为你推荐
内容提要
作译者简介
译者简介
译者序
前 言
第1章 数据挖掘简介及本书使用方法
欢迎来到21世纪
并不只是对象
TB级挖掘是现实不是科幻
本书体例
第2章 协同过滤——爱你所爱
如何寻找相似用户
曼哈顿距离
欧氏距离
N 维下的思考
一般化
Python中数据表示方法及代码
计算曼哈顿距离的代码
用户的评级差异
皮尔逊相关系数
在继续之前稍微休息一下
最后一个公式——余弦相似度
相似度的选择
一些怪异的事情
k近邻
Python的一个推荐类
一个新数据集
第3章 协同过滤——隐式评级及基于物品的过滤
隐式评级
调整后的余弦相似度
Slope One算法
Slope One算法的粗略描述图
基于Python的实现
加权Slope One：推荐模块
MovieLens数据集
第4章 内容过滤及分类——基于物品属性的过滤
一个简单的例子
用Python实现
给出推荐的原因
一个取值范围的问题
归一化
改进的标准分数
归一化 vs. 不归一化
回到Pandora
体育项目的识别
Python编程
就是它了
汽车MPG数据
杂谈
第5章 分类的进一步探讨——算法评估及kNN
训练集和测试集
10折交叉验证的例子
混淆矩阵
一个编程的例子
Kappa统计量
近邻算法的改进
一个新数据集及挑战
更多数据、更好的算法以及一辆破公共汽车
第6章 概率及朴素贝叶斯——朴素贝叶斯
微软购物车
贝叶斯定理
为什么需要贝叶斯定理
i100 i500
用Python编程实现
共和党 vs. 民主党
数字
Python实现
这种做法会比近邻算法好吗
第7章 朴素贝叶斯及文本——非结构化文本分类
一个文本正负倾向性的自动判定系统
训练阶段
第8章 聚类——群组发现
k-means聚类
SSE或散度
小结
安然公司
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
