1 关联规则模型AssociationModel
1.1 关联规则基础知识
1.2 关联规则算法简介
1.3 关联规则模型元素AssociationModel
1.3.1 模型属性
1.3.2 模型子元素
1.3.3 评分应用过程
2 朴素贝叶斯模型NaiveBayesModel
2.1 朴素贝叶斯模型基础知识
2.1.1 全概率公式
2.1.2 贝叶斯定理
2.2 朴素贝叶斯算法简介
2.2.1 朴素贝叶斯算法
2.2.2 朴素贝叶斯模型参数估计
2.3 朴素贝叶斯模型元素NaiveBayesModel
2.3.1 模型属性
2.3.2 模型子元素
2.3.3 评分应用过程
3 贝叶斯网络模型BayesianNetworkModel
3.1 贝叶斯网络基础知识
3.2 贝叶斯网络算法简介
3.3 贝叶斯网络模型元素BayesianNetworkModel
3.3.1 模型属性
3.3.2 模型子元素
3.3.3 评分应用过程
4 基线模型BaselineModel
4.1 基线模型的基础知识
4.1.1 一般基线模型的概念
4.1.2 PMML规范中的基线模型
4.2 基线模型元素BaselineModel
4.2.1 模型属性
4.2.2 模型子元素
4.2.3 评分应用过程
5 聚类模型ClusteringModel
5.1 聚类模型的基础知识
5.2 聚类算法简介
5.2.1 硬聚类和软聚类
5.2.2 基于算法主要特征的划分
5.2.3 PMML规范中的聚类
5.3 聚类模型元素ClusteringModel
5.3.1 模型属性
5.3.2 模型子元素
5.3.3 评分应用过程
6 通用回归模型GeneralRegressionModel
6.1 通用回归模型基础知识
6.2 通用回归算法简介
6.2.1 一般线性回归模型GLM
6.2.2 广义线性回归GLZM
6.2.3 Cox回归
6.3 通用回归模型元素GeneralRegressionModel
6.3.1 模型属性
6.3.2 模型子元素
6.3.3 评分应用过程
7 回归模型RegressionModel
7.1 模型属性
7.2 模型子元素
7.3 评分应用过程
8 高斯过程模型GaussianProcessModel
8.1 高斯过程模型基础知识
8.2 高斯过程算法简介
8.3 高斯过程模型GaussianProcessModel
8.3.1 模型属性
8.3.2 模型元素
8.3.3 评分应用过程
9 最近邻模型NearestNeighborModel
9.1 KNN最近邻模型基础知识
9.2 KNN最近邻模型算法简介
9.3 最近邻模型NearestNeighborModel
9.3.1 模型属性
9.3.2 模型子元素
9.3.3 评分应用过程
附录

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最近邻模型九种模型的表达方式及构建知识。读者最好同时结合《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。