4.23文创礼盒,买2个减5元
欢迎光临中图网 请 | 注册
> >
数据挖掘与机器学习:PMML建模:上

数据挖掘与机器学习:PMML建模:上

作者:潘风文
出版社:化学工业出版社出版时间:2020-02-01
开本: 16开 页数: 244
中 图 价:¥75.2(7.6折) 定价  ¥99.0 登录后可看到会员价
加入购物车 收藏
运费6元,满69元免运费
?快递不能达地区使用邮政小包,运费14元起
云南、广西、海南、新疆、青海、西藏六省,部分地区快递不可达
本类五星书更多>

数据挖掘与机器学习:PMML建模:上 版权信息

  • ISBN:9787122356079
  • 条形码:9787122356079 ; 978-7-122-35607-9
  • 装帧:平装-胶订
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

数据挖掘与机器学习:PMML建模:上 本书特色

本书结合实际例子详细介绍了数据挖掘和机器学习领域关联规则模型、朴素贝叶斯模型、贝叶斯网络模型、基线模型、聚类模型、通用回归模型、回归模型、高斯过程模型以及K*近邻模型九种模型的表达方式及构建知识。读者*好同时结合《PMML建模标准语言基础》一书进行学习,以便融会贯通,灵活运用,更好地把PMML语言应用到自己的项目实践中。本书的读者对象为从事数据挖掘、机器学习、人工智能系统开发的人员以及教师和学生,也可以作为大数据及机器学习爱好者的自学用书。

数据挖掘与机器学习:PMML建模:上 内容简介

本书结合实际例子详细介绍了数据挖掘和机器学习领域关联规则模型、朴素贝叶斯模型、贝叶斯网络模型、基线模型、聚类模型、通用回归模型、回归模型、高斯过程模型以及K*近邻模型九种模型的表达方式及构建知识。读者*好同时结合《PMML建模标准语言基础》一书进行学习,以便融会贯通,灵活运用,更好地把PMML语言应用到自己的项目实践中。本书的读者对象为从事数据挖掘、机器学习、人工智能系统开发的人员以及教师和学生,也可以作为大数据及机器学习爱好者的自学用书。

数据挖掘与机器学习:PMML建模:上 目录

1 关联规则模型AssociationModel 1

1.1 关联规则基础知识 2

1.2 关联规则算法简介 4

1.3 关联规则模型元素AssociationModel 8

1.3.1 模型属性 10

1.3.2 模型子元素 11

1.3.3 评分应用过程 18



2 朴素贝叶斯模型NaiveBayesModel 20

2.1 朴素贝叶斯模型基础知识 21

2.1.1 全概率公式 22

2.1.2 贝叶斯定理 23

2.2 朴素贝叶斯算法简介 24

2.2.1 朴素贝叶斯算法 24

2.2.2 朴素贝叶斯模型参数估计 26

2.3 朴素贝叶斯模型元素NaiveBayesModel 34

2.3.1 模型属性 36

2.3.2 模型子元素 36

2.3.3 评分应用过程 41



3 贝叶斯网络模型BayesianNetworkModel 51

3.1 贝叶斯网络基础知识 52

3.2 贝叶斯网络算法简介 55

3.3 贝叶斯网络模型元素BayesianNetworkModel 56

3.3.1 模型属性 57

3.3.2 模型子元素 58

3.3.3 评分应用过程 65



4 基线模型BaselineModel 78

4.1 基线模型的基础知识 79

4.1.1 一般基线模型的概念 79

4.1.2 PMML规范中的基线模型 80

4.2 基线模型元素BaselineModel 87

4.2.1 模型属性 87

4.2.2 模型子元素 88

4.2.3 评分应用过程 98



5 聚类模型ClusteringModel 100

5.1 聚类模型的基础知识 101

5.2 聚类算法简介 104

5.2.1 硬聚类和软聚类 105

5.2.2 基于算法主要特征的划分 105

5.2.3 PMML规范中的聚类 108

5.3 聚类模型元素ClusteringModel 108

5.3.1 模型属性 110

5.3.2 模型子元素 110

5.3.3 评分应用过程 124



6 通用回归模型GeneralRegressionModel 125

6.1 通用回归模型基础知识 126

6.2 通用回归算法简介 130

6.2.1 一般线性回归模型GLM 130

6.2.2 广义线性回归GLZM 132

6.2.3 Cox回归 146

6.3 通用回归模型元素GeneralRegressionModel 147

6.3.1 模型属性 150

6.3.2 模型子元素 154

6.3.3 评分应用过程 163



7 回归模型RegressionModel 193

7.1 模型属性 196

7.2 模型子元素 197

7.3 评分应用过程 200



8 高斯过程模型GaussianProcessModel 207

8.1 高斯过程模型基础知识 209

8.2 高斯过程算法简介 210

8.3 高斯过程模型GaussianProcessModel 213

8.3.1 模型属性 214

8.3.2 模型元素 215

8.3.3 评分应用过程 220



9 *近邻模型NearestNeighborModel 224

9.1 KNN*近邻模型基础知识 225

9.2 KNN*近邻模型算法简介 227

9.3 *近邻模型NearestNeighborModel 230

9.3.1 模型属性 233

9.3.2 模型子元素 234

9.3.3 评分应用过程 236



附录 243
展开全部
商品评论(0条)
暂无评论……
书友推荐
编辑推荐
返回顶部
中图网
在线客服