第1章 數據挖掘概論
1.1 引言
1.2 統計學傢和計算機學傢從不同角度看數據挖掘
1.3 數據源
1.4 數據挖掘的應用
第2章 傳統統計麵對的挑戰
2.1 統計的黑匣子特性
2.2 統計從數學繼承瞭什麼
2.3 傳統的數據建模在應用中所遇到的問題
2.4 算法建模
2.5 迴到統計的最初宗旨
第3章 常用算法建模概述
3.1 引言
3.2 關聯規則分析
3.3 最近鄰方法
3.4 人工神經網絡
3.5 支持嚮量機
3.6 VC維數和誤差界限
第4章 決策樹
4.1 引言
4.2 決策樹的構建
4.3 不純度
4.4 ID3和C4.5算法
4.5 CART算法
4.6 CHAID方法
第5章 模型評價
5.1 引言
5.2 貝葉斯規則
5.3 模型評價——再論CART
5.4 推廣誤差和期望推廣誤差
5.5 推廣誤差和期望推廣誤差的估計
第6章 Bagging預測方法
6.1 Bagging方法簡介
6.2 分類問題的Bagging算法
6.3 迴歸問題的Bagging算法
6.4 Out—of—Bag(OOB)估計
6.5 討論
第7章 Boosting預測方法
7.1 AdaBoost算法
7.2 自適應重新抽樣
7.3 AdaBoost算法的性質
7.4 可加模型:從統計的角度看AdaBoost
7.5 梯度下降提升算法
7.6 分類問題的不同損失函數及LogitBoost分類算法
7.7 迴歸問題的不同損失函數及L2—Boosting迴歸方法
7.8 討論
第8章 隨機森林
8.1 子模型h(x;Θm)
8.2 隨機森林用於分類的案例
8.3 分類問題中隨機森林算法預測精度
8.4 隨機森林算法用於迴歸問題
8.5 隨機森林中的OOB估計
8.6 再析隨機森林算法
8.7 自適應隨機森林算法
參考文獻
· · · · · · (
收起)