xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

本書前5版好評如潮，作為第6版，本書首次使用了Python語言。本書除了介紹用于統(tǒng)計和機器學(xué)習(xí)等領(lǐng)域的預(yù)測、分類、可視化、降維、推薦系統(tǒng)、聚類、文本挖掘、網(wǎng)絡(luò)分析等方法之外，內(nèi)容還包括：

● 新加入的合著者Peter Gedeck擁有使用Python講解商業(yè)分析課程的豐富經(jīng)驗以及將機器學(xué)習(xí)應(yīng)用于新藥發(fā)現(xiàn)過程的專業(yè)技能。在本書中，他十分樂于將這些經(jīng)驗和技能與讀者分享。

● 討論數(shù)據(jù)挖掘中的倫理問題。

● 根據(jù)教師和學(xué)生的反饋意見對內(nèi)容做了更新。

● 通過多個案例展示數(shù)據(jù)挖掘技術(shù)的實際應(yīng)用。

● 每章后面的習(xí)題有助于讀者評估和加深對該章內(nèi)容的理解。

● 在線支持網(wǎng)站提供了數(shù)據(jù)集、教學(xué)資料、習(xí)題答案、PPT教案和案例解決方案。

通過學(xué)習(xí)《Python商業(yè)數(shù)據(jù)挖掘(第6版)》，讀者將掌握使用Python實現(xiàn)數(shù)據(jù)挖掘的各種方法，并深入理解在將這些方法應(yīng)用于數(shù)據(jù)挖掘的過程中存在的商業(yè)問題和機遇。

前 言

本書早出版于2007年年初，已被眾多學(xué)生、從業(yè)人員和任課老師采用，包括我本人，在過去15 年里，在線授課和面對面授課都以本書為重要參考書。本書的第1 版是基于Excel 加載項(加載程序是Analytic Solver Data Mining，早先的名稱是XLMiner)的，此后不斷推出JMP 版本、R 版本和現(xiàn)在的Python 版本，并推出了本書的合作站點www.dataminingbook.com。
新推出的Python 版本使用了免費開源的Python 程序設(shè)計語言。本書提供了Python 程序的輸出結(jié)果以及生成這些結(jié)果的代碼，也包含相關(guān)程序包和函數(shù)的使用說明，其中的核心是scikit-learn 包。不同于計算機科學(xué)教材或統(tǒng)計學(xué)教材，本書的重點在于數(shù)據(jù)挖掘的基本概念以及如何用Python 實現(xiàn)相關(guān)算法。我們假設(shè)讀者基本熟悉Python 語言。
對于新推出的Python 版本，增加了另一位共同作者Peter Gedeck，他在商業(yè)領(lǐng)域里具有豐富的數(shù)據(jù)科學(xué)經(jīng)驗。除了提供Python 代碼和輸出結(jié)果外，本書也增加了內(nèi)容和反饋意見。這些意見來自教授MBA 課程、MS 課程、本科生課程、文憑課程和經(jīng)理人培訓(xùn)課程的老師及學(xué)生。重要的是，本書首次引入了有關(guān)數(shù)據(jù)倫理的內(nèi)容(詳見2.9 節(jié))。
本書還包含原書第3 版新增的如下內(nèi)容：
● 社交網(wǎng)絡(luò)分析
● 文本挖掘
● 集成方法
● 增益模型協(xié)同過濾
自第2 版開始(基于Analytic Solver)，以本書為教材的課程大量增加。初，本書主要用于一學(xué)期的MBA 選修課，現(xiàn)在已被用在許多商業(yè)分析學(xué)位課的教學(xué)大綱里和證書課程的教學(xué)計劃里。從本科生教學(xué)計劃到研究生和經(jīng)理人培訓(xùn)計劃，這些項目里的課程、時間長短不一，深淺不同。在很多情形
下，本書可用在多門課程里。本書的設(shè)計思想是繼續(xù)支持通用的預(yù)測分析或數(shù)據(jù)挖掘課程，但是也支持專用的商業(yè)分析教學(xué)大綱。
在專用的商業(yè)分析教學(xué)大綱中，以下課程曾使用本書。
● 預(yù)測分析監(jiān)督學(xué)習(xí)：在專用的商業(yè)分析項目里，對于預(yù)測分析主題，通常包括一系列課程。門課程包括本書的第Ⅰ部分至第Ⅳ部分內(nèi)容。教授這門課程的老師通常根據(jù)課時適當(dāng)?shù)剡x擇第Ⅳ部分的內(nèi)容。在這類課程中，建議包括第13 章的集成學(xué)習(xí)和第Ⅶ部分的數(shù)據(jù)分析。
● 預(yù)測分析無監(jiān)督學(xué)習(xí)：本課程介紹數(shù)據(jù)探索和可視化、降維、挖掘關(guān)系和聚類(第Ⅲ部分和第Ⅴ部分)。如果這門課程也按照預(yù)測分析監(jiān)督學(xué)習(xí)課程的教學(xué)計劃，那么有必要分析綜合應(yīng)用無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的例子和方法。
● 預(yù)測分析：專門用于時間序列預(yù)測的課程需要用到第Ⅵ部分的內(nèi)容。
● 高級分析：本課程綜合了全部的預(yù)測分析內(nèi)容(包括監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí))。這門課程的重點應(yīng)放在第Ⅶ部分。這部分包含了社交網(wǎng)絡(luò)分析和文本挖掘。有的老師也會在這類課程中選擇第21 章中的案例。
在以上所有課程中，我們強烈建議增加課程設(shè)計項目，要求學(xué)生自己收集數(shù)據(jù)，或利用老師提供的數(shù)據(jù)(例如，現(xiàn)在有很多供數(shù)據(jù)挖掘使用的數(shù)據(jù)集)。根據(jù)我們和其他老師的經(jīng)驗，這些項目可讓學(xué)生鞏固所學(xué)的知識，并且能給學(xué)生提供一個機會，以便更好地理解數(shù)據(jù)挖掘的強大功能以及在挖掘過程中遇到的問題。
Galit Shmueli、Peter C. Bruce、Peter Gedeck 和Nitin R. Patel
2019 年

Galit Shmueli博士自2004年以來，一直在美國馬里蘭大學(xué)、statistics.com統(tǒng)計網(wǎng)站、印度商學(xué)院設(shè)計并指導(dǎo)數(shù)據(jù)挖掘課程。Shmueli的研究領(lǐng)域包括信息系統(tǒng)的統(tǒng)計方法和數(shù)據(jù)挖掘，她以研究和擅長講授商業(yè)分析而聞名，并發(fā)表了100多篇文章。
　　Peter C. Bruce是statistics.com統(tǒng)計網(wǎng)站的統(tǒng)計教育研究院的主席和創(chuàng)辦人，他發(fā)表了多篇學(xué)術(shù)論文，還開發(fā)了Resampling Stats軟件。
　　Peter Gedeck博士是Collabrative Drug Discovery公司的高級數(shù)據(jù)科學(xué)家，他為這家公司開發(fā)了一款基于云的軟件來管理新藥發(fā)現(xiàn)過程中用到的海量數(shù)據(jù)，他還在statistics.com統(tǒng)計網(wǎng)站上教授數(shù)據(jù)挖掘課程。
　　Nitin R. Patel博士是位于馬薩諸塞州劍橋市的Cytel公司的共同創(chuàng)始人和董事，是美國統(tǒng)計協(xié)會會員，同時還是麻省理工學(xué)院和哈佛大學(xué)的客座教授。
　

第I 部分 預(yù)備知識
第1 章 引言............................................................3
1.1 商業(yè)分析簡介...........................................3
1.2 什么是數(shù)據(jù)挖掘......................................4
1.3 數(shù)據(jù)挖掘及相關(guān)術(shù)語..............................4
1.4 大數(shù)據(jù)........................................................5
1.5 數(shù)據(jù)科學(xué)...................................................6
1.6 為什么有這么多不同的方法.................6
1.7 術(shù)語與符號...............................................7
1.8 本書的線路圖...........................................8
第2 章 數(shù)據(jù)挖掘過程概述................................11
2.1 引言..........................................................11
2.2 數(shù)據(jù)挖掘的核心思想............................11
2.2.1 分類.................................................11
2.2.2 預(yù)測.................................................12
2.2.3 關(guān)聯(lián)規(guī)則與推薦系統(tǒng)........................12
2.2.4 預(yù)測分析..........................................12
2.2.5 數(shù)據(jù)規(guī)約與降維技術(shù)........................12
2.2.6 數(shù)據(jù)探索和可視化...........................12
2.2.7 監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)....................13
2.3 數(shù)據(jù)挖掘步驟.........................................13
2.4 前期步驟.................................................15
2.4.1 數(shù)據(jù)集的組織...................................15
2.4.2 預(yù)測West Roxbury 小區(qū)的房價........15
2.4.3 在Python 程序中載入并瀏覽數(shù)據(jù)....16
2.4.4 Python 包的導(dǎo)入...............................18
2.4.5 從數(shù)據(jù)庫獲得采樣數(shù)據(jù)....................18
2.4.6 在分類任務(wù)中對小概率事件的
過采樣.............................................19
2.4.7 數(shù)據(jù)預(yù)處理和數(shù)據(jù)清理....................19
2.5 預(yù)測力和過擬合.................................... 24
2.5.1 過擬合............................................. 24
2.5.2 數(shù)據(jù)分區(qū)的創(chuàng)建和使用.................... 26
2.6 建立預(yù)測模型........................................ 28
2.7 在本地計算機上用Python 實現(xiàn)
數(shù)據(jù)挖掘................................................. 32
2.8 自動化數(shù)據(jù)挖掘解決方案................... 33
2.9 數(shù)據(jù)挖掘中的倫理規(guī)范....................... 33
2.10 習(xí)題........................................................ 37
第Ⅱ部分 數(shù)據(jù)探索與降維技術(shù)
第3 章 數(shù)據(jù)可視化.............................................43
3.1 引言.......................................................... 43
3.2 數(shù)據(jù)實例................................................. 45
3.3 基本圖形：條形圖、折線圖和
散點圖..................................................... 46
3.3.1 分布圖：箱線圖和直方圖................ 48
3.3.2 熱圖：可視化相關(guān)性和缺失值......... 51
3.4 多維數(shù)據(jù)的可視化................................ 53
3.4.1 添加變量：顏色、大小、形狀、
多面板和動畫.................................. 53
3.4.2 數(shù)據(jù)操作：重定標(biāo)、聚合與層次
結(jié)構(gòu)、縮放與過濾........................... 56
3.4.3 趨勢線和標(biāo)簽.................................. 59
3.4.4 擴展到大型數(shù)據(jù)集........................... 60
3.4.5 多變量圖：平行坐標(biāo)圖.................... 62
3.4.6 交互式可視化.................................. 63
3.5 專用的可視化技術(shù)................................ 65
3.5.1 網(wǎng)絡(luò)數(shù)據(jù)可視化............................... 65
3.5.2 層次數(shù)據(jù)可視化：樹狀結(jié)構(gòu)圖......... 66
3.5.3 地理數(shù)據(jù)可視化：地圖.................... 68
3.6 小結(jié)..........................................................71
3.7 習(xí)題..........................................................71
第4 章 降維.........................................................75
4.1 引言..........................................................75
4.2 維數(shù)的詛咒.............................................75
4.3 實際考慮..................................................76
4.4 數(shù)據(jù)摘要..................................................77
4.5 相關(guān)性分析.............................................80
4.6 減少分類變量的分類值個數(shù)...............81
4.7 把分類變量轉(zhuǎn)換為數(shù)值型變量..........82
4.8 主成分分析.............................................82
4.8.1 主成分..............................................87
4.8.2 數(shù)據(jù)歸一化......................................88
4.8.3 使用主成分進行分類和預(yù)測.............91
4.9 利用回歸模型實現(xiàn)降維.......................91
4.10 利用分類樹與回歸樹實現(xiàn)降維........91
4.11 習(xí)題........................................................91
第Ⅲ部分 性能評價
第5 章 評估預(yù)測性能........................................97
5.1 引言..........................................................97
5.2 評估預(yù)測性能.........................................98
5.3 評估分類器的性能............................. 102
5.4 判斷排名性能.......................................111
5.5 過采樣....................................................115
5.6 習(xí)題........................................................119
第Ⅳ部分 預(yù)測與分類方法
第6 章 多元線性回歸......................................125
6.1 引言....................................................... 125
6.2 解釋模型和預(yù)測模型......................... 126
6.3 估計回歸方程和預(yù)測結(jié)果................ 127
6.4 線性回歸中的變量選擇.................... 131
6.4.1 減少預(yù)測變量的數(shù)量..................... 131
6.4.2 正則化(收縮模型).......................... 136
6.5 statmodels 包的使用........................... 138
6.6 習(xí)題....................................................... 139
第7 章 k-近鄰算法...........................................143
7.1 k-近鄰分類器(分類結(jié)果變量).......... 143
7.1.1 確定近鄰記錄................................ 143
7.1.2 分類規(guī)則........................................144
7.1.3 實例：駕駛式割草機......................144
7.1.4 設(shè)置臨界值....................................148
7.1.5 多類別的k-近鄰算法.....................149
7.1.6 把分類變量轉(zhuǎn)換為二元虛擬
變量...............................................149
7.2 將k-近鄰算法應(yīng)用于數(shù)值型
結(jié)果變量...............................................149
7.3 k-近鄰算法的優(yōu)缺點..........................151
7.4 習(xí)題........................................................151
第8 章 樸素貝葉斯分類器.............................155
8.1 引言........................................................155
8.1.1 臨界概率方法................................155
8.1.2 條件概率........................................156
8.2 使用完全或精準(zhǔn)的貝葉斯
分類器....................................................157
8.2.1 使用歸類為有可能的類別
準(zhǔn)則...............................................157
8.2.2 使用臨界概率方法.........................157
8.2.3 精準(zhǔn)貝葉斯方法存在的實際問題...157
8.2.4 樸素貝葉斯的獨立條件假設(shè)...........158
8.3 樸素貝葉斯分類器的優(yōu)缺點............164
8.4 習(xí)題........................................................165
第9 章 分類樹與回歸樹.................................167
9.1 引言........................................................167
9.2 分類樹....................................................169
9.3 評估分類樹的性能..............................175
9.4 如何避免過擬合..................................178
9.4.1 停止樹的生長................................179
9.4.2 調(diào)節(jié)分類樹的參數(shù).........................180
9.4.3 限制分類樹規(guī)模的其他方法...........182
9.5 從分類樹推斷分類規(guī)則.....................183
9.6 多于兩個類別的分類樹.....................183
9.7 回歸樹....................................................183
9.8 改進預(yù)測方法：隨機森林法和
提升樹....................................................186
9.8.1 隨機森林法....................................186
9.8.2 提升樹...........................................188
9.9 樹的優(yōu)缺點...........................................189
9.10 習(xí)題......................................................190
第10 章 Logistic 回歸.....................................193
10.1 引言......................................................193
10.2 Logistic 回歸模型..............................194
10.3 實例：接受個人貸款申請...............196
10.3.1 只有單個預(yù)測變量的模型..........196
10.3.2 根據(jù)數(shù)據(jù)估計Logistic 模型：
計算參數(shù)估計值.........................197
10.3.3 用幾率解釋結(jié)果(用于分析
目的)..........................................199
10.4 評估分類性能.....................................200
10.5 用于多類別分類的Logistic
回歸......................................................202
10.5.1 定序類別....................................202
10.5.2 定類類別....................................203
10.5.3 比較定序類別模型和定類
類別模型...................................204
10.6 分析實例：預(yù)測航班是否延誤......206
10.6.1 訓(xùn)練模型....................................210
10.6.2 模型的解釋................................211
10.6.3 模型的性能................................212
10.6.4 變量選擇....................................213
10.7 statmodels 包的使用..........................216
10.8 習(xí)題......................................................217
第11 章 神經(jīng)網(wǎng)絡(luò)............................................221
11.1 引言......................................................221
11.2 神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)...................222
11.3 在數(shù)據(jù)上擬合神經(jīng)網(wǎng)絡(luò)...................222
11.3.1 計算節(jié)點的輸出結(jié)果..................223
11.3.2 訓(xùn)練模型....................................225
11.3.3 對事故的嚴重程度進行分類.......229
11.3.4 避免過擬合................................231
11.3.5 把神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果用于
預(yù)測和分類................................231
11.4 要求用戶輸入.....................................231
11.5 探索預(yù)測變量與因變量的關(guān)系......232
11.6 深度學(xué)習(xí).............................................232
11.6.1 卷積神經(jīng)網(wǎng)絡(luò)............................233
11.6.2 局部特征圖................................234
11.6.3 層次特征....................................234
11.6.4 學(xué)習(xí)過程....................................235
11.6.5 無監(jiān)督學(xué)習(xí)................................235
11.6.6 結(jié)論...........................................236
11.7 神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點............................236
11.8 習(xí)題......................................................237
第12 章 判別分析............................................ 239
12.1 引言......................................................239
12.2 記錄與類別的距離...........................241
12.3 Fisher 線性分類函數(shù)........................242
12.4 判別分析的分類性能.......................245
12.5 先驗概率.............................................245
12.6 誤分類成本不均等...........................246
12.7 多類別情形下的分類.......................246
12.8 判別分析的優(yōu)缺點...........................249
12.9 習(xí)題......................................................250
第13 章 組合方法：集成學(xué)習(xí)和增益
模型.................................................... 253
13.1 集成學(xué)習(xí).............................................253
13.1.1 為什么集成學(xué)習(xí)可以改進
預(yù)測能力...................................254
13.1.2 集成學(xué)習(xí)的優(yōu)缺點.....................257
13.2 增益(說服)模型.................................257
13.2.1 建立一個簡單的預(yù)測模型..........260
13.2.2 建立增益模型............................260
13.2.3 使用Python 程序計算增益.........261
13.2.4 應(yīng)用增益模型的結(jié)果.................262
13.3 小結(jié)......................................................262
13.4 習(xí)題......................................................263
第Ⅴ部分 挖掘記錄之間的關(guān)系
第14 章 關(guān)聯(lián)規(guī)則和協(xié)同過濾...................... 267
14.1 關(guān)聯(lián)規(guī)則.............................................267
14.1.1 從交易數(shù)據(jù)庫中發(fā)現(xiàn)
關(guān)聯(lián)規(guī)則...................................268
14.1.2 生成候選規(guī)則............................269
14.1.3 Apriori 算法...............................270
14.1.4 選擇強規(guī)則................................270
14.1.5 數(shù)據(jù)格式...................................271
14.1.6 規(guī)則的選擇過程........................273
14.1.7 解釋結(jié)果...................................274
14.2 協(xié)同過濾.............................................277
14.2.1 數(shù)據(jù)類型與數(shù)據(jù)格式................. 278
14.2.2 基于用戶的協(xié)同過濾................. 279
14.2.3 基于項的協(xié)同過濾.................... 281
14.2.4 協(xié)同過濾的優(yōu)缺點.................... 282
14.2.5 協(xié)同過濾與關(guān)聯(lián)規(guī)則................. 283
14.3 小結(jié)..................................................... 284
14.4 習(xí)題..................................................... 284
第15 章 聚類分析............................................289
15.1 引言..................................................... 289
15.2 計算兩條記錄之間的距離.............. 292
15.2.1 歐幾里得距離........................... 292
15.2.2 數(shù)值型觀測值的歸一化處理...... 293
15.2.3 數(shù)值型數(shù)據(jù)的其他距離度量
方法.......................................... 294
15.2.4 分類數(shù)據(jù)的距離度量................. 295
15.2.5 混合數(shù)據(jù)的距離度量................. 296
15.3 計算兩個簇之間的距離.................. 296
15.4 (凝聚)層次聚類................................. 298
15.4.1 樹狀圖：顯示聚類過程和
結(jié)果.......................................... 299
15.4.2 驗證簇...................................... 301
15.4.3 層次聚類的局限性.................... 303
15.5 非層次聚類：k-均值聚類............... 304
15.6 習(xí)題..................................................... 308
第Ⅵ部分 時間序列預(yù)測
第16 章 時間序列分析...................................313
16.1 引言..................................................... 313
16.2 描述性模型與預(yù)測性模型.............. 314
16.3 商業(yè)領(lǐng)域常用的預(yù)測方法.............. 314
16.4 時間序列的主要成分....................... 315
16.5 數(shù)據(jù)分割與性能評估....................... 318
16.5.1 基準(zhǔn)性能：樸素預(yù)測................. 318
16.5.2 生成未來預(yù)測結(jié)果.................... 321
16.6 習(xí)題..................................................... 321
第17 章 基于回歸的預(yù)測...............................325
17.1 趨勢模型............................................ 325
17.1.1 線性趨勢................................... 325
17.1.2 指數(shù)趨勢................................... 329
17.1.3 多項式趨勢............................... 330
17.2 季節(jié)性效應(yīng)模型............................... 330
17.3 趨勢和季節(jié)性效應(yīng)模型...................333
17.4 自相關(guān)和ARIMA 模型...................334
17.4.1 計算自相關(guān)性............................334
17.4.2 加入自相關(guān)信息以提高預(yù)測
準(zhǔn)確度.......................................336
17.4.3 評估可預(yù)測性............................339
17.5 習(xí)題......................................................339
第18 章 平滑法................................................349
18.1 引言......................................................349
18.2 移動平均法.........................................350
18.2.1 用于可視化的中心移動
平均法.......................................350
18.2.2 用于預(yù)測的尾移動平均法..........352
18.2.3 時間窗口寬度的選擇.................354
18.3 簡單的指數(shù)平滑法............................354
18.3.1 平滑參數(shù) 的選擇.....................355
18.3.2 移動平均法與簡單指數(shù)平滑法
的關(guān)系.......................................356
18.4 高級指數(shù)平滑法................................356
18.4.1 包含趨勢的序列........................356
18.4.2 包含趨勢和季節(jié)性效應(yīng)的
序列..........................................357
18.4.3 包含季節(jié)性效應(yīng)但不包含趨勢
的序列.......................................359
18.5 習(xí)題......................................................359
第Ⅶ部分 數(shù)據(jù)分析
第19 章 社交網(wǎng)絡(luò)分析...................................369
19.1 引言......................................................369
19.2 有向網(wǎng)絡(luò)與無向網(wǎng)絡(luò).......................370
19.3 社交網(wǎng)絡(luò)的可視化和分析...............371
19.3.1 網(wǎng)絡(luò)圖的布局............................372
19.3.2 邊表...........................................373
19.3.3 鄰接矩陣...................................373
19.3.4 在分類和預(yù)測中使用社交
網(wǎng)絡(luò)數(shù)據(jù)...................................374
19.4 社交網(wǎng)絡(luò)指標(biāo)和分類法...................374
19.4.1 節(jié)點級中心度指標(biāo).....................374
19.4.2 自我中心網(wǎng)絡(luò)............................375
19.4.3 社交網(wǎng)絡(luò)度量指標(biāo).....................376
19.5 在分類和預(yù)測中應(yīng)用網(wǎng)絡(luò)指標(biāo)......378
19.5.1 連接預(yù)測....................................378
19.5.2 個體解析....................................378
19.5.3 協(xié)同過濾....................................379
19.6 使用Python 收集社交網(wǎng)絡(luò)數(shù)據(jù).....381
19.7 社交網(wǎng)絡(luò)分析的優(yōu)缺點...................382
19.8 習(xí)題......................................................383
第20 章 文本挖掘............................................385
20.1 引言......................................................385
20.2 文本數(shù)據(jù)的表格表示法：項-文檔
矩陣和詞袋.........................................386
20.3 詞袋法與文檔級提取.......................387
20.4 預(yù)處理文本.........................................387
20.4.1 分詞...........................................388
20.4.2 文本壓縮....................................389
20.4.3 出現(xiàn)/不出現(xiàn)與詞頻....................391
20.4.4 詞頻-逆文本頻率(TF-IDF)..........391
20.4.5 從項到概念：隱性語義索引.......392
20.4.6 提取語義....................................393
20.5 數(shù)據(jù)挖掘方法的實現(xiàn).......................393
20.6 實例：關(guān)于汽車和電子產(chǎn)品的
在線討論.............................................393
20.6.1 導(dǎo)入記錄并為記錄貼上標(biāo)簽.......394
20.6.2 使用Python 程序?qū)ξ谋具M行
預(yù)處理.......................................394
20.6.3 生成概念矩陣............................395
20.6.4 擬合預(yù)測模型............................395
20.6.5 預(yù)測...........................................396
20.7 小結(jié)......................................................396
20.8 習(xí)題......................................................396
第Ⅷ部分 案例
第21 章 案例.....................................................401
21.1 查爾斯圖書俱樂部............................401
21.1.1 背景分析....................................401
21.1.2 查爾斯圖書俱樂部的數(shù)據(jù)庫
營銷手段...................................402
21.1.3 數(shù)據(jù)挖掘技術(shù)............................403
21.1.4 任務(wù)...........................................404
21.2 德國信用卡.........................................405
21.2.1 背景分析....................................405
21.2.2 數(shù)據(jù)..........................................405
21.2.3 任務(wù)..........................................408
21.3 Tayko 軟件銷售公司........................408
21.3.1 背景分析...................................408
21.3.2 郵件發(fā)送實驗............................409
21.3.3 數(shù)據(jù)..........................................409
21.3.4 任務(wù)..........................................410
21.4 政治游說.............................................410
21.4.1 背景分析...................................410
21.4.2 預(yù)測分析出現(xiàn)在美國總統(tǒng)
大選中....................................... 411
21.4.3 政治定位................................... 411
21.4.4 增益.......................................... 411
21.4.5 數(shù)據(jù)..........................................412
21.4.6 任務(wù)..........................................412
21.5 出租車取消問題................................413
21.5.1 背景分析...................................413
21.5.2 任務(wù)..........................................413
21.6 香皂用戶的細分................................413
21.6.1 背景分析...................................413
21.6.2 關(guān)鍵問題...................................414
21.6.3 數(shù)據(jù)..........................................414
21.6.4 測試品牌忠誠度........................415
21.6.5 任務(wù)..........................................415
21.7 直郵捐贈.............................................416
21.7.1 背景..........................................416
21.7.2 數(shù)據(jù)..........................................416
21.7.3 任務(wù)..........................................417
21.8 產(chǎn)品目錄交叉銷售...........................417
21.8.1 背景分析...................................417
21.8.2 任務(wù)..........................................418
21.9 預(yù)測公共交通需求...........................418
21.9.1 背景分析...................................418
21.9.2 問題描述...................................418
21.9.3 數(shù)據(jù)..........................................418
21.9.4 目標(biāo)..........................................419
21.9.5 任務(wù)..........................................419
21.9.6 提示和步驟................................419
附錄 Python 工具函數(shù).................................... 421