Python數(shù)據(jù)挖掘?qū)崙?zhàn)

第１章 數(shù)據(jù)挖掘基礎(chǔ) ／1
1．1 數(shù)據(jù)挖掘是什么 ／1
1．1．1 數(shù)據(jù)挖掘算法的類型 ／2
1．1．2 數(shù)據(jù)挖掘需要的技能 ／4
1．1．3 數(shù)據(jù)挖掘的常見誤區(qū) ／6
1．2 數(shù)據(jù)挖掘的常見問題 ／8
1．2．1 預(yù)測(cè)問題 ／9
1．2．2 分類問題 ／9
1．2．3 聚類問題 ／11
1．2．4 關(guān)聯(lián)問題 ／12
1．3 數(shù)據(jù)挖掘的標(biāo)準(zhǔn)流程 ／13
1．3．1 商業(yè)理解 ／14
1．3．2 數(shù)據(jù)理解 ／14
1．3．3 數(shù)據(jù)準(zhǔn)備 ／14
1．3．4 模型構(gòu)建 ／15
1．3．5 模型評(píng)估 ／15
1．3．6 模型部署 ／15
1．4 數(shù)據(jù)分析和數(shù)據(jù)挖掘的區(qū)別 ／16
1．4．1 數(shù)據(jù)分析 ／16
1．4．2 數(shù)據(jù)挖掘 ／17
第２章 回歸模型 ／18
2．1 回歸模型簡(jiǎn)介 ／18
2．2 相關(guān)分析 ／20
2．2．1 依存關(guān)系 ／20
2．2．2 相關(guān)系數(shù)的計(jì)算 ／21
2．2．3 相關(guān)系數(shù)的方向與大小 ／22
2．2．4 居民購(gòu)物習(xí)慣相關(guān)分析案例 ／23
2．3 簡(jiǎn)單線性回歸分析 ／25
2．3．1 線性回歸方程解讀 ／25
2．3．2 使用最小二乘法求解回歸方程 ／26
2．3．3 使用廣告投放費(fèi)用預(yù)測(cè)銷售額案例 ／28
2．4 多重線性回歸分析 ／33
2．4．1 使用最小二乘法求解多重線性回歸方程 ／33
2．4．2 使用廣告投放費(fèi)用與客流量預(yù)測(cè)銷售額案例 ／36
2．5 一元非線性回歸 ／39
2．5．1 一元非線性回歸模型 ／39
2．5．2 一元非線性回歸模型求解 ／40
2．5．3 使用上線天數(shù)預(yù)測(cè)活躍用戶數(shù)案例 ／41
第３章 分類模型 ／48
3．1 分類模型基礎(chǔ) ／48
3．1．1 分類模型的建模五步驟 ／49
3．1．2 分類模型評(píng)估指標(biāo) ／50
3．1．3 K折交叉驗(yàn)證 ／53
3．2 KNN模型 ／54
3．2．1 KNN模型原理 ／54
3．2．2 使用商戶數(shù)據(jù)預(yù)測(cè)是否續(xù)約案例 ／55
3．3 貝葉斯分類 ／64
3．3．1 貝葉斯分類的核心概念 ／65
3．3．2 樸素貝葉斯分類 ／67
3．3．3 樸素貝葉斯分類算法在離散型特征上的求解 ／68
3．3．4 樸素貝葉斯分類算法在連續(xù)型特征上的求解 ／71
3．3．5 使用議員在議案上的投票記錄預(yù)測(cè)其所屬黨派案例 ／83
3．3．6 根據(jù)商戶數(shù)據(jù)預(yù)測(cè)其是否續(xù)約案例 ／85
3．3．7 根據(jù)新聞文本預(yù)測(cè)其所屬分類案例 ／86
3．4 決策樹 ／89
3．4．1 決策樹分類 ／89
3．4．2 決策樹分類算法原理 ／91
3．4．3 使用高中生基本信息預(yù)測(cè)其是否計(jì)劃升學(xué)案例 ／93
3．4．4 案例解讀 ／102
3．5 隨機(jī)森林 ／104
3．5．1 隨機(jī)森林的特點(diǎn) ／104
3．5．2 網(wǎng)格搜索 ／106
3．5．3 使用隨機(jī)森林算法提升決策樹算法效果案例 ／107
3．6 支持向量機(jī) ／111
3．6．1 支持向量機(jī)的核心原理 ／111
3．6．2 根據(jù)葡萄酒成分?jǐn)?shù)據(jù)預(yù)測(cè)其分類案例 ／116
3．7 邏輯回歸 ／118
3．7．1 邏輯回歸的核心概念 ／118
3．7．2 邏輯回歸的數(shù)學(xué)推導(dǎo) ／119
3．7．3 使用住戶信息預(yù)測(cè)房屋是否屋主所有案例 ／120
第４章 特征工程 ／124
4．1 描述性統(tǒng)計(jì)分析 ／125
4．2 數(shù)據(jù)標(biāo)準(zhǔn)化 ／127
4．2．1 Min-Max標(biāo)準(zhǔn)化 ／128
4．2．2 Z-Score 標(biāo)準(zhǔn)化 ／129
4．2．3 Normalizer歸一化 ／131
4．3 數(shù)據(jù)變換 ／132
4．3．1 二值化 ／132
4．3．2 分桶 ／135
4．3．3 冪變換 ／138
4．4 缺失值處理 ／139
4．4．1 刪除缺失值所在的行 ／140
4．4．2 均值/眾數(shù)/中值填充 ／141
4．4．3 模型填充 ／142
4．5 降維 ／143
4．5．1 主成分分析 ／143
4．5．2 因子分析 ／154
第５章 聚類算法 ／160
5．1 K均值算法 ／161
5．1．1 K均值算法的核心概念 ／161
5．1．2 電信套餐制定案例 ／164
5．2 DBSCAN算法 ／169
5．2．1 DBSCAN算法核心概念 ／170
5．2．2 用戶常活動(dòng)區(qū)域挖掘案例 ／173
5．3 層次聚類算法 ／175
5．3．1 演示：聚類層次的計(jì)算過程 ／175
5．3．2 基于運(yùn)營(yíng)商基站信息挖掘商圈案例 ／178
第６章 關(guān)聯(lián)算法 ／184
6．1 關(guān)聯(lián)規(guī)則 ／185
6．1．1 關(guān)聯(lián)規(guī)則的核心概念 ／186
6．1．2 超市關(guān)聯(lián)規(guī)則挖掘案例 ／188
6．1．3 超市關(guān)聯(lián)規(guī)則解讀 ／192
6．2 協(xié)同過濾 ／192
6．2．1 協(xié)同過濾算法的實(shí)現(xiàn) ／193
6．2．2 安裝scikit-surprise模塊 ／196
6．2．3 基于電影數(shù)據(jù)的協(xié)同過濾案例 ／197
6．3 奇異值分解 ／201
第７章 時(shí)間序列 ／206
7．1 時(shí)間序列分解 ／206
7．1．1 非季節(jié)性時(shí)間序列分解 ／207
7．1．2 季節(jié)性時(shí)間序列 ／211
7．2 序列預(yù)測(cè) ／214
7．2．1 把不平穩(wěn)的時(shí)間序列轉(zhuǎn)換成平穩(wěn)的時(shí)間序列 ／214
7．2．2 自回歸模型 ／219
7．2．3 移動(dòng)平均模型 ／220
7．2．4 自回歸移動(dòng)平均模型 ／221
第８章 模型持久化 ／226
8．1 保存模型 ／226
8．2 恢復(fù)模型 ／228
8．3 管道模型 ／229