 数据挖掘行业应用原理
    • 5.1 传统医学科研方法的现状
      • 5.1.1 传统医学科研的命题与假说
      • 5.1.2 传统医学科研的数据应用
      • 5.1.3 传统的医学科研的统计学应用
      • 5.1.4 传统医学科研的流程
    • 5.2 智能医学科研系统的需求
      • 5.2.1 临床医学科研的问题
      • 5.2.2 临床医学科研的解决思路
    • 5.3 智能医学科研系统的设计思想
      • 5.3.1 科研立题
      • 5.3.2 科研设计与统计分析
      • 5.3.3 样本数据收集与分析
    • 5.4 智能医学科研系统的核心技术方法
    • 5.5 智能医学科研系统的科研数据仓库建设
      • 5.5.1 医学科研数据仓库建设的技术方法
      • 5.5.2 医学科研数据仓库的建设过程
      • 5.5.3 科研数据仓库的数据安全
    • 5.6 智能医学科研系统的核心功能设计
    • 5.7 智能医学科研系统的整体功能设计
      • 5.7.1 智能医学科研系统主要功能
      • 5.7.2 智能医学科研系统的模块设计和应用实现
      • 5.7.3 智能医学科研系统的评估方法
    • 5.8 智能医学科研系统的应用价值
    • 5.9 本章小结
  • 第6章 数据挖掘应用系统的开发
    • 6.1 数据挖掘应用系统的意义
    • 6.2 IMRS系统设计
      • 6.2.1 对数据源的分析
      • 6.2.2 数据挖掘应用系统IMRS的总体设计
    • 6.3 IMRS异常侦测模型的开发
      • 6.3.1 异常侦测模型的功能展示
      • 6.3.2 数据挖掘技术开发要点
    • 6.4 IMRS特征抽取模型的开发
      • 6.4.1 特征抽取模型的功能展示
      • 6.4.2 数据挖掘技术开发要点
    • 6.5 IMRS智能统计模型的开发
      • 6.5.1 回归模型的开发实现
      • 6.5.2 线性相关模型的开发实现
    • 6.6 IMRS的算法开发
      • 6.6.1 相关因子算法SRCF的实现
      • 6.6.2 朴素贝叶斯分类算法的实现
    • 6.7 本章小结
  • 第7章 数据挖掘应用
    • 7.1 分布探索
      • 7.1.1 两维度聚类模型应用
      • 7.1.2 高维度聚类模型应用
    • 7.2 关系探索
      • 7.2.1 关联规则的应用
      • 7.2.2 特性选择的应用
    • 7.3 特征探索
      • 7.3.1 不稳定心绞痛的特征总结
      • 7.3.2 动脉硬化心脏病的临床特征
    • 7.4 异常探索
      • 7.4.1 生理指标的异常侦测
      • 7.4.2 异常侦测模型的比较
    • 7.5 推测探索
    • 7.6 应用系统的高级应用
      • 7.6.1 异常侦测的高级用法
      • 7.6.2 关联规则的高级应用
    • 7.7 本章小结
  • 第8章 数据挖掘工具的应用
    • 8.1 应用Oracle Data Mining
      • 8.1.1 ODM数据挖掘流程
      • 8.1.2 ODM算法模型
      • 8.1.3 ODM算法应用
    • 8.2 应用IBM SPSS Modeler
      • 8.2.1 IBM SPSS Modeler介绍
      • 8.2.2 SPSS Modeler独立应用
      • 8.2.3 SPSS Modeler与应用系统的联合应用
    • 8.3 本章小结
  • 参考文献
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《数据挖掘技术与工程实践》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度