掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
數據挖掘與機器學習:PMML建模:上 版權信息
- ISBN：9787122356079
- 條形碼：9787122356079 ; 978-7-122-35607-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
數據挖掘與機器學習:PMML建模:上 本書特色
本書結合實際例子詳細介紹了數據挖掘和機器學習領域關聯規則模型、樸素貝葉斯模型、貝葉斯網絡模型、基線模型、聚類模型、通用回歸模型、回歸模型、高斯過程模型以及K*近鄰模型九種模型的表達方式及構建知識。讀者*好同時結合《PMML建模標準語言基礎》一書進行學習，以便融會貫通，靈活運用，更好地把PMML語言應用到自己的項目實踐中。本書的讀者對象為從事數據挖掘、機器學習、人工智能系統開發的人員以及教師和學生，也可以作為大數據及機器學習愛好者的自學用書。
數據挖掘與機器學習:PMML建模:上 內容簡介
本書結合實際例子詳細介紹了數據挖掘和機器學習領域關聯規則模型、樸素貝葉斯模型、貝葉斯網絡模型、基線模型、聚類模型、通用回歸模型、回歸模型、高斯過程模型以及K*近鄰模型九種模型的表達方式及構建知識。讀者*好同時結合《PMML建模標準語言基礎》一書進行學習，以便融會貫通，靈活運用，更好地把PMML語言應用到自己的項目實踐中。本書的讀者對象為從事數據挖掘、機器學習、人工智能系統開發的人員以及教師和學生，也可以作為大數據及機器學習愛好者的自學用書。
數據挖掘與機器學習:PMML建模:上 目錄
1 關聯規則模型AssociationModel 1
1.1 關聯規則基礎知識 2
1.2 關聯規則算法簡介 4
1.3 關聯規則模型元素AssociationModel 8
1.3.1 模型屬性 10
1.3.2 模型子元素 11
1.3.3 評分應用過程 18
2 樸素貝葉斯模型NaiveBayesModel 20
2.1 樸素貝葉斯模型基礎知識 21
2.1.1 全概率公式 22
2.1.2 貝葉斯定理 23
2.2 樸素貝葉斯算法簡介 24
2.2.1 樸素貝葉斯算法 24
2.2.2 樸素貝葉斯模型參數估計 26
2.3 樸素貝葉斯模型元素NaiveBayesModel 34
2.3.1 模型屬性 36
2.3.2 模型子元素 36
2.3.3 評分應用過程 41
3 貝葉斯網絡模型BayesianNetworkModel 51
3.1 貝葉斯網絡基礎知識 52
3.2 貝葉斯網絡算法簡介 55
3.3 貝葉斯網絡模型元素BayesianNetworkModel 56
3.3.1 模型屬性 57
3.3.2 模型子元素 58
3.3.3 評分應用過程 65
4 基線模型BaselineModel 78
4.1 基線模型的基礎知識 79
4.1.1 一般基線模型的概念 79
4.1.2 PMML規范中的基線模型 80
4.2 基線模型元素BaselineModel 87
4.2.1 模型屬性 87
4.2.2 模型子元素 88
4.2.3 評分應用過程 98
5 聚類模型ClusteringModel 100
5.1 聚類模型的基礎知識 101
5.2 聚類算法簡介 104
5.2.1 硬聚類和軟聚類 105
5.2.2 基于算法主要特征的劃分 105
5.2.3 PMML規范中的聚類 108
5.3 聚類模型元素ClusteringModel 108
5.3.1 模型屬性 110
5.3.2 模型子元素 110
5.3.3 評分應用過程 124
6 通用回歸模型GeneralRegressionModel 125
6.1 通用回歸模型基礎知識 126
6.2 通用回歸算法簡介 130
6.2.1 一般線性回歸模型GLM 130
6.2.2 廣義線性回歸GLZM 132
6.2.3 Cox回歸 146
6.3 通用回歸模型元素GeneralRegressionModel 147
6.3.1 模型屬性 150
6.3.2 模型子元素 154
6.3.3 評分應用過程 163
7 回歸模型RegressionModel 193
7.1 模型屬性 196
7.2 模型子元素 197
7.3 評分應用過程 200
8 高斯過程模型GaussianProcessModel 207
8.1 高斯過程模型基礎知識 209
8.2 高斯過程算法簡介 210
8.3 高斯過程模型GaussianProcessModel 213
8.3.1 模型屬性 214
8.3.2 模型元素 215
8.3.3 評分應用過程 220
9 *近鄰模型NearestNeighborModel 224
9.1 KNN*近鄰模型基礎知識 225
9.2 KNN*近鄰模型算法簡介 227
9.3 *近鄰模型NearestNeighborModel 230
9.3.1 模型屬性 233
9.3.2 模型子元素 234
9.3.3 評分應用過程 236
附錄 243
1.1 關聯規則基礎知識 2
1.2 關聯規則算法簡介 4
1.3 關聯規則模型元素AssociationModel 8
1.3.1 模型屬性 10
1.3.2 模型子元素 11
1.3.3 評分應用過程 18
2 樸素貝葉斯模型NaiveBayesModel 20
2.1 樸素貝葉斯模型基礎知識 21
2.1.1 全概率公式 22
2.1.2 貝葉斯定理 23
2.2 樸素貝葉斯算法簡介 24
2.2.1 樸素貝葉斯算法 24
2.2.2 樸素貝葉斯模型參數估計 26
2.3 樸素貝葉斯模型元素NaiveBayesModel 34
2.3.1 模型屬性 36
2.3.2 模型子元素 36
2.3.3 評分應用過程 41
3 貝葉斯網絡模型BayesianNetworkModel 51
3.1 貝葉斯網絡基礎知識 52
3.2 貝葉斯網絡算法簡介 55
3.3 貝葉斯網絡模型元素BayesianNetworkModel 56
3.3.1 模型屬性 57
3.3.2 模型子元素 58
3.3.3 評分應用過程 65
4 基線模型BaselineModel 78
4.1 基線模型的基礎知識 79
4.1.1 一般基線模型的概念 79
4.1.2 PMML規范中的基線模型 80
4.2 基線模型元素BaselineModel 87
4.2.1 模型屬性 87
4.2.2 模型子元素 88
4.2.3 評分應用過程 98
5 聚類模型ClusteringModel 100
5.1 聚類模型的基礎知識 101
5.2 聚類算法簡介 104
5.2.1 硬聚類和軟聚類 105
5.2.2 基于算法主要特征的劃分 105
5.2.3 PMML規范中的聚類 108
5.3 聚類模型元素ClusteringModel 108
5.3.1 模型屬性 110
5.3.2 模型子元素 110
5.3.3 評分應用過程 124
6 通用回歸模型GeneralRegressionModel 125
6.1 通用回歸模型基礎知識 126
6.2 通用回歸算法簡介 130
6.2.1 一般線性回歸模型GLM 130
6.2.2 廣義線性回歸GLZM 132
6.2.3 Cox回歸 146
6.3 通用回歸模型元素GeneralRegressionModel 147
6.3.1 模型屬性 150
6.3.2 模型子元素 154
6.3.3 評分應用過程 163
7 回歸模型RegressionModel 193
7.1 模型屬性 196
7.2 模型子元素 197
7.3 評分應用過程 200
8 高斯過程模型GaussianProcessModel 207
8.1 高斯過程模型基礎知識 209
8.2 高斯過程算法簡介 210
8.3 高斯過程模型GaussianProcessModel 213
8.3.1 模型屬性 214
8.3.2 模型元素 215
8.3.3 評分應用過程 220
9 *近鄰模型NearestNeighborModel 224
9.1 KNN*近鄰模型基礎知識 225
9.2 KNN*近鄰模型算法簡介 227
9.3 *近鄰模型NearestNeighborModel 230
9.3.1 模型屬性 233
9.3.2 模型子元素 234
9.3.3 評分應用過程 236
附錄 243
展開全部
書友推薦
- >
我從未如此眷戀人間
- >
名家帶你讀魯迅:朝花夕拾
- >
伯納黛特,你要去哪(2021新版)
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
月亮與六便士
- >
山海經
- >
史學評論
- >
巴金－再思錄
本類暢銷
