内容简介

通过做数据分析学习数据分析。《数据挖掘与预测分析(第2版)》提供了从数据准备到探索性数据分析、数据建模及模型评估等整个数据分析过程的内容。《数据挖掘与预测分析(第2版)》不仅提供了理解软件底层算法的“白盒”方法，而且提供了能够使读者利用现实世界数据集开展数据挖掘与预测分析的应用方法。

 第2版的新内容： 

● 添加了500多页的新内容，包括20个新章节，例如，数据建模准备、成本-效益分析、缺失数据填充、聚类优劣度量以及细分模型等。

● 针对前沿主题的新章节，例如，多元分类模型、BIRCH聚类、集成学习(bagging及boosting)、模型投票与趋向平均等。 

● 每章节后均附有R语言开发园地，读者可以获得完成书中分析所需的R语言源代码，以及通过R代码生成的图、表和结果。

● 书中的附录为那些对统计基础生疏的读者提供了了解基本概念的材料。

● 超过750个章节练习，使读者能够自己测试对所学知识的掌握程度，并着手开展数据挖掘与预测分析工作。 　

《数据挖掘与预测分析(第2版)》将对数据分析人员、数据库分析人员以及CIO具有极大的吸引力，通过学习将使他们知道何种类型的分析将会增加其投资回报。

作者简介

Daniel T. Larose博士，美国中康涅狄格州立大学数学科学教授，数据挖掘项目负责人。出版与数据挖掘、Web挖掘和统计理论等相关论著多本。他也是《微软》、《福布斯》杂志以及《经济学人》杂志等数据挖掘与统计分析领域的顾问。

      Chantal D. Larose是美国康涅狄格大学的在读博士。其研究领域包括缺失数据填补以及基于模型的聚类等。她已获得美国新帕尔兹纽约州立大学商学院决策科学领域助理教授的职位。

目录

第Ⅰ部分 数据准备
第1章 数据挖掘与预测分析概述 3
第2章 数据预处理 17
第3章 探索性数据分析 49
第4章 降维方法 83
第Ⅱ部分 统计分析
第5章 单变量统计分析 117
第6章 多元统计 133
第7章 数据建模准备 145
第8章 简单线性回归 155
第9章 多元回归与模型构建 213
第Ⅲ部分 分类
第10章 K-最近邻算法 273第11章 决策树 289
第12章 神经元网络 311
第13章 logistic回归 331
第14章 朴素贝叶斯与贝叶斯网络 385
第15章 模型评估技术 421
第16章 基于数据驱动成本的
第17章 三元和k元分类模型的成本-
第18章 分类模型的图形化评估 477
第Ⅳ部分 聚类
第19章 层次聚类和k-均值聚类 489
第20章 Kohonen网络 505
......

文档截图