随着大数据和人工智能技术的发展，各行各业积累的数据越来越丰富，如何从这些数据中挖掘出有价值的信息，助力科学、合理的决策变得日益重要。数据挖掘技术可以从大量异构、随机数据中提取有用的信息和知识，已经广泛应用于工作和生活的各个领域。本书基于作者长期从事数据挖掘科研、工程和教学工作的经验编写而成，通过案例牵引，帮助读者掌握常用的数据挖掘算法、模型和技术，并解决常见的数据挖掘实际问题。
本书特点：
以实践为目标，系统介绍数据挖掘的流程，并给出代码实现。内容涵盖数据清洗、数据转换、数据降维、回归分析、聚类、神经网络分类等常用的数据挖掘技术和方法，使读者能够利用Python编程来解决基本的数据挖掘问题。
本书提供了丰富的案例，规模由小到大，帮助读者循序渐进地掌握各类数据挖掘模型和算法。掌握这些案例后，读者可以举一反三，进一步解决更复杂、更大规模的问题。
作者在中国大学MOOC上开设了“数据挖掘”MOOC课程（https://www.icourse163.org/course/NUDT-1461782176），并在头歌平台上开设了“数据挖掘”实验课程（https://www.educoder.net/paths/4153），读者可通过在线视频课程的学习、作业训练与编程实践加深对数据挖掘知识点的理解，提高运用能力。

数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。

目　　录<br />前言<br />第1章　绪论　　1<br />1.1　数据挖掘技术的由来　　1<br />1.2　数据挖掘的分类　　2<br />1.2.1　关联规则挖掘　　2<br />1.2.2　监督式机器学习　　3<br />1.2.3　非监督式机器学习　　4<br />1.3　Python的安装步骤　　5<br />1.3.1　Python环境的配置　　5<br />1.3.2　PyCharm的安装　　7<br />1.4　常见的数据集　　10<br />1.4.1　鸢尾花数据集　　10<br />1.4.2　员工离职预测数据集　　11<br />1.4.3　泰坦尼克号灾难预测数据集　　12<br />1.4.4　PM2.5空气质量预测数据集　　13<br />1.5　本章小结　　13<br />第2章　分类　　14<br />2.1　分类的概念　　14<br />2.2　分类中的训练集与测试集　　14<br />2.3　分类的过程及验证方法　　15<br />2.3.1　准确率　　15<br />2.3.2　k折交叉验证　　16<br />2.4　贝叶斯分类的编程实践　　17<br />2.4.1　鸢尾花数据集的贝叶斯分类　　17<br />2.4.2　基于贝叶斯分类的员工离职<br />预测　　17<br />2.5　本章小结　　19<br />第3章　数据的特征选择　　20<br />3.1　直方图　　20<br />3.1.1　直方图可视化　　20<br />3.1.2　直方图特征选择　　23<br />3.2　直方图与柱状图的差异　　24<br />3.3　特征选择实践　　26<br />3.4　本章小结　　29<br />第4章　数据预处理之数据清洗　　30<br />4.1　案例概述　　30<br />4.2　缺失值处理　　31<br />4.2.1　缺失值处理概述　　31<br />4.2.2　缺失值处理实例　　32<br />4.3　噪声数据处理　　32<br />4.3.1　正态分布噪声数据检测　　32<br />4.3.2　用箱线图检测噪声数据　　34<br />4.4　数据预处理案例实践　　35<br />4.4.1　问题　　35<br />4.4.2　解决方法　　35<br />4.4.3　实践结论　　37<br />4.5　本章小结　　38<br />第5章　数据预处理之转换　　39<br />5.1　数据的数值化处理　　39<br />5.1.1　顺序编码　　39<br />5.1.2　二进制编码　　40<br />5.2　数据规范化　　42<br />5.2.1　最小–优选规范化　　42<br />5.2.2　z分数规范化　　43<br />5.2.3　小数定标规范化　　43<br />5.3　本章小结　　43<br />第6章　数据预处理之数据降维　　44<br />6.1　散点图可视化分析　　44<br />6.2　主成分分析　　46<br />6.3　本章小结　　49<br />第7章　不平衡数据分类　　50<br />7.1　不平衡数据分类问题的特征　　50<br />7.1.1　数据稀缺问题　　50<br />7.1.2　噪声问题　　51<br />7.1.3　决策面偏移问题　　51<br />7.1.4　评价标准问题　　51<br />7.2　重采样方法　　51<br />7.2.1　上采样　　52<br />7.2.2　对上采样方法的改进　　53<br />7.2.3　下采样　　58<br />7.2.4　对下采样方法的改进　　60<br />7.2.5　不平衡问题的其他处理方式　　65<br />7.3　不平衡数据分类实践　　65<br />7.4　本章小结　　66<br />第8章　回归分析　　67<br />8.1　线性回归　　67<br />8.1.1　一元线性回归　　67<br />8.1.2　多元线性回归　　69<br />8.2　回归分析检测　　71<br />8.2.1　正态分布可能性检测　　71<br />8.2.2　线性分布可能性检测　　72<br />8.2.3　log转换后的分布　　73<br />8.3　回归预测案例实践　　74<br />8.3.1　案例背景　　74<br />8.3.2　代码实现　　74<br />8.4　本章小结　　82<br />第9章　聚类分析　　83<br />9.1　k均值聚类　　83<br />9.1.1　算法的步骤　　83<br />9.1.2　代码实现　　83<br />9.2　层次聚类　　84<br />9.2.1　算法的步骤　　84<br />9.2.2　代码实现　　85<br />9.3　密度聚类　　85<br />9.3.1　算法的步骤　　85<br />9.3.2　代码实现　　86<br />9.4　本章小结　　88<br />第10章　关联分析　　90<br />10.1　Apriori算法　　90<br />10.2　关联分析案例实践　　92<br />10.2.1　案例背景　　92<br />10.2.2　案例的数据集　　93<br />10.2.3　代码实现　　93<br />10.2.4　运行结果　　93<br />10.3　提升Apriori算法性能的方法　　95<br />10.4　本章小结　　95<br />第11章　KNN分类　　96<br />11.1　KNN算法的步骤　　96<br />11.2　KNeighborsClassifier函数　　97<br />11.3　KNN的代码实现　　98<br />11.4　结果分析　　98<br />11.5　KNN案例实践　　99<br />11.5.1　案例分析　　99<br />11.5.2　案例实现　　100<br />11.5.3　运行结果　　103<br />11.6　本章小结　　104<br />第12章　支持向量机　　105<br />12.1　支持向量机的可视化分析　　105<br />12.2　SVM的代码实现　　108<br />12.2.1　鸢尾花数据分类　　108<br />12.2.2　新闻文本数据分类　　110<br />12.3　本章小结　　111<br />第13章　神经网络分类　　112<br />13.1　多层人工神经网络　　112<br />13.2　多层人工神经网络的代码实现　　113<br />13.3　神经网络分类案例实践　　114<br />13.3.1　案例背景　　114<br />13.3.2　数据说明　　114<br />13.3.3　代码实现　　115<br />13.4　本章小结　　120<br />第14章　集成学习　　121<br />14.1　Bagging方法　　121<br />14.2　随机森林　　123<br />14.3　Adaboost　　125<br />14.4　GBDT　　127<br />14.4.1　GradientBoostingClassifier<br />函数　　130<br />14.4.2　GradientBoostingRegressor<br />函数　　130<br />14.5　XGBoost　　131<br />14.5.1　XGBClassifier函数　　131<br />14.5.2　XGBRegressor函数　　131<br />14.6　房价预测案例实践　　132<br />14.7　点击欺骗预测案例实践　　136<br />14.7.1　案例背景　　136<br />14.7.2　数据分析　　136<br />14.7.3　模型优化　　141<br />14.8　本章小结　　142<br />第15章　综合案例实践　　143<br />15.1　员工离职预测综合案例　　143<br />15.1.1　数据总览　　143<br />15.1.2　数据预处理　　144<br />15.1.3　模型构建与比较　　147<br />15.2　二手车交易价格预测综合<br />案例　　148<br />15.2.1　数据集简介　　148<br />15.2.2　数据总览　　149<br />15.2.3　数据预处理　　150<br />15.2.4　查看变量分布　　151<br />15.2.5　查看变量间的关系　　154<br />15.2.6　查看变量间的分布关系　　157<br />15.2.7　分析汽车注册月份与价格的<br />关系　　157<br />15.2.8　特征工程　　158<br />15.2.9　模型构建与训练　　160<br />15.3　信息抽取综合案例　　161<br />15.3.1　案例背景　　161<br />15.3.2　数据集简介　　165<br />15.3.3　模型的构建与训练　　165<br />15.3.4　模型评价　　168<br />15.4　学术网络节点分类　　169<br />15.4.1　数据集简介　　169<br />15.4.2　数据总览　　170<br />15.4.3　模型构建　　171<br />15.4.4　配置参数　　172<br />15.4.5　训练数据　　173<br />15.4.6　模型评价　　174