具体描述
大数据时代应用机器学习方法解决数据挖掘问题的实用指南。
洞察隐匿于大数据中的结构模式，有效指导数据挖掘实践和商业应用。
weka系统的主要开发者将丰富的研发、商业应用和教学实践的经验和技术融会贯通。
广泛覆盖在数据挖掘实践中采用的算法和机器学习技术，着眼于解决实际问题
避免过分要求理论基础和数学知识，重点在于告诉读者“如何去做”，同时包括许多算法、代码以及具体实例的实现。
将所有的概念都建立在具体实例的基础之上，促使读者首先考虑使用简单的技术。如果简单的技术不足以解决问题，再考虑提升到更为复杂的高级技术。
新版增加了大量近年来最新涌现的数据挖掘算法和诸如Web数据挖掘等新领域的介绍，所介绍的weka系统增加了50%的算法及大量新内容。
本书是机器学习和数据挖掘领域的经典畅销教材，被众多国外名校选为教材。书中详细介绍用于数据挖掘领域的机器学习技术和工具以及实践方法，并且提供了一个公开的数据挖掘工作平台Weka。本书主要内容包括：数据输入/输出、知识表示、数据挖掘技术（决策树、关联规则、基于实例的学习、线性模型、聚类、多实例学习等）以及在实践中的运用。本版对上一版内容进行了全面更新，以反映自第2版出版以来数据挖掘领域的技术变革和新方法，包括数据转换、集成学习、大规模数据集、多实例学习等，以及新版的Weka机器学习软件。
作者简介
Ian H.Witten 新西兰怀卡托大学计算机科学系教授，ACM Fellow和新西兰皇家学会Fellow，曾荣获2004年国际信息处理研究协会（IFIP）颁发的Namur奖项。他的研究兴趣包括语言学习、信息检索和机器学习。
Eibe Frank 新西兰怀卡托大学计算机科学系副教授，《Machine Learning Journal》和《Journal of Artificial Intelligence Research》编委。
Mark A.Hall 新西兰怀卡托大学名誉副研究员，曾获得2005年ACM SIGKDD服务奖。
目录信息
Data Mining：Practical Machine Learning Tools and Techniques，Third Edition
出版者的话
译者序
前言
致谢
第一部分 数据挖掘简介
第1章 绪论2
1.1 数据挖掘和机器学习2
1.1.1 描述结构模式3
1.1.2 机器学习5
1.1.3 数据挖掘6
1.2 简单的例子：天气问题和其他问题6
1.2.1 天气问题7
1.2.2 隐形眼镜：一个理想化的问题8
1.2.3 鸢尾花：一个经典的数值型数据集10
1.2.4 CPU性能：介绍数值预测11
1.2.5 劳资协商：一个更真实的例子11
1.2.6 大豆分类：一个经典的机器学习的成功例子13
1.3 应用领域14
1.3.1 Web挖掘15
1.3.2 包含评判的决策15
1.3.3 图像筛选16
1.3.4 负载预测17
1.3.5 诊断17
1.3.6 市场和销售18
1.3.7 其他应用19
1.4 机器学习和统计学20
1.5 将泛化看做搜索21
1.5.1 枚举概念空间22
1.5.2 偏差22
1.6 数据挖掘和道德24
1.6.1 再识别25
1.6.2 使用个人信息25
1.6.3 其他问题26
1.7 补充读物27
第2章 输入：概念、实例和属性29
2.1 概念29
2.2 样本31
2.2.1 关系32
2.2.2 其他实例类型34
2.3 属性35
2.4 输入准备37
2.4.1 数据收集37
2.4.2 ARFF格式38
2.4.3 稀疏数据40
2.4.4 属性类型40
2.4.5 缺失值41
2.4.6 不正确的值42
2.4.7 了解数据43
2.5 补充读物43
第3章 输出：知识表达44
3.1 表44
3.2 线性模型44
3.3 树45
3.4 规则48
3.4.1 分类规则49
3.4.2 关联规则52
3.4.3 包含例外的规则52
3.4.4 表达能力更强的规则54
3.5 基于实例的表达56
3.6 聚类58
3.7 补充读物60
第4章 算法：基本方法61
4.1 推断基本规则61
4.1.1 缺失值和数值属性62
4.1.2 讨论64
4.2 统计建模64
4.2.1 缺失值和数值属性67
4.2.2 用于文档分类的朴素贝叶斯68
4.2.3 讨论70
4.3 分治法：建立决策树70
4.3.1 计算信息量73
4.3.2 高度分支属性74
4.3.3 讨论75
4.4 覆盖算法：建立规则76
4.4.1 规则与树77
4.4.2 一个简单的覆盖算法77
4.4.3 规则与决策列表80
4.5 挖掘关联规则81
4.5.1 项集81
4.5.2 关联规则83
4.5.3 有效地生成规则85
4.5.4 讨论87
4.6 线性模型87
4.6.1 数值预测：线性回归87
4.6.2 线性分类：Logistic回归88
4.6.3 使用感知机的线性分类90
4.6.4 使用Winnow的线性分类91
4.7 基于实例的学习92
4.7.1 距离函数93
4.7.2 有效寻找最近邻93
4.7.3 讨论97
4.8 聚类97
4.8.1 基于距离的迭代聚类98
4.8.2 快速距离计算99
4.8.3 讨论100
4.9 多实例学习100
4.9.1 聚集输入100
4.9.2 聚集输出100
4.9.3 讨论101
4.10 补充读物101
4.11 Weka实现103
第5章 可信度：评估学习结果104
5.1 训练和测试104
5.2 预测性能106
5.3 交叉验证108
5.4 其他评估方法109
5.4.1 留一交叉验证109
5.4.2 自助法109
5.5 数据挖掘方法比较110
5.6 预测概率113
5.6.1 二次损失函数114
5.6.2 信息损失函数115
5.6.3 讨论115
5.7 计算成本116
5.7.1 成本敏感分类117
5.7.2 成本敏感学习118
5.7.3 提升图119
5.7.4 ROC曲线122
5.7.5 召回率-精确率曲线124
5.7.6 讨论124
5.7.7 成本曲线125
5.8 评估数值预测127
5.9 最小描述长度原理129
5.10 在聚类方法中应用MDL原理131
5.11 补充读物132
第二部分 高级数据挖掘
第6章 实现：真正的机器学习方案134
6.1 决策树135
6.1.1 数值属性135
6.1.2 缺失值136
6.1.3 剪枝137
6.1.4 估计误差率138
6.1.5 决策树归纳的复杂度140
6.1.6 从决策树到规则140
6.1.7 C4.5:选择和选项141
6.1.8 成本-复杂度剪枝141
6.1.9 讨论142
6.2 分类规则142
6.2.1 选择测试的标准143
6.2.2 缺失值和数值属性143
6.2.3 生成好的规则144
6.2.4 使用全局优化146
6.2.5 从局部决策树中获得规则146
6.2.6 包含例外的规则149
6.2.7 讨论151
6.3 关联规则152
6.3.1 建立频繁模式树152
6.3.2 寻找大项集157
6.3.3 讨论157
6.4 扩展线性模型158
6.4.1 最大间隔超平面159
6.4.2 非线性类边界160
6.4.3 支持向量回归161
6.4.4 核岭回归163
6.4.5 核感知机164
6.4.6 多层感知机165
6.4.7 径向基函数网络171
6.4.8 随机梯度下降172
6.4.9 讨论173
6.5 基于实例的学习174
6.5.1 减少样本集的数量174
6.5.2 对噪声样本集剪枝174
6.5.3 属性加权175
6.5.4 泛化样本集176
6.5.5 用于泛化样本集的距离函数176
6.5.6 泛化的距离函数177
6.5.7 讨论178
6.6 局部线性模型用于数值预测178
6.6.1 模型树179
6.6.2 构建树179
6.6.3 对树剪枝180
6.6.4 名目属性180
6.6.5 缺失值181
6.6.6 模型树归纳的伪代码181
6.6.7 从模型树到规则184
6.6.8 局部加权线性回归184
6.6.9 讨论185
6.7 贝叶斯网络186
6.7.1 预测186
6.7.2 学习贝叶斯网络189
6.7.3 算法细节190
6.7.4 用于快速学习的数据结构192
6.7.5 讨论194
6.8 聚类194
6.8.1 选择聚类的个数195
6.8.2 层次聚类195
6.8.3 层次聚类的例子196
6.8.4 增量聚类199
6.8.5 分类效用203
6.8.6 基于概率的聚类204
6.8.7 EM算法205
6.8.8 扩展混合模型206
6.8.9 贝叶斯聚类207
6.8.10 讨论209
6.9 半监督学习210
6.9.1 用于分类的聚类210
6.9.2 协同训练212
6.9.3 EM和协同训练212
6.9.4 讨论213
6.10 多实例学习213
6.10.1 转换为单实例学习213
6.10.2 升级学习算法215
6.10.3 专用多实例方法215
6.10.4 讨论216
6.11 Weka实现216
第7章 数据转换218
7.1 属性选择219
7.1.1 独立于方案的选择220
7.1.2 搜索属性空间222
7.1.3 具体方案相关的选择223
7.2 离散化数值属性225
7.2.1 无监督离散化226
7.2.2 基于熵的离散化226
7.2.3 其他离散化方法229
7.2.4 基于熵的离散化与基于误差的离散化229
7.2.5 离散属性转换成数值属性230
7.3 投影230
7.3.1 主成分分析231
7.3.2 随机投影233
7.3.3 偏最小二乘回归233
7.3.4 从文本到属性向量235
7.3.5 时间序列236
7.4 抽样236
7.5 数据清洗237
7.5.1 改进决策树237
7.5.2 稳健回归238
7.5.3 检测异常239
7.5.4 一分类学习239
7.6 多分类问题转换成二分类问题242
7.6.1 简单方法242
7.6.2 误差校正输出编码243
7.6.3 集成嵌套二分法244
7.7 校准类概率246
7.8 补充读物247
7.9 Weka实现249
第8章 集成学习250
8.1 组合多种模型250
8.2 装袋251
8.2.1 偏差-方差分解251
8.2.2 考虑成本的装袋253
8.3 随机化253
8.3.1 随机化与装袋254
8.3.2 旋转森林254
8.4 提升255
8.4.1 AdaBoost算法255
8.4.2 提升算法的威力257
8.5 累加回归258
8.5.1 数值预测258
8.5.2 累加Logistic回归259
8.6 可解释的集成器260
8.6.1 选择树260
8.6.2 Logistic模型树262
8.7 堆栈262
8.8 补充读物264
8.9 Weka实现265
第9章 继续：扩展和应用266
9.1 应用数据挖掘266
9.2 从大型的数据集里学习268
9.3 数据流学习270
9.4 融合领域知识272
9.5 文本挖掘273
9.6 Web挖掘276
9.7 对抗情形278
9.8 无处不在的数据挖掘280
9.9 补充读物281
第三部分 Weka数据挖掘平台
第10章 Weka简介284
10.1 Weka中包含了什么284
10.2 如何使用Weka285
10.3 Weka的其他应用286
10.4 如何得到Weka286
第11章 Explorer界面287
11.1 开始287
11.1.1 准备数据287
11.1.2 将数据载入Explorer288
11.1.3 建立决策树289
11.1.4 查看结果290
11.1.5 重做一遍292
11.1.6 运用模型292
11.1.7 运行错误的处理294
11.2 探索Explorer294
11.2.1 载入及过滤文件294
11.2.2 训练和测试学习方案299
11.2.3 自己动手：用户分类器301
11.2.4 使用元学习器304
11.2.5 聚类和关联规则305
11.2.6 属性选择306
11.2.7 可视化306
11.3 过滤算法307
11.3.1 无监督属性过滤器307
11.3.2 无监督实例过滤器312
11.3.3 有监督过滤器314
11.4 学习算法316
11.4.1 贝叶斯分类器317
11.4.2 树320
11.4.3 规则322
11.4.4 函数325
11.4.5 神经网络331
11.4.6 懒惰分类器334
11.4.7 多实例分类器335
11.4.8 杂项分类器336
11.5 元学习算法336
11.5.1 装袋和随机化337
11.5.2 提升338
11.5.3 组合分类器338
11.5.4 成本敏感学习339
11.5.5 优化性能339
11.5.6 针对不同任务重新调整分类器340
11.6 聚类算法340
11.7 关联规则学习器345
11.8 属性选择346
11.8.1 属性子集评估器347
11.8.2 单一属性评估器347
11.8.3 搜索方法348
第12章 Knowledge Flow界面351
12.1 开始351
12.2 Knowledge Flow组件353
12.3 配置及连接组件354
12.4 增量学习356
第13章 Experimenter界面358
13.1 开始358
13.1.1 运行一个实验358
13.1.2 分析结果359
13.2 简单设置362
13.3 高级设置363
13.4 分析面板365
13.5 将运行负荷分布到多个机器上366
第14章 命令行界面368
14.1 开始368
14.2 Weka的结构368
14.2.1 类、实例和包368
14.2.2 weka.core包370
14.2.3 weka.classifiers包371
14.2.4 其他包372
14.2.5 Javadoc索引373
14.3 命令行选项373
14.3.1 通用选项374
14.3.2 与具体方案相关的选项375
第15章 嵌入式机器学习376
15.1 一个简单的数据挖掘应用376
15.1.1 MessageClassifier（）380
15.1.2 updateData（）380
15.1.3 classifyMessage（）381
第16章 编写新的学习方案382
16.1 一个分类器范例382
16.1.1 buildClassifier（）389
16.1.2 makeTree（）389
16.1.3 computeInfoGain（）390
16.1.4 classifyInstance（）390
16.1.5 toSource（）391
16.1.6 main（）394
16.2 与实现分类器有关的惯例395
第17章 Weka Explorer的辅导练习397
17.1 Explorer界面简介397
17.1.1 导入数据集397
17.1.2 数据集编辑器397
17.1.3 应用过滤器398
17.1.4 可视化面板399
17.1.5 分类器面板399
17.2 最近邻学习和决策树402
17.2.1 玻璃数据集402
17.2.2 属性选择403
17.2.3 类噪声以及最近邻学习403
17.2.4 改变训练数据的数量404
17.2.5 交互式建立决策树405
17.3 分类边界406
17.3.1 可视化1R406
17.3.2 可视化最近邻学习407
17.3.3 可视化朴素贝叶斯407
17.3.4 可视化决策树和规则集407
17.3.5 弄乱数据408
17.4 预处理以及参数调整408
17.4.1 离散化408
17.4.2 离散化的更多方面408
17.4.3 自动属性选择409
17.4.4 自动属性选择的更多方面410
17.4.5 自动参数调整410
17.5 文档分类411
17.5.1 包含字符串属性的数据411
17.5.2 实际文档文类412
17.5.3 探索StringToWordVector过滤器413
17.6 挖掘关联规则413
17.6.1 关联规则挖掘413
17.6.2 挖掘一个真实的数据集415
17.6.3 购物篮分析415
参考文献416
索引431
· · · · · · (收起)
读后感
断断续续做了8年股市，从爬数据，到做数据挖掘框架，趴了好多书。 一晃8年，从20多岁的青葱年代到不敢多念想的奔四岁月。 时间从挥霍到点滴的珍惜，不知道还能坚持多久。 最近结合weka搭建一个自适应的机器学习引擎。 希望能有所突破。自己选择没有后悔， 只有孤注一掷的往...
评分我觉得，可以当作weka的使用手册来看，但是比weka自带的指南写的好看。 算法部分的介绍很详细。
评分断断续续做了8年股市，从爬数据，到做数据挖掘框架，趴了好多书。 一晃8年，从20多岁的青葱年代到不敢多念想的奔四岁月。 时间从挥霍到点滴的珍惜，不知道还能坚持多久。 最近结合weka搭建一个自适应的机器学习引擎。 希望能有所突破。自己选择没有后悔， 只有孤注一掷的往...
评分作者不是Jiawei Han好嘛. 没读过写什么书评! 作者是怀卡托大学的Ian和Eibe, Weka的发明人. 没看过别瞎BB. 豆瓣写错author你们就顺杆爬有意思么...............................................................................................................................
评分这本dm的书啃完了，觉得有点这个书有点“偏见”，怎么理解呢 前面的东西不错哦，可是后半部分的Weka平台我个人觉得翻翻就行了，要学还不如看看spss的书呢，前面关于机器模型的建立的数学基础要求的不是很高，所以很适合一般没有学过随机过程的人看看，要是数学很牛的人，可以看...
用户评价
从装帧和排版来看，这本书也体现了出版方对读者的尊重。虽然内容专业且篇幅巨大，但纸张的质量和印刷的清晰度都非常出色，长时间阅读眼睛也不会感到特别疲劳。更重要的是，那些复杂的图表——无论是混淆矩阵的可视化，还是模型复杂度与误差率的曲线图——都处理得干净利落，关键信息一目了然。要知道，在数据挖掘领域，好的可视化往往是理解复杂概念的关键。对于一本需要经常翻阅查阅的工具书而言，这种对细节的打磨是至关重要的。它不光是一本可以快速学习的教材，更是一本可以长期放在案头，随时翻阅参考的“工具箱”，体现了出版上对专业读者的诚意。
评分说实话，这本书的实战性是让我最佩服的一点。很多理论性的书籍读完后，你还是不知道该怎么上手去解决一个实际问题，但这本书不一样。它似乎非常清楚读者在实际工作中会遇到哪些“坑”，然后提前给你铺设好避雷区。书里大量的代码示例和配套的练习题，都不是那种为了展示算法而写的玩具代码，而是贴近真实业务场景的片段。我记得有一次我在处理一个电商的用户流失预测问题时，陷入了瓶颈，是书中提到的一种处理高度不平衡数据集的方法给了我灵感，让我成功优化了模型的AUC值。这种“学完就能用”的感觉，在技术书籍里是非常难得的。它不像一本冰冷的说明书，更像一位经验丰富的前辈，在你迷茫时，递过来一张清晰的路线图，告诉你：“试试这条路，成功率比较高。”
评分我个人非常欣赏作者在组织内容时所体现出来的逻辑性和层次感。这本书的结构设计得极为精妙，它并非简单地堆砌知识点，而是遵循着一个完整的数据挖掘流程来展开叙述的。从初始的数据探索和清理，到模型选择和训练，再到最后的性能评估和模型部署，每一步都衔接得天衣无缝。这种结构化的叙述方式，极大地降低了学习的认知负荷。我感觉自己不是在“啃”书，而是在跟着一个项目流程走。即便是那些相对晦涩的统计学基础，也被巧妙地融入到需要这些基础的算法讲解之前，确保读者在需要知识点时，恰好能回顾到或者学到它。对于想要系统构建知识框架的读者来说，这种循序渐进的编排简直是福音。
评分这本厚厚的书简直就是数据科学的“武功秘籍”，内容详实得让人惊叹。我记得刚拿到手的时候，光是翻目录就花了半个小时，密密麻麻的章节标题，从最基础的数据预处理到高深的集成学习，简直是把整个领域的知识体系都给勾勒出来了。书中对每一个算法的讲解都深入浅出，不像有些教科书那样只停留在数学公式上，它会告诉你这个算法背后的直觉是什么，什么时候该用，什么时候可能效果不佳。特别是关于特征工程那几章，作者简直是手把手地教你如何把原始数据这块顽石雕琢成能发光的金子，各种实战技巧的分享，让我这个刚入行的新人茅塞顿开。读完后感觉自己像是从一个只会用工具箱里几个榔头的学徒，变成了能用上全套精密仪器的工匠，对数据背后隐藏的故事有了更深刻的洞察力。光是那几个关于文本挖掘的案例分析，就足够我回去反复琢磨好一阵子了。
评分这本书的魅力还在于它对各种主流算法的包容性和批判性思维的培养。它不像某些书籍那样，只推崇某一种“银弹”式的万能模型。相反，作者非常客观地分析了决策树、支持向量机、神经网络等不同家族算法的优缺点、适用场景以及内在的局限性。阅读过程中，我明显感觉到自己的思维开阔了许多，不再是只会套用那个自己最熟悉的模型。比如，书中对“过拟合”和“欠拟合”的阐述，不仅告诉你这是什么，更重要的是，它提供了多维度的解决方案，并对比了每种方案的优劣权衡。这种鼓励读者独立思考、避免盲目跟风的态度，比单纯的技术介绍更有价值，它教会的，是成为一个“思考者”，而不仅仅是一个“执行者”。
评分密集文本加上翻译导致阅读体验较差 后面很大部分在介绍一个叫weka的数据挖掘平台 对程序员来说用处不大
评分进阶版数据与机器学习
评分进阶版数据与机器学习
评分密集文本加上翻译导致阅读体验较差 后面很大部分在介绍一个叫weka的数据挖掘平台 对程序员来说用处不大
评分密集文本加上翻译导致阅读体验较差 后面很大部分在介绍一个叫weka的数据挖掘平台 对程序员来说用处不大
