本书是数据挖掘实战领域颇具特色的一部作品，作者在数据挖掘领域浸淫近10年，本书是他在为10余个行业的数十家大型企业提供数据挖掘服务后的经验总结之作。全书以实践和实用为宗旨，深度与广度兼顾、实践与理论并举。首先，从理论角度讲解了数据挖掘的核心技术、数据挖掘的应用分类、数据挖掘建模的方法等知识，尚未完全掌握数据挖掘基本理论知识的读者可以通过这部分内容弥补和学习；其次，通过来自金融、电信、电力、互联网、生产制造、公共服务等多个领域的近20个完整案例的分析，全面展示了数据挖掘的实际操作与方法，这些案例中的数据完全来自于实际生产环境，实用性非常强；最后，本书还讲解了基于第三方接口的数据挖掘二次开发，以及基于Hadoop框架的海量数据挖掘方法，能满足读者更高层次的需求。
在实践性方面，本书专门提供了一个国内顶尖的数据挖掘平台TipDM，读者可以很好地在这个平台上练习。此外，本书还精心设计了6个动手实验，能进一步增强读者的动手能力。随书光盘中提供了本书的相关资料和案例资源，以及6个动手实验所使用的完整数据，方便读者动手实践书中所讲解的案例。
随着企业的泛互联网化和企业信息化程度的不断提高，大数据的概念被提了出来。在大数据时代，数据自身的价值日益突显，企业对数据也越来越重视。很多企业已经积累了大量的数据，而且数据量每天都在迅速地增加，此时，企业都不同程度地面临着同一个问题：数据过度重复且高度不一致。这个问题导致的直接结果是：企业无法有效管理数据，不知道如何通过这些数据做出正确的决策。为了解决这一问题，企业必须对这些数据进行挖掘。所以，在未来，数据挖掘的需求会越来越大，应用的领域也会越来越广。只有充分挖掘并利用现有数据的企业，才能更好地适应越来越激烈和残酷的市场竞争。
从技术角度来讲，数据挖掘已经是一个非常成熟的传统学科，市面上关于数据挖掘理论和方法论的书非常多，而且不乏经典。但由于这个学科本身比较复杂，且具体的操作与实际的行业环境有很大关系，从业者并不是在掌握了相关的理论之后就能迅速胜任各项实际工作。为了解决这个问题，本书以实践为宗旨，通过分析金融、电信、电力、互联网、生产制造、公共服务等领域近20个完整案例，全面展示了数据挖掘的实际操作与方法。同时，本书系统讲解了数据挖掘的核心技术、应用分类和建模方法，以及基于第三方接口的数据挖掘二次开发和基于Hadoop框架的海量数据挖掘方法。本书非常好地弥补了传统数据挖掘图书重理论而轻实践的不足，能让读者迅速掌握各行业的数据挖掘的方法和技巧。
本书另一个重要特色是，为了便于读者轻松地获取一个真实的实验环境，作者提供了一个顶尖数据挖掘平台TipDM，这个平台在国内已经被广泛使用，读者可以利用光盘中的数据按照书中介绍的方法，一边学习，一边在这个平台上动手实践。此外，本书还设计了6个动手实验，目的是让读者能真正具备实际动手能力。
大数据时代，数据的挖掘与分析已经成为最关键的环节之一。要想在海量数据中获取有价值的信息，必须先对这些数据进行挖掘，然后加以分析。从技术的角度来讲，虽然数据挖掘是一个相对成熟的学科，但是需要处理的数据量、数据格式和企业对数据的要求在不断发展变化，所以数据挖掘的方式和方法也在不断地变化。本书结合当下多个热门行业的需求和实际情况，通过大量案例以及精心设计的几个动手实验，讲解了数据挖掘的具体方法和技巧，非常好地突出了本书的实践性和实用性。此外，本书的理论性也比较完备，并且能够与最新的技术巧妙结合，如Hadoop与数据挖掘相关的内容。如果你是一位数据挖掘工程师或者数据分析师，强烈推荐这本书！
—— EasyHadoop开源技术社区（www.easyhadoop.com）致力于Hadoop的易用和普及
作者简介
张良均
资深数据挖掘专家和模式识别专家，有近10年的数据挖掘应用与咨询经验，8年多的数据仓库系统管理与实施经验，超过10年的系统开发与设计经验。为电信、电力、零售、农业、银行、电力、生物、化工、医药等多个行业上百家大型企业提供过数据挖掘应用与咨询服务，实践经验非常丰富。此外，他精通Java EE企业级应用开发，是广东工业大学和华南师范大学客座教授，著有《神经网络实用教程》一书。
为什么要写这本书
现在，什么程序员最稀缺？什么技术最火？回答：数据挖掘！
数据挖掘是从大量数据（包括文本）中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。数据挖掘有助于企业发现业务的趋势，揭示已知的事实，预测未知的结果，因此“数据挖掘”已成为企业保持竞争力的必要方法。
近年来企业所处理的数据每五年就会呈现倍数增长。大部分的企业并没有数据不足的问题，过度的数据重复与不一致才是大问题，这使得企业在使用、有效管理以及将这些数据用于决策过程方面都遭遇到了问题。因此未来几年，随着大数据迅速发展，数据挖掘将是极为重要的成长领域，其应用会越来越广泛，可以说，只要企业掌握有分析价值的数据源，皆可进行高价值的数据挖掘分析。目前数据挖掘主要应用在电信、零售、农业、互联网、金融、电力、生物、化工和医疗等行业。典型的应用如：客户细分、流失预警、价值评估、交叉销售、欺诈发现、精准营销、故障诊断等。
总的来说，跟国外相比，我国由于信息化程度不太高、企业内部信息不完整，零售业、银行、保险、证券等对数据挖掘的应用并不太理想。但随着市场竞争的加剧，各行业应用数据挖掘技术的意愿越来越强烈，可以预计，未来几年各行业的数据分析应用一定会从传统的统计分析发展到大规模数据挖掘应用。
本书作者从实践出发，结合大量数据挖掘工程案例，总结出数据挖掘建模过程应完成的任务主要包括：数据探索、数据预处理、分类与回归、聚类分析、时序预测、关联规则挖掘、偏差检测等。因此，本书的编排以解决某个应用的挖掘目标为前提，先介绍案例背景，再阐述分析方法与过程，最后完成模型构建，在介绍建模过程的同时穿插操作训练，把相关的知识点嵌入相应的操作过程中。
本书光盘中附数据挖掘建模案例数据文件、数据挖掘算法工具包源程序及使用说明。
读者对象
* 需求分析及系统设计人员。
这类人员可以在理解数据挖掘原理及建模过程的基础上，结合数据挖掘案例完成精确营销、客户分群、交叉销售、客户流失分析、客户信用记分、欺诈发现等数据挖掘应用的需求分析和设计。
* 数据挖掘开发人员。
这类人员可以在理解数据挖掘应用需求和设计方案的基础上，结合本书提供的基于第三方接口快速完成数据挖掘应用的编程实现。
* 开设有数据挖掘课程的高校教师和学生。
目前国内不少高校将数据挖掘引入本科教学中，在数学、自动化、电子信息、金融等专业开设了数据挖掘技术相关的课程。目前这一课程的教学仍主要限于理论介绍，因为过于抽象，学生理解起来往往比较困难，教学效果不甚理想。本书提供的基于实战案例和建模实践的教学，能够使师生充分发挥互动性和创造性，理论联系实际，从而获得最佳的教学效果。
* 进行数据挖掘应用研究的科研人员。
许多科研院所为了更好地对科研工作进行管理，纷纷开发了适应自身特点的科研业务管理系统，并在使用过程中积累了大量的科研信息数据。但是，这些科研业务管理系统一般没有对这些数据进行深入分析的功能，对数据所隐藏的价值并没有充分挖掘利用。科研人员需要数据挖掘建模工具及有关方法论来深挖科研信息的价值，从而提高科研水平。
* 关注高级数据分析的人员。
业务报告和商业智能解决方案对于了解过去和现在的状况是非常有用的。但是，数据挖掘的预测分析解决方案还能使这类人员预见未来的发展状况，让他们的机构能够先发制人，而不是处于被动。因为数据挖掘的预测分析解决方案将复杂的统计方法和机器学习技术应用到数据之中，通过使用预测分析技术来揭示隐藏在交易系统或企业资源计划（ERP）、结构数据库和普通文件中的模式和趋势，从而为这类人员的决策提供科学依据。
如何阅读本书
本书共12章，分三个部分，通过对一个个真实案例深入浅出的剖析，使读者在不知不觉中能快速领悟看似深不可测的数据挖掘理论。读者在阅读过程中，应充分利用随书配套的案例建模数据，借助相关的数据挖掘建模工具，通过动手实践，帮助快速理解相关知识和理论。
第一部分是基础篇（第1～4章），主要对数据挖掘的基本概念、应用分类、建模方法及常用的建模工具进行了介绍；第4章对本书所用到的数据挖掘建模平台TipDM进行了说明。
第二部分是实战篇（第5～10章），其中第5～9章为案例部分，重点对数据挖掘技术在金融、电信、电力、互联网、生产制造以及公共服务等行业的应用场景进行了讨论。在过程组织上，按照先介绍案例背景、挖掘目标，再阐述分析方法与过程，最后完成模型构建的顺序进行，在介绍建模过程的同时穿插操作训练，把相关的知识点嵌入相应的操作过程中；第10章为实验部分，读者可以通过本章介绍的方法，动手实践以巩固数据挖掘知识及建模过程。
第三部分是高级篇（第11～12章），其中第11章对基于第三方接口的数据挖掘二次开发技术进行了说明，通过示例，介绍了如何基于WEKA和MATLAB等工具实现数据挖掘算法接口编程；第12章介绍了基于Hadoop框架开发的并行数据挖掘算法工具箱——TipCDM，并通过一个实际案例，介绍了基于云计算的海量数据挖掘的具体应用及实现过程。
勘误和支持
除封面署名外，参加本书编写工作的还有：张益铭、周积荣、曹晶、蒋世忠、张秋妮、曹焱峰、余春迪、阮鹏、余燕团、王军晓等。由于作者的水平有限，加之编写时间仓促，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。为此，读者可通过作者微博（http://t.qq.com/waveletz）或TipDM官网（www.tipdm.com）反馈有关问题。也可通过热线电话（40068-40020）或企业QQ（40068-40020）进行在线咨询。
读者可以将书中的错误及遇到的任何问题反馈给我们，我们将尽量在线上为读者提供最满意的解答。随书光盘中提供了全部建模数据文件及源程序，也可以从智能中国网站（www.5iai.com）下载，我们会将相应的功能更新及时更正。如果您有更多的宝贵意见，也欢迎发送邮件至邮箱5iai2008@gmail.com，期待能够得到你们的真挚反馈。
致谢
本书的案例主要来自作者承担的国家及省部级项目和与合作单位的研究应用实践，如独立承担的科技部中小企业创新基金项目——基于云计算和SOA架构的海量数据挖掘平台；与广东省电科院合作的智能用电海量数据挖掘项目；与广州翰思软件有限公司合作的基于数据挖掘和GIS技术的房地产自动评估系统；与广州因孚网络科技有限公司合作的基于云计算的海量数据挖掘平台的研发及应用示范；与西南交通大学合作的数据挖掘技术在混合厌氧消化系统优势营养互补机制研究；与南京中医药大学合作的数据挖掘技术在乳腺癌证素变化规律及截断疗法研究；与华南师范大学合作的企业信息预测开发平台；与广东工业大学合作的应用统计实践教学基地建设项目；与广东石油化工学院合作的云计算环境下Web结构挖掘研究及应用等。
本书编写过程中，得到了广大企事业单位科研人员的大力支持！在此谨向广东电力科学研究院、广西电力科学研究院、广东电信规划设计院、珠江/黄海水产研究所、华南师范大学、广东工业大学、西南交通大学、南京中医药大学、华南理工大学、湖南师范大学、广州中医药大学、武汉理工大学、广东石油化工学院、中山大学、浙江大学、广州大学、河南理工大学、甘肃中医学院、番禺职业技术学院、大连海事大学、广州从兴电子开发有限公司、广州泰迪智能科技有限公司、广州太普软件科技有限公司、中科普开（北京）科技有限公司、EasyHadoop社区等单位给予支持的专家及师生致以深深的谢意。
在本书的出版过程中，得到了参与中国数据挖掘建模竞赛（http://c.5iai.com）的众多师生及机械工业出版社华章分社杨福川老师、白宇编辑等无私的帮助与支持，在此一并表示感谢。
张良均
2013年4月于广州
计算机\数据挖掘
(Easyhadoop logo)
随着企业的泛互联网化和企业信息化程度的不断提高，大数据的概念被提了出来。在大数据时代，数据自身的价值日益突显，企业对数据也越来越重视。很多企业已经积累了大量的数据，而且数据量每天都在迅速地增加，此时，企业都不同程度地面临着同一个问题：数据过度重复且高度不一致。这个问题导致的直接结果是：企业无法有效管理数据，不知道如何通过这些数据做出正确的决策。为了解决这一问题，企业必须对这些数据进行挖掘。所以，在未来，数据挖掘的需求会越来越大，应用的领域也会越来越广。只有充分挖掘并利用现有数据的企业，才能更好地适应越来越激烈和残酷的市场竞争。
从技术角度来讲，数据挖掘已经是一个非常成熟的传统学科，市面上关于数据挖掘理论和方法论的书非常多，而且不乏经典。但由于这个学科本身比较复杂，且具体的操作与实际的行业环境有很大关系，从业者并不是在掌握了相关的理论之后就能迅速胜任各项实际工作。为了解决这个问题，本书以实践为宗旨，通过分析金融、电信、电力、互联网、生产制造、公共服务等领域近20个完整案例，全面展示了数据挖掘的实际操作与方法。同时，本书系统讲解了数据挖掘的核心技术、应用分类和建模方法，以及基于第三方接口的数据挖掘二次开发和基于Hadoop框架的海量数据挖掘方法。本书非常好地弥补了传统数据挖掘图书重理论而轻实践的不足，能让读者迅速掌握各行业的数据挖掘的方法和技巧。
本书另一个重要特色是，为了便于读者轻松地获取一个真实的实验环境，作者提供了一个名为TipDM的顶尖数据挖掘平台，这个平台在国内已经被广泛使用，读者可以根据光盘中所附的数据和书中所说明的方法，一边学习，一边在这个平台上上动手实践。此外，本书还设计了6个动手实验，目的是让读者能真正具备实际动手能力。
张良均 陈俊德 刘名军 陈荣 著：张良均 高级信息系统项目管理师，智能中国网(www.5iai.com)创办人，《神经网络实用教程》主编，广东工业大学和华南师范大学兼职教授，主导研发基于云计算的海量数据挖掘平台（www.tipdm.cn），获SAS数据挖掘认证。有超过十年的系统开发与设计经验和八年的数据仓库系统实施、数据挖掘咨询经验。具有电力行业、电信行业、银行业、水产养殖、制造企业、电子商务和电子政务的项目经验和行业知识。有为中国电信、南方电网、广东电网、交通银行、司法厅、国税局、环保厅等单位提供成功顾问咨询及项目实施服务的经验。发表数据挖掘相关各类学术论文十余篇，主持或参与数据挖掘相关国家级、省级重大项目10多个。
前 言
第一部分 基 础 篇
第1章 初识数据挖掘 2
1.1 什么是数据挖掘 2
1.2 数据挖掘在企业商务智能应用中的定位 2
1.2.1 数据挖掘给企业带来最大的投资收益 3
1.2.2 数据挖掘从本质上提升商务智能平台的价值 3
1.2.3 数据挖掘让商务智能流程真正形成闭环 4
1.3 信息类BI应用与知识类BI应用 5
1.4 数据挖掘现状及应用前景 5
1.5 本章小结 7
第2章 数据挖掘的应用分类 8
2.1 分类与回归 8
2.1.1 分类与回归建模原理 9
2.1.2 分类与回归算法 10
2.2 聚类 11
2.2.1 聚类分析建模原理 11
2.2.2 聚类算法 12
2.3 关联规则 13
2.3.1 什么是关联规则 13
2.3.2 关联规则算法 14
2.4 时序模式 14
2.4.1 什么是时序模式 14
2.4.2 时间序列的组合成分 15
2.4.3 时间序列的组合模型 15
2.4.4 时序算法 16
2.5 偏差检测 16
2.6 本章小结 17
第3章 数据挖掘建模 18
3.1 数据挖掘的过程 18
3.2 数据挖掘建模过程 18
3.2.1 定义挖掘目标 18
3.2.2 数据取样 19
3.2.3 数据探索 20
3.2.4 预处理 21
3.2.5 模式发现 23
3.2.6 模型构建 23
3.2.7 模型评价 24
3.3 常用的建模工具 27
3.4 本章小结 29
第4章 顶尖数据挖掘平台TipDM 31
4.1 TipDM产品功能 31
4.1.1 TipDM平台提供的数据探索及预处理算法 31
4.1.2 TipDM平台提供的分类与回归算法 32
4.1.3 TipDM平台提供的时序模式算法 34
4.1.4 TipDM平台提供的聚类分析算法 35
4.1.5 TipDM平台提供的关联规则算法 35
4.2 TipDM使用说明 37
4.3 TipDM产品特点 39
4.3.1 支持CRISP-DM数据挖掘标准流程 39
4.3.2 提供丰富的数据挖掘模型和灵活算法 40
4.3.3 具有多模型的整合能力 40
4.3.4 提供灵活多样的应用开发接口 40
4.3.5 海量数据的处理能力 40
4.3.6 适应不同类型层次人员需求 41
4.4 本章小结 42
第二部分 实 战 篇
第5章 数据挖掘在金融电信行业的应用 44
5.1 案例一：基于公司价值评价的证券策略投资 44
5.1.1 挖掘目标的提出 44
5.1.2 分析方法与过程 44
5.1.3 建模仿真 51
5.1.4 核心知识点 52
5.1.5 拓展思考 53
5.2 案例二：电信3G客户识别系统 54
5.2.1 挖掘目标的提出 54
5.2.2 分析方法与过程 54
5.2.3 建模仿真 58
5.2.4 核心知识点 61
5.2.5 拓展思考 63
5.3 案例三：基于客户分群的精准智能营销 64
5.3.1 挖掘目标的提出 64
5.3.2 分析方法与过程 65
5.3.3 建模仿真 75
5.3.4 核心知识点 81
5.3.5 拓展思考 82
5.4 本章小结 83
第6章 数据挖掘在电力行业的应用 84
6.1 案例一：电力负荷预测 84
6.1.1 挖掘目标的提出 84
6.1.2 分析方法与过程 85
6.1.3 建模仿真 90
6.1.4 核心知识点 94
6.1.5 拓展思考 95
6.2 案例二：自适应防窃漏电实时诊断 96
6.2.1 挖掘目标的提出 96
6.2.2 分析方法与过程 96
6.2.3 建模仿真 107
6.2.4 核心知识点 110
6.2.5 扩展思考 111
6.3 本章小结 112
第7章 数据挖掘在互联网行业的应用 113
7.1 案例一：商业零售行业中的购物篮分析 113
7.1.1 挖掘目标的提出 113
7.1.2 分析方法与过程 113
7.1.3 建模仿真 118
7.1.4 核心知识点 120
7.1.5 拓展思考 121
7.2 案例二：电子商务网站用户行为分析 124
7.2.1 挖掘目标的提出 124
7.2.2 分析方法与过程 124
7.2.3 建模仿真 129
7.2.4 核心知识点 132
7.2.5 拓展思考 132
7.3 案例三：网络入侵智能检测 134
7.3.1 挖掘目标的提出 134
7.3.2 分析方法与过程 136
7.3.3 建模仿真 137
7.3.4 核心知识点 141
7.3.5 拓展思考 141
7.4 案例四：基于用户行为分析的定向网络广告投放 142
7.4.1 挖掘目标的提出 142
7.4.2 分析方法与过程 143
7.4.3 建模仿真 146
7.4.4 结果及分析 158
7.4.5 核心知识点 159
7.4.6 拓展思考 160
7.5 案例五：企业信息系统用户服务感知评价 161
7.5.1 挖掘目标的提出 161
7.5.2 分析方法与过程 161
7.5.3 建模仿真 186
7.5.4 核心知识点 192
7.5.5 拓展思考 193
7.6 本章小结 194
第8章 数据挖掘在生产制造行业中的应用 195
8.1 案例一：基于小波变换的桩基完整性检测 195
8.1.1 挖掘目标的提出 195
8.1.2 分析方法与过程 196
8.1.3 仿真过程 202
8.1.4 核心知识点 204
8.1.5 拓展思考 204
8.2 案例二：基于水色图像的水质评价 205
8.2.1 挖掘目标的提出 205
8.2.2 分析方法与过程 206
8.2.3 建模仿真 210
8.2.4 核心知识点 213
8.2.5 拓展思考 214
8.3 案例三：生物质废物混合厌氧消化优势组分互补机制 216
8.3.1 挖掘目标的提出 216
8.3.2 分析方法与过程 217
8.3.3 建模仿真 221
8.3.4 核心知识点 223
8.3.5 拓展思考 224
8.4 案例四：基于RFM的企业客户关系分析 224
8.4.1 挖掘目标的提出 224
8.4.2 分析过程与方法 226
8.4.3 建模仿真 229
8.4.4 核心知识点 236
8.4.5 拓展思考 236
8.5 案例五：水产养殖投入产出多目标优化仿真 239
8.5.1 挖掘目标的提出 239
8.5.2 分析方法与过程 240
8.5.3 建模仿真 244
8.5.4 核心知识点 249
8.5.5 拓展思考 250
8.6 本章小结 252
第9章 数据挖掘在公共服务行业的应用 253
9.1 案例一：乳腺癌证素变化规律及截断疗法 253
9.1.1 挖掘目标的提出 253
9.1.2 分析方法与过程 255
9.1.3 建模仿真 265
9.1.4 核心知识点 274
9.1.5 拓展思考 274
9.2 案例二：卷烟消费者购买行为分析 277
9.2.1 挖掘目标的提出 277
9.2.2 分析过程与方法 278
9.2.3 挖掘建模 281
9.2.4 核心知识点 287
9.2.5 拓展思考 288
9.3 案例三：纳税人偷漏税评估 288
9.3.1 挖掘目标的提出 288
9.3.2 分析方法与过程 290
9.3.3 建模仿真 294
9.3.4 核心知识点 300
9.3.5 拓展思考 301
9.4 案例四：道路缺陷自动识别 302
9.4.1 挖掘目标的提出 302
9.4.2 分析方法与过程 304
9.4.3 建模仿真 319
9.4.4 核心知识点 322
9.4.5 拓展思考 322
9.5 案例五：航空公司客运信息挖掘 322
9.5.1 挖掘目标的提出 322
9.5.2 分析方法与过程 323
9.5.3 建模仿真 327
9.5.4 核心知识点 348
9.5.5 拓展思考 352
9.6 本章小结 353
第10章 动手实践 354
10.1 实验一：数据探索及数据预处理 354
10.2 实验二：神经网络模型的构建与使用 356
10.3 实验三：决策树模型的构建与使用 358
10.4 实验四：聚类算法的构建与使用 360
10.5 实验五：关联规则模型的构建与使用 361
10.6 实验六：时间序列模型的构建与使用 363
10.7 本章小结 364
第三部分 高 级 篇
第11章 基于第三方接口的数据挖掘二次开发 366
11.1 WEKA数据挖掘接口 366
11.1.1 WEKA功能及其算法 366
11.1.2 WEKA包结构 367
11.1.3 WEKA算法入口 370
11.1.4 二次开发相关输出 370
11.2 MATLAB数据挖掘接口 370
11.3 案例：基于MATLAB接口的数据挖掘二次开发 372
11.3.1 接口算法编程 372
11.3.2 用Java Builder创建Java组件 385
11.3.3 安装MATLAB运行时环境 386
11.3.4 JDK环境及设置 386
11.4 本章小结 389
第12章 基于Hadoop框架的海量数据挖掘开发 390
12.1 基于云计算的海量数据挖掘技术特点 390
12.2 基于Hadoop的并行数据挖掘算法工具箱TipCDM 392
12.3 案例：基于海量计量数据的电力客户在线分群方法 392
12.3.1 挖掘目标的提出 392
12.3.2 分析方法与过程 393
12.3.3 建模仿真 399
12.3.4 核心知识点 400
12.4 本章小结 401
参考文献 402
