商务数据挖掘与应用案例分析PDF|Epub|txt|kindle电子书版本网盘下载

商务数据挖掘与应用案例分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

上篇 认识篇1

第1章 绪论1

1.1引例1

1.2数据挖掘产生的背景及概念3

1.2.1数据挖掘产生的背景3

1.2.2数据挖掘概念4

1.3数据挖掘任务及过程5

1.3.1数据挖掘任务5

1.3.2数据挖掘过程5

1.4数据挖掘常用软件简介6

1.5数据挖掘在商业领域中的应用7

1.5.1市场营销8

1.5.2交叉销售与交叉营销9

1.5.3客户关系管理10

1.5.4个性化推荐与个性化服务11

1.5.5风险分析与控制12

1.5.6欺诈行为检测和异常模式的发现13

1.5.7供应链库存管理中的需求预测14

1.5.8人力资源管理15

1.6数据挖掘技术的前景16

1.7本章小结17

第2章 数据挖掘建模方法19

2.1概述19

2.2业务理解22

2.3数据理解22

2.4数据准备23

2.5建模25

2.5.1成功建立预测模型的注意要点25

2.5.2如何建立有效的预测模型27

2.6评估29

2.7部署30

2.8本章小结30

中篇 技术篇33

第3章 聚类分析33

3.1概述33

3.2相似性度量34

3.2.1数据及数据类型34

3.2.2属性之间的相似性度量35

3.2.3对象之间的相似性度量37

3.3 k-means算法及其改进39

3.3.1 k-means算法39

3.3.2 k-means聚类算法的改进41

3.4一趟聚类算法46

3.4.1算法描述46

3.4.2聚类阈值的选择策略47

3.5层次聚类算法48

3.5.1概述48

3.5.2 BIRCH算法49

3.5.3两步聚类算法51

3.6 SOM算法53

3.6.1 SOM算法中网络的拓扑结构53

3.6.2 SOM算法的聚类原理54

3.7聚类算法评价56

3.7.1监督度量56

3.7.2非监督度量57

3.8综合例子57

3.9本章小结59

第4章 分类62

4.1概述63

4.2决策树分类方法63

4.2.1决策树的基本概念63

4.2.2决策树的构建65

4.2.3 Hunt算法69

4.2.4 C4.5分类算法70

4.2.5 CART算法72

4.2.6 C4.5与CART算法的区别79

4.2.7决策树分类算法的优点79

4.3朴素贝叶斯分类方法79

4.3.1朴素贝叶斯算法的相关概念79

4.3.2零条件概率问题的处理80

4.3.3朴素贝叶斯算法的优缺点81

4.4最近邻KNN分类方法82

4.4.1最近邻分类的基本概念83

4.4.2 KNN算法优缺点83

4.4.3 KNN的扩展83

4.5集成分类器84

4.5.1集成分类器的过程描述84

4.5.2构建集成分类器的方法85

4.5.3集成分类器方法优缺点85

4.6分类方法评价85

4.7综合例子87

4.8本章小结88

第5章 关联规则分析90

5.1概述90

5.2关联规则分析基础91

5.2.1基本概念91

5.2.2基础分析方法92

5.3 Apriori算法94

5.3.1 Apriori性质94

5.3.2 Apriori算法原理94

5.3.3 Apriori算法演示示例95

5.3.4 Apriori算法评价96

5.4 CARMA算法97

5.4.1 Phase Ⅰ阶段97

5.4.2 Phase Ⅱ阶段100

5.5产生关联规则101

5.5.1一般关联规则的产生101

5.5.2 Apriori算法关联规则的产生101

5.5.3规则的评估标准103

5.6关联规则扩展104

5.6.1多层次关联规则104

5.6.2多维度关联规则105

5.6.3定量关联规则105

5.6.4基于约束的关联规则105

5.6.5序列模式挖掘106

5.7综合例子106

5.7.1概述106

5.7.2案例分析流程107

5.8本章小结110

第6章 离群点检测113

6.1概述113

6.2基于相对密度的离群点检测方法115

6.3基于聚类的离群点检测方法119

6.3.1基于对象的离群因子方法120

6.3.2基于簇的离群因子检测方法122

6.3.3基于聚类的动态数据离群点检测124

6.4离群点检测方法的评估124

6.5本章小结125

第7章 回归分析126

7.1概述126

7.2线性回归模型127

7.2.1多元线性回归模型的表示127

7.2.2多元线性回归模型的检验128

7.3非线性回归130

7.4逻辑回归134

7.4.1二元Logistic回归模型134

7.4.2 Logistic回归模型的系数估计134

7.4.3 Logistic回归模型系数的解释135

7.4.4显著性检验136

7.4.5回归方程的拟合优度检验137

7.5本章小结141

第8章 为挖掘准备数据144

8.1数据统计特性145

8.1.1频率和众数145

8.1.2百分位数145

8.1.3中心度量145

8.1.4散布程度度量146

8.2数据预处理146

8.2.1数据清理147

8.2.2数据集成150

8.2.3数据变换150

8.2.4数据归约154

8.3本章小结155

下篇 案例篇157

第9章 Clementine使用简介157

9.1 Clementine概述157

9.2 Clementine数据流操作158

9.2.1生成数据流的基本过程158

9.2.2节点操作159

9.2.3数据流的其他管理160

9.3输入、输出节点介绍162

9.3.1数据源节点162

9.3.2类型节点166

9.3.3表节点167

9.3.4数据导出节点168

9.4数据预处理节点介绍168

9.4.1过滤节点169

9.4.2选择节点169

9.4.3抽样节点170

9.4.4平衡节点170

9.4.5排序节点171

9.4.6分区节点171

9.4.7导出节点172

9.4.8分箱节点174

9.4.9特征选择节点176

9.4.10数据审核节点177

9.4.11直方图节点178

9.4.12分布图节点178

9.4.13 Web节点179

9.5聚类节点介绍180

9.5.1 K-Means节点180

9.5.2 Kohonen节点182

9.5.3 TwoStep节点184

9.5.4 Anomaly节点184

9.6分类节点介绍186

9.6.1 C5.0节点186

9.6.2 C＆R Tree节点188

9.6.3 BayesNet节点190

9.6.4二元分类器节点192

9.6.5 Ensemble节点194

9.6.6分析节点195

9.6.7评估节点196

9.7关联分析节点介绍200

9.7.1 Apriori节点200

9.7.2 CARMA节点202

9.7.3 Sequence节点203

9.8回归分析节点介绍205

9.8.1线性回归节点205

9.8.2逻辑回归节点206

9.9 RFM分析节点介绍207

9.9.1 RFM汇总节点207

9.9.2 RFM分析节点208

9.10本章小结210

第10章 数据挖掘在电信业中的应用211

10.1数据挖掘在电信业的应用概述211

10.1.1客户细分212

10.1.2客户流失预测分析212

10.1.3客户社会关系挖掘213

10.1.4业务交叉销售214

10.1.5欺诈客户识别214

10.2案例10-1：客户通话模式分析215

10.2.1商业理解215

10.2.2数据理解阶段215

10.2.3数据准备阶段217

10.2.4建模阶段218

10.3案例10-2：客户细分与流失分析223

10.3.1商业理解223

10.3.2数据理解阶段224

10.3.3数据准备阶段225

10.3.4建模阶段226

10.3.5评估阶段230

10.4案例10-3：移动业务关联分析232

10.4.1商业理解232

10.4.2数据理解阶段232

10.4.3数据准备阶段233

10.4.4建模阶段235

10.4.5模型评估238

10.4.6部署阶段239

10.5本章小结240

第11章 数据挖掘在银行业中的应用241

11.1数据挖掘在银行业中的应用概述241

11.2案例11-1：信用风险分析243

11.2.1商业理解243

11.2.2数据理解243

11.2.3数据准备阶段245

11.2.4数据建模246

11.2.5模型评估247

11.2.6模型部署248

11.3本章小结249

第12章 数据挖掘在目录营销中的应用250

12.1应用概述250

12.1.1 RFM分析的基本原理251

12.1.2 RFM模型的应用场景254

12.2案例12-1：Charles读书俱乐部目录销售254

12.2.1商业理解255

12.2.2数据理解阶段255

12.2.3数据准备阶段256

12.2.4建模阶段257

12.2.5评估阶段260

12.2.6部署阶段260

12.3案例12-2：旅游公司的目录销售260

12.3.1商业理解260

12.3.2数据理解阶段261

12.3.3数据准备阶段261

12.3.4建模阶段261

12.3.5部署阶段263

12.4本章小结264

第13章 数据挖掘在零售业中的应用265

13.1数据挖掘在零售业中的应用概述265

13.2案例13-1：关联分析在超市购物篮分析中的应用267

13.2.1商业理解267

13.2.2数据理解267

13.2.3数据准备268

13.2.4建立模型268

13.2.5模型评估和应用271

13.2.6节假日和工作日的比较分析272

13.3案例13-2：超市工作时间与人员配置分析272

13.3.1商业理解272

13.3.2数据理解与准备273

13.3.3建立模型273

13.3.4模型评估与部署273

13.3.5不同时段的商品销售规律274

13.3.6时段与商品的销售规律274

13.4本章小结275

第14章 数据挖掘在上市公司财务风险预警分析中的应用276

14.1数据挖掘在上市公司财务风险预警分析中的应用概述276

14.2案例14-1：上市公司财务报表舞弊识别278

14.2.1商业理解278

14.2.2数据理解与数据准备278

14.2.3模型建立与评估279

14.3案例14-2：上市公司财务困境预警279

14.3.1商业理解阶段280

14.3.2数据理解阶段280

14.3.3数据准备阶段281

14.3.4建模阶段282

14.3.5部署实施283

14.4本章小结283

第15章 数据挖掘在电子商务中的应用284

15.1数据挖掘在电子商务中的应用概述284

15.2主要应用领域285

15.2.1网络客户关系管理285

15.2.2网站设计优化286

15.2.3推荐系统287

15.3案例15-1：基于关联分析的淘宝网推荐289

15.3.1商业理解阶段289

15.3.2数据理解阶段289

15.3.3数据准备阶段290

15.3.4数据建模291

15.3.5模型评估291

15.3.6部署阶段292

15.4案例15-2：协同过滤技术在电影推荐上的简单应用292

15.4.1协同过滤推荐简述292

15.4.2商业理解阶段293

15.4.3数据的理解、收集及准备293

15.4.4建模阶段294

15.4.5模型评估和部署295

15.5本章小结295

附录A 数据挖掘常用资源列表296

参考文献298