数据挖掘导论,翻译PPT,第二部分教程文件.ppt

数据挖掘教程第二部分 核心课题;数据挖掘提纲;分类;分类问题;分类举例;等级分类;字母识别;分类方法;分类中的问题;身高数据例子;分类表现;混淆矩阵例子;OC 曲线;回归;线性拟合误差;回归用于分类;分割;预测;基于距离法的分类;K最近邻 (KNN):;KNN;KNN 算法;基于决策树的算法;决策树;DT 算法;决策树划分区域 ;决策树对比;决策树的问题;决策树往往基于信息论构建So ;信息;信息/熵;熵;ID3;ID3 例子;C4.5;CART;CART 例子;基于神经网络的算法;神经网络分类需要考虑的问题 ;决策树和神经网络对比;传播;NN 传播算法;传播例子;神经网络有指导学习;神经网络的有指导学习;有指导学习;NN 反向传播;反向传播;反向传播算法;梯度下降;梯度下降算法;输出层学习;隐藏层学习;径向基函数网络;径向基函数网络;感知器;感知器例子;基于规则的分类算法;从决策树生成规则;例子;从神经网络生成规则;1R 算法;1R 例子;PRISM 算法;PRISM 例子;决策树 vs. 规则 ;聚类;聚类例子;聚类举例;住房聚类;分类 vs聚类;聚类问题;异常点;聚类问题;聚类方法分类 ;聚类算法的分类;相似性和距离度量;簇之间距离;层次算法;谱系图;5个聚类层次;凝聚例子;最小生成树;凝聚算法;单连接技术;最小生成树单连接算法;谱系图;划分算法;划分算法;最小生成树;平方误差度量;平方误差聚类算法;K-均值聚类;K-均值聚类例子;K-均值聚类算法;最近邻算法;最近邻算法;PAM;PAM;PAM 距离代价计算;PAM 算法;（结合能量算法）BEA;BEA;遗传算法例子;遗传算法;大型数据库聚类;面向大型数据库的算法;BIRCH;聚类特征;BIRCH Algorithm;BIRCH算法概括;DBSCAN;DBSCAN 直接密度可达;例子;DBSCAN 算法;CURE;CURE 例子;CURE 算法;CURE 算法概括;聚类技术对比;关联规则;例子：超市数据;关联规则定义;关联规则例子;相关的定义;例子（续）;关联规则问题;关联规则技术;关联规则算法;Apriori算法;大项目集的性质;Apriori 例子（续）;Apriori 算法;Apriori-Gen算法;例;例（续）;Apriori 优缺点;抽样算法;负边界函数例子;抽样算法;抽样例子;抽样算法的优缺点;划分;划分算法;划分算法例子;划分算法优缺点;数据并行; (CDA);CDA Example;(DDA);DDA Example;方法比较;关联规则算法比较;哈希树;增量规则;关联规则概要;高级关联??则技术;度量规则的质量