《统计分析与数据挖掘技术》介绍了统计学的常用基本概念及数据收集与处理技术,从传统统计学的角度讲述了数据描述性分析、数据分析理论及方法,详细介绍了多元统计分析的基本统计思想和相关理论,为数据挖掘算法的研究提供了必要的理论支持,为读者查阅基本概念和基本理论提供方便。 《统计分析与数据挖掘技术》还考查了数据挖掘的任务、数据流模型与分类及数据流概要描述方法,介绍了数据挖掘的基本理论和常用算法,如分类、聚类及关联规则等数据挖掘算法,为初学者提供了必要的科普知识。 《统计分析与数据挖掘技术》分4篇,第1篇阐述了大数据的相关知识;第2篇阐述了统计基础和数据统计分析相关内容;第3篇阐述了多元统计分析的基本统计思想和相关理论;第4篇阐述了数据挖掘技术的分类、聚类及关联规则的算法。 《统计分析与数据挖掘技术》将统计理论与大数据挖掘技术融合起来,让统计理论更好地服务于大数据时代,对统计理论在大数据时代下的可持续发展和研究做了尝试。 《统计分析与数据挖掘技术》可作为普通高等院校大数据相关专业本科生和研究生的参考教材,也可以作为数据统计分析与数据挖掘技术研究人员的自学教材。

CONTENTS 目 录 第1篇 大数据时代 第1章 大数据概述 2 1.1 指数时代 2 1.2 大数据特征和价值 3 1.2.1 大数据特征 3 1.2.2 大数据价值 3 1.3 大数据研究现状和发展动态 5 1.3.1 大数据研究现状 5 1.3.2 大数据研究发展动态 7 1.4 大数据研究存在的主要问题 7 1.4.1 大数据技术存在的问题 7 1.4.2 研究方法问题 9 1.4.3 领域融合问题 9 1.5 大数据时代统计学重构意义 10 1.5.1 对大数据的初步认识 10 1.5.2 统计思维变化 11 1.5.3 大数据时��下统计学重构 14 第2篇 传统统计分析方法 第2章 统计基础 20 2.1 统计学基本概念 20 2.1.1 统计学及统计工作过程 20 2.1.2 总体和样本 23 2.1.3 标志与变量 24 2.1.4 统计指标和指标体系 27 2.2 数据收集处理与数据描述 29 2.2.1 数据来源 29 2.2.2 数据质量 29 2.2.3 数据预处理 30 2.2.4 数据分组 31 2.2.5 频数分布 33 2.2.6 数据显示 36 2.3 数据描述性统计分析 38 2.3.1 数据对比分析 38 2.3.2 集中趋势测量 39 2.3.3 离散趋势测量 49 第3章 数据统计分析 57 3.1 参数估计 57 3.1.1 抽样推断与抽样分布 57 3.1.2 参数估计基本方法 66 3.1.3 总体均值区间估计 68 3.1.4 正态总体方差的区间估计 71 3.1.5 总体成数区间估计 71 3.1.6 样本容量确定 72 3.2 假设检验 73 3.2.1 假设检验基本问题 73 3.2.2 总体平均数检验 77 3.2.3 正态总体方差假设检验 81 3.2.4 总体成数检验 82 3.3 方差分析 83 3.3.1 方差分析概念和意义 83 3.3.2 单因素方差分析 84 3.3.3 无交互作用的双因素方差分析 88 3.4 相关与回归分析 92 3.4.1 相关分析 92 3.4.2 一元线性回归 101 3.4.3 多元线性回归 113 3.4.4 非线性回归 119 第3篇 多元统计分析及其方法 第4章 多元统计分析 124 4.1 多元统计分析基本概念 124 4.1.1 随机向量和随机矩阵数字特征 124 4.1.2 随机向量相互独立性 126 4.1.3 多元样本相关概念 128 4.2 多元正态分布及其推广 129 4.2.1 多元正态分布定义 130 4.2.2 多元正态变量基本性质 130 4.2.3 多元正态分布参数估计 131 4.2.4 多元正态分布变形形式 132 4.2.5 多元正态分布参数假设检验 133 4.3 主成分分析 137 4.3.1 基本思想 138 4.3.2 主成分分析与几何解释 138 4.3.3 主成分分析步骤 143 4.4 层次分析 147 4.4.1 基本思想 147 4.4.2 递**次结构建立 148 4.4.3 构造两两比较判断矩阵 149 4.4.4 判断矩阵一致性检验 149 4.4.5 元素对目标层总排序权重 151 4.5 聚类分析 153 4.5.1 基本思想 154 4.5.2 衡量相似性统计量 155 4.5.3 系统聚类方法 158 4.6 判别分析 162 4.6.1 Fisher两类判别 163 4.6.2 Bayes多类判别 167 4.6.3 逐步判别分析 171 第4篇 数据挖掘技术 第5章 数据挖掘导论 180 5.1 数据挖掘 180 5.1.1 数据挖掘意义 180 5.1.2 数据挖掘与数据分析区别 180 5.2 数据挖掘任务与应用 182 5.2.1 数据挖掘主要任务 182 5.2.2 数据挖掘应用 184 5.3 数据流 185 5.3.1 数据流概念 186 5.3.2 数据流模型与分类 186 5.3.3 不确定数据流概念漂移 188 第6章 分类挖掘算法 190 6.1 分类挖掘算法研究概述 190 6.1.1 分类挖掘研究背景及意义 190 6.1.2 分类挖掘含义 191 6.1.3 分类器性能评估标准 191 6.1.4 分类挖掘算法研究现状及应用领域 192 6.1.5 分类挖掘研究面临的问题 193 6.2 分类挖掘算法举例 195 6.2.1 决策树分类算法 195 6.2.2 贝叶斯分类算法 199 6.2.3 支持向量机分类算法 202 第7章 聚类挖掘算法 210 7.1 聚类挖掘算法研究概述 210 7.1.1 聚类挖掘研究背景及意义 210 7.1.2 聚类分析含义 211 7.1.3 聚类挖掘算法性能评估方法 211 7.1.4 聚类挖掘研究发展趋势及应用领域 212 7.1.5 聚类挖掘研究面临的问题 216 7.2 聚类挖掘算法举例 218 7.2.1 划分聚类法 218 7.2.2 层次聚类法 223 7.2.3 基于密度和网格聚类法 229 第8章 关联规则挖掘算法 235 8.1 关联规则挖掘算法研究概述 235 8.1.1 关联规则研究背景及意义 235 8.1.2 关联规则含义 236 8.1.3 关联规则挖掘研究现状及应用领域 238 8.1.4 关联规则挖掘算法分类 239 8.1.5 关联规则挖掘研究面临的问题 240 8.2 关联规则挖掘算法举例 241 8.2.1 Apriori算法 241 8.2.2 Apriori改进算法 243 8.2.3 TDA及其并行式挖掘算法 247 第9章 数据挖掘应用领域和发展趋势 252 9.1 数据挖掘应用领域 252 9.2 数据挖掘中隐私问题 254 9.3 数据挖掘发展趋势 254 9.3.1 数据挖掘与物联网、云计算和大数据 254 9.3.2 数据挖掘研究和应用面临的挑战 255 9.3.3 数据挖掘发展方向 255 参考文献 257