數(shù)據(jù)挖掘與數(shù)學(xué)建模

前言

民眾多好飲酒，中外概莫能外。酒館和釀酒坊伴隨飲酒客而起，人類(lèi)對(duì)酒的喜愛(ài)造就了酒文化和一個(gè)龐大的產(chǎn)業(yè)。好酒能賣(mài)好價(jià)錢(qián)，能使文人詩(shī)興大發(fā)，催生佳作，還能解人間百難。于是，釀天下名酒自然成為不少人的畢生追求。怎樣才能釀出好酒呢？國(guó)人的看法不盡相同。崇信洋酒的人主張引進(jìn)國(guó)外的生產(chǎn)工藝，學(xué)習(xí)洋人的生產(chǎn)和經(jīng)營(yíng)理念，而喜歡國(guó)酒的人則主張走自己的路，但不排除借鑒國(guó)外先進(jìn)的科學(xué)技術(shù)和管理經(jīng)驗(yàn)。這樣的爭(zhēng)論或許永遠(yuǎn)不會(huì)終結(jié)，但外國(guó)人重視科學(xué)釀酒，這一點(diǎn)是值得我們學(xué)習(xí)和借鑒的。計(jì)算機(jī)科學(xué)教育，如同釀酒工業(yè)的生產(chǎn)一樣，科學(xué)辦學(xué)迄今還只是部分學(xué)者的一種理想。與國(guó)內(nèi)一樣，國(guó)外的計(jì)算機(jī)科學(xué)教育并沒(méi)有像他們的科學(xué)釀酒業(yè)一樣，實(shí)現(xiàn)科學(xué)辦學(xué)。也許科學(xué)辦學(xué)要遠(yuǎn)比科學(xué)釀酒困難得多。譬如，怎么實(shí)現(xiàn)科學(xué)辦學(xué)？甚至怎么推出一套科學(xué)的系列教材都是一篇大文章。這套教材的創(chuàng)作始于教育部面向21世紀(jì)教育與教學(xué)改革13-22項(xiàng)目的研究。2000年，在13-22項(xiàng)目研究工作即將完成之際，一些學(xué)者開(kāi)始認(rèn)識(shí)到面對(duì)計(jì)算機(jī)科學(xué)與技術(shù)的高速發(fā)展，我們亟需一套體現(xiàn)科學(xué)辦學(xué)思想、反映內(nèi)涵發(fā)展要求、服務(wù)教育與教學(xué)改革、參與構(gòu)建學(xué)科人才培養(yǎng)科學(xué)體系的系列教材。強(qiáng)調(diào)系列教材是因?yàn)槟菚r(shí)已經(jīng)意識(shí)到計(jì)算機(jī)科學(xué)教育本質(zhì)上是一項(xiàng)科學(xué)活動(dòng)，但長(zhǎng)期以來(lái)教師向?qū)W生傳授科學(xué)技術(shù)知識(shí)的方式方法科學(xué)性不強(qiáng)。由于高等教育幾百年來(lái)一直沿襲經(jīng)驗(yàn)方式而非科學(xué)方式辦學(xué)，大學(xué)教學(xué)的方式方法仍然還停留在古代作坊式的階段，只不過(guò)今天使用的教學(xué)技術(shù)手段先進(jìn)而已。在經(jīng)驗(yàn)辦學(xué)方式下，無(wú)論是研究型大學(xué)還是教學(xué)型大學(xué)，由于種種原因，教學(xué)活動(dòng)的全過(guò)程存在著太多的漏洞和質(zhì)量上的隱患?？茖W(xué)辦學(xué)是對(duì)高等教育界傳統(tǒng)的一個(gè)挑戰(zhàn)，盡管在認(rèn)識(shí)上，人們不難理解，科學(xué)辦學(xué)是經(jīng)驗(yàn)辦學(xué)的最高形式，而經(jīng)驗(yàn)辦學(xué)應(yīng)該成為科學(xué)辦學(xué)的有益補(bǔ)充。13-22項(xiàng)目組積極探索，率先倡導(dǎo)科學(xué)辦學(xué)理念，初步構(gòu)建了一個(gè)體現(xiàn)科學(xué)辦學(xué)思想，反映內(nèi)涵發(fā)展要求的計(jì)算機(jī)科學(xué)一級(jí)學(xué)科人才培養(yǎng)科學(xué)理論體系，為學(xué)科專(zhuān)業(yè)教育探索新天地，走向科學(xué)辦學(xué)和發(fā)展學(xué)科系列教材提供了一個(gè)認(rèn)知基礎(chǔ)。長(zhǎng)期以來(lái)，學(xué)術(shù)界一直在探索計(jì)算機(jī)科學(xué)專(zhuān)業(yè)教育的規(guī)律。

內(nèi)容概要

本書(shū)以國(guó)際數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程（GRISP-DM）為依據(jù)，以企業(yè)管理面臨的現(xiàn)實(shí)問(wèn)題為應(yīng)用案例，由淺入深介紹數(shù)據(jù)挖掘方法及其解決問(wèn)題過(guò)程的數(shù)據(jù)理解、數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)學(xué)建模、模型結(jié)果評(píng)估等內(nèi)容，并引人應(yīng)用廣泛的數(shù)據(jù)挖掘Clementine軟件輔助問(wèn)題案例的解決，使讀者不僅可以集中地學(xué)習(xí)數(shù)據(jù)挖據(jù)的主要理論方法，而且可以了解基于數(shù)據(jù)挖掘的數(shù)學(xué)建模過(guò)程，可以學(xué)習(xí)應(yīng)用軟件輔助解決問(wèn)題的操作方法。本書(shū)把理論、案例、建模、軟件輔助結(jié)合一體統(tǒng)一敘述，簡(jiǎn)述理論，突出應(yīng)用，詳細(xì)分析，展示過(guò)程，既考慮高校學(xué)生的學(xué)習(xí)需要，分本科生與研究生學(xué)習(xí)層次，又考慮企業(yè)管理者的應(yīng)用與實(shí)踐需要?！　”緯?shū)可作為數(shù)據(jù)挖掘理論與技術(shù)的教學(xué)、實(shí)踐、應(yīng)用和提高的教科書(shū)或參考書(shū)。適合高等學(xué)校本科高年級(jí)學(xué)生、研究生以及學(xué)習(xí)數(shù)據(jù)挖掘、數(shù)學(xué)模型課程的學(xué)生使用，也適合相關(guān)的企業(yè)管理與決策支持技術(shù)人員使用。

書(shū)籍目錄

第1章 數(shù)據(jù)挖掘與數(shù)學(xué)建模關(guān)系概述 　1.1 當(dāng)前信息化發(fā)展的趨勢(shì)與面對(duì)問(wèn)題 　1.2 數(shù)據(jù)挖掘發(fā)展及其應(yīng)用 　1.3 基于數(shù)據(jù)挖掘的數(shù)學(xué)建模 　1.4 數(shù)據(jù)挖掘軟件Clementine的基本操作概述 　參考文獻(xiàn) 第2章 統(tǒng)計(jì)分析 　2.1 問(wèn)題概述 　2.2 回歸分析及其應(yīng)用 　2.3 二項(xiàng)邏輯回歸 　2.4 主成分分析 　2.5 因子分析 　2.6 管理勝任力的案例分析和數(shù)學(xué)建模 　參考文獻(xiàn) 第3章 聚類(lèi)分析 　3.1 問(wèn)題概述 　3.2 聚類(lèi)分析概述 　3.3 基于距離的聚類(lèi)相似度 　3.4 系統(tǒng)聚類(lèi)法 　3.5 C-均值(C-Means)聚類(lèi)算法 　3.6 Clementine輔助K-Means聚類(lèi) 　3.7 模糊聚類(lèi) 　3.8 聚類(lèi)有效性 　3.9 醫(yī)療建設(shè)評(píng)價(jià)的案例分析與數(shù)學(xué)建模 　參考文獻(xiàn) 第4章 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 　4.1 問(wèn)題概述 　4.2 神經(jīng)網(wǎng)絡(luò)概述 　4.3 神經(jīng)網(wǎng)絡(luò)的基本模型 　4.4 誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)模型 　4.5 RBF神經(jīng)網(wǎng)絡(luò) 　4.6 自組織特征映射(SOM)神經(jīng)網(wǎng)絡(luò) 　4.7 神經(jīng)網(wǎng)絡(luò)的案例分析與數(shù)學(xué)建模 　4.8 模糊神經(jīng)網(wǎng)絡(luò) 　參考文獻(xiàn) 第5章 決策樹(shù)及其應(yīng)用 　5.1 問(wèn)題概述 　5.2 決策樹(shù)概述 　5.3 ID3算法 　5.4 C4.5算法 　5.5 CART算法 　5.6 Clementine輔助決策樹(shù)建立 　5.7 決策樹(shù)的評(píng)價(jià)標(biāo)準(zhǔn) 　5.8 決策樹(shù)的剪枝 　5.9 決策樹(shù)的優(yōu)化 　5.10 燃?xì)夤芫W(wǎng)安全預(yù)測(cè)案例分析與數(shù)學(xué)建模 　5.11 模糊決策樹(shù) 　參考文獻(xiàn) 第6章 關(guān)聯(lián)分析 　6.1 問(wèn)題概述 　6.2 關(guān)聯(lián)分析概述 　6.3 Apriori關(guān)聯(lián)規(guī)則算法 　6.4 Clementine輔助Apriori算法實(shí)現(xiàn)關(guān)聯(lián)分析 　6.5 基于A(yíng)priori算法的改進(jìn)算法 　6.6 基于分類(lèi)搜索的關(guān)聯(lián)規(guī)則算法 　6.7 基于頻繁樹(shù)的關(guān)聯(lián)規(guī)則算法 　6.8 關(guān)聯(lián)規(guī)則的推廣 　6.9 時(shí)序關(guān)聯(lián)規(guī)則算法 　6.10 Clememtin輔助時(shí)序關(guān)聯(lián)分析 　6.11 多值屬性關(guān)聯(lián)規(guī)則算法 　6.12 增量關(guān)聯(lián)規(guī)則算法 　6.13 基于關(guān)聯(lián)規(guī)則的分類(lèi)算法 　6.14 關(guān)聯(lián)分類(lèi)算法的改進(jìn) 　6.15 模糊關(guān)聯(lián)分類(lèi)算法與應(yīng)用 　6.16 關(guān)聯(lián)規(guī)則案例分析與數(shù)學(xué)建模 　參考文獻(xiàn) 第7章 遺傳算法 　7.1 問(wèn)題概述 　7.2 遺傳算法概述 　7.3 模式定理 　7.4 改進(jìn)的遺傳算法 　7.5 遺傳算法案例分析與數(shù)學(xué)建模 　參考文獻(xiàn) 第8章 貝葉斯網(wǎng)絡(luò)與知識(shí)推理 　8.1 問(wèn)題概述 　8.2 貝葉斯網(wǎng)絡(luò)原理概述 　8.3 主要貝葉斯網(wǎng)絡(luò)模型 　8.4 管理勝任力的貝葉斯網(wǎng)絡(luò)知識(shí)推理模型建立 　8.5 Clementine輔助貝葉斯網(wǎng)絡(luò)的建立 　8.6 地下燃?xì)夤芫W(wǎng)安全風(fēng)險(xiǎn)的貝葉斯網(wǎng)絡(luò)知識(shí)推理與診斷 　8.7 模糊貝葉斯網(wǎng)絡(luò) 　8.8 電子商務(wù)發(fā)展水平的模糊貝葉斯網(wǎng)絡(luò)知識(shí)推理模型 　8.9 數(shù)據(jù)挖掘軟件WEKA輔助無(wú)約束貝葉斯網(wǎng)絡(luò)的建立 　參考文獻(xiàn)

章節(jié)摘錄

插圖：如果檢驗(yàn)結(jié)果達(dá)到期望的目標(biāo)，表示模型建立完畢，如果檢驗(yàn)發(fā)現(xiàn)有較大的偏差，即模型計(jì)算的目標(biāo)值與實(shí)際樣本目標(biāo)值不一致，表示模型的結(jié)果不符合實(shí)際需要，此時(shí)要返回?cái)?shù)據(jù)處理環(huán)節(jié)，檢查提取樣本特征和定義樣本取值的合理性，當(dāng)學(xué)習(xí)樣本不足以代表檢驗(yàn)樣本信息或擬合模型偏離時(shí)，可能導(dǎo)致建立模型的失效性。5）結(jié)果評(píng)估建立的模型通過(guò)模型檢驗(yàn)后，要對(duì)模型結(jié)果反映的數(shù)據(jù)關(guān)系的變化規(guī)律進(jìn)行科學(xué)分析與評(píng)估，使與實(shí)際應(yīng)用問(wèn)題的物理意義與現(xiàn)實(shí)機(jī)理反映的特征規(guī)律相一致，如果模型結(jié)果反映的變化規(guī)律與實(shí)際的不一致，表示盡管學(xué)習(xí)樣本、檢驗(yàn)樣本與模型結(jié)果一致，但反映的變化規(guī)律仍與問(wèn)題研究的目標(biāo)有差異，此時(shí)應(yīng)返回?cái)?shù)據(jù)理解環(huán)節(jié)，分析可能存在但忽略的影響因素變量，通過(guò)補(bǔ)充，重新定義新的樣本與模型結(jié)構(gòu)，通過(guò)再學(xué)習(xí)使模型結(jié)果與實(shí)際問(wèn)題的變化規(guī)律和物理意義相一致。6）結(jié)果應(yīng)用當(dāng)建立的數(shù)學(xué)模型不僅通過(guò)指定樣本檢驗(yàn)，而且通過(guò)應(yīng)用問(wèn)題的結(jié)果評(píng)估時(shí)，模型可以應(yīng)用于問(wèn)題領(lǐng)域，一般分為試應(yīng)用和完善應(yīng)用兩個(gè)階段。由于基于數(shù)據(jù)挖掘的數(shù)學(xué)建模，是從數(shù)據(jù)切入，數(shù)據(jù)獲取的部分性和定義樣本的非全局代表性，可能使模型結(jié)果的應(yīng)用也帶有局部而非全局的特征，需要不斷地?cái)U(kuò)大數(shù)據(jù)收集范圍，擴(kuò)大模型吸取學(xué)習(xí)樣本的特征信息，才能擴(kuò)展模型應(yīng)用的全局性質(zhì)，因此，試應(yīng)用是不斷補(bǔ)充樣本特征信息使模型自適應(yīng)學(xué)習(xí)修正模型參數(shù)的過(guò)程；完善應(yīng)用是不斷比較模型結(jié)果與專(zhuān)家經(jīng)驗(yàn)，使模型結(jié)果與實(shí)際的期望結(jié)果更接近的完善過(guò)程。1.4 數(shù)據(jù)挖掘軟件Clemerttine的基本操作概述目前，各領(lǐng)域應(yīng)用的數(shù)據(jù)挖掘軟件輔助決策有許多，較常用的一個(gè)軟件是由SPSS生產(chǎn)商推出的數(shù)據(jù)挖掘軟件Clementine。該軟件按照國(guó)際定義的數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程設(shè)計(jì)，包含了基本的數(shù)據(jù)挖掘方法，具有較強(qiáng)的數(shù)據(jù)與模型集成功能，使用方便直觀(guān)，是一種較好的數(shù)據(jù)挖掘教學(xué)與應(yīng)用分析工具。1.4.1 Clementine數(shù)據(jù)挖掘的基本思想Clementine提供了大量的人工智能、統(tǒng)計(jì)分析的模型（神經(jīng)網(wǎng)絡(luò)，關(guān)聯(lián)分析，聚類(lèi)分析、因子分析等），并用基于圖形化的界面為認(rèn)識(shí)、了解、熟悉這個(gè)軟件提供了方便。除了這些，Clementine還擁有優(yōu)良的數(shù)據(jù)挖掘設(shè)計(jì)思想，正是因?yàn)橛辛诉@個(gè)思想，每一步的工作也變得很清晰，如圖1.1 所示。如圖1.1 所示，CRISP-DM Model包含了6個(gè)步驟，并用箭頭指示了步驟間的執(zhí)行順序。這些順序并不嚴(yán)格，用戶(hù)可以根據(jù)實(shí)際的需要反向執(zhí)行某個(gè)步驟，也可以跳過(guò)某些步驟不予執(zhí)行。

編輯推薦

《數(shù)據(jù)挖掘與教學(xué)建?！罚含F(xiàn)代計(jì)算機(jī)科學(xué)與技術(shù)教材系列。

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    數(shù)據(jù)挖掘與數(shù)學(xué)建模 PDF格式下載

---