本书所涵盖的主题包括：数据预处理、预测建模、关联分析、聚类分析、异常检测和避免错误发现。通过介绍每个主题的基本概念和算法，为读者提供将数据挖掘应用于实际问题所需的必要背景。
从基础概念和算法的角度介绍数据挖掘所使用的主要原理与技术
自12年前的第1版以来，数据分析领域发生了很大的变化。采集数据和用数据做决策的速率不断提高，采集到的数据数量和种类也在不断增加。事实上，“大数据”这个术语已被用于指代那些可获得的海量、多样的数据集。此外，“数据科学”这个术语也被用于描述一个新兴领域，其中，数据挖掘、机器学习、统计学等诸多领域的工具和技术，被用于从数据（通常是大数据）中提取出可实际应用的见解。
数据的增长为数据分析的各领域创造了大量的机会。其中，有着广泛应用的预测建模领域的发展最引人注目。例如，在神经网络（也称为深度学习）方面取得的最新进展，已经在许多具有挑战性的领域（如图像分类、语音识别以及文本分类和理解）表现出令人瞩目的成果。即使那些发展不是特别显著的领域（例如聚类、关联分析和异常检测等）也在不断前进。这个新版本就是对这些发展的响应。
概述 与第1版相同，本书第2版全面介绍了数据挖掘，方便学生、教师、研究人员和专业人士理解有关概念和技术。本书涵盖的主题包括：数据预处理、预测建模、关联分析、聚类分析、异常检测和避免错误发现。通过介绍每个主题的基本概念和算法，为读者提供将数据挖掘应用于实际问题所需的必要背景。与第1版一样，分类、关联分析和聚类分析都分两章讲述。前面一章（介绍章）讲述基本概念、代表性算法和评估技术，后面一章（高级章）深入讨论高级概念和算法。同第1版一样，这样做的目的是使读者透彻地理解数据挖掘的基础知识，同时论述更多重要的高级主题。由于这种安排，本书既可用作教材也可用作参考书。
为了帮助读者更好地理解书中讲述的概念，我们提供了大量的示例、图表和习题，并在网上公开了原有习题的答案。除了第10章的新习题，其余习题与第1版的基本一致。教师可以通过网络获取各章的新习题及其答案。对更高级的主题、重要的历史文献和当前趋势感兴趣的读者，可以在每一章结尾找到文献注释，本版对这部分内容做了较大的更新。此外，还提供了一个覆盖本书所有主题的索引。
第2版的新内容 内容上主要的更新是与分类相关的两章内容（第3章和第4章）。第3章仍使用决策树分类器进行讲解，但对适用于各种分类方法的主题讨论进行了大量的扩充，这些主题包括：过拟合、欠拟合、训练规模的影响、模型复杂度、模型选择以及模型评估中常见的缺陷等。第4章的每一节几乎都进行了重大更新，着重扩展了贝叶斯网络、支持向量机和人工神经网络的内容。对深度网络，我们单独增加了一节来介绍该领域当前的发展。我们还更新了4.11节“类不平衡问题”中有关评估方法的讨论。
关联分析内容的改进则更具体。我们对关联模式评估部分（第5章）以及序列和图形挖掘部分（第6章）进行了全面修订。对聚类分析的修订也很具体。在聚类分析的介绍章（第7章）增添了K均值初始化技术并更新了簇评估的讨论。聚类分析的高级章（第8章）新添了关于谱图聚类的内容。对异常检测部分也进行了大量的修订和扩展。我们保留并更新了现有方法，如统计学、基于最近邻/密度方法和基于聚类方法，同时介绍了基于重构的方法、单类分类和信息论方法。基于重构的方法通过深度学习范畴中的自编码网络进行阐述。关于数据的第2章也进行了更新，更新内容包括对互信息的讨论和基于核技术的讨论。
第10章讨论了如何避免错误发现并产生正确的结果，这一章的内容是全新的并且在当前关于数据挖掘的教科书中也是新颖的。该章讨论了关于避免虚假结果的统计概念（统计显著性、p值、错误发现率、置换检验等），这些是对其他章中相关内容的补充，然后在介绍数据挖掘技术的内容中对这些概念进行了阐述。这一章还强调了对数据分析结果的有效性和可重复性的关注。新增的最后一章，是认识到这个主题的重要性后的产物，同时也是对“在分析数据时需要对相关领域有更深入的理解”这一观点的认可。
本版纸书删除了数据探索章节以及附录，但仍将其保留在网上。本版附录对大数据环境下的可伸缩性进行了简要讨论。
致教师 作为一本教材，本书广泛适用于高年级本科生和研究生教学。由于学习这门课程的学生背景不同，他们可能不具备广博的统计学和数据库知识，因此本书只要求最低限度的预备知识。数据库知识不是必需的，但我们假定读者有一定的统计学或数学背景，这些背景会让他们更容易学习某些内容。与以前一样，本书或者更确切地说是讨论主要数据挖掘主题的各章，都尽可能自成一体。因此，这些主题的讲授次序相当灵活。其中第2章、第3章、第5章、第7章和第9章是核心内容。对于第10章，建议至少给出粗略的介绍，以在学生解释他们的数据分析结果时引起一些注意。尽管应先介绍数据（第2章），但可以按任意顺序来讲授基本分类（第3章）、关联分析（第5章）和聚类分析（第7章）。由于异常检测（第9章）与分类（第3章）和聚类分析（第7章）具备先后关系，所以后两章应先于第9章进行讲解。同时，可以根据时间安排和兴趣，从高级分类、关联分析和聚类分析章节（第4章、第6章、第8章）中选择多种主题进行讲解。我们还建议通过数据挖掘中的项目或实践练习来强化听课效果，虽然它们要花费一些时间，但这种实践作业可以大大提高课程的价值。
支持材料 本书的读者可以在http://www-users.cs.umn.edu/~kumar/dmbook/上获取相关材料：
●课程幻灯片。
●学生项目建议。
●数据挖掘资源，如数据挖掘算法和数据集。
●联机指南，使用实际的数据集和数据分析软件，为本书介绍的部分数据挖掘技术提供例子讲解。
其他支持材料（包括习题答案）只向采纳本书做教材的教师提供。读者可通过邮箱dmbook@cs.umn.edu将意见和建议以及勘误发给作者。
关于本书教辅资源，只有使用本书作为教材的教师才可以申请，需要的教师请联系机械工业出版社华章分社，电话010-88378991，邮箱wangguang@hzbook.com。——编辑注
致谢 许多人都为本书的出版做出了贡献。首先向家人表示感谢，这本书是献给他们的。正是有他们的耐心和支持，本书才能顺利完成。
感谢明尼苏达大学和密歇根州立大学数据挖掘小组的学生所做的贡献。Eui-Hong(Sam) Han和Mahesh Joshi帮助我们准备了最初的数据挖掘课程。他们编制的某些习题和演示幻灯片已经收录在本书及教辅幻灯片中。小组中的其他学生也为本书的初稿提出建议或以各种方式做出贡献，他们是：Shyam Boriah、Haibin Cheng、Varun Chandola、Eric Eilertson、Levent Ertz、Jing Gao、Rohit Gupta、Sridhar Iyer、Jung-Eun Lee、Benjamin Mayer、Aysel Ozgur、Uygar Oztekin、Gaurav Pandey、Kashif Riaz、Jerry Scripps、Gyorgy Simon、Hui Xiong、Jieping Ye和Pusheng Zhang。还要感谢明尼苏达大学和密歇根州立大学选修数据挖掘课程的学生，他们使用了本书的初稿，并提供了极富价值的反馈。特别感谢Bernardo Craemer、Arifin Ruslim、Jamshid Vayghan和Yu Wei的有益建议。
Joydeep Ghosh（得克萨斯大学）和Sanjay Ranka（佛罗里达大学）试用了本书的初稿。我们也直接从得克萨斯大学下列学生那里获得了许多有用的建议：Pankaj Adhikari、Rajiv Bhatia、Frederic Bosche、Arindam Chakraborty、Meghana Deodhar、Chris Everson、David Gardner、Saad Godil、Todd Hay、Clint Jones、Ajay Joshi、Joonsoo Lee、Yue Luo、Anuj Nanavati、Tyler Olsen、Sunyoung Park、Aashish Phansalkar、Geoff Prewett、Michael Ryoo、Daryl Shannon 和Mei Yang。
Ronald Kostoff（ONR）阅读了聚类部分的初稿，并提出了许多建议。George Karypis对创建索引提供了宝贵的帮助。Irene Moulitsas提供了LaTeX支持，并审阅了一些附录。Musetta Steinbach发现了图中的一些错误。
感谢明尼苏达大学和密歇根州立大学的同事，他们帮助创建了良好的数据挖掘研究环境。他们是：Arindam Banerjee、Dan Boley、Joyce Chai、Anil Jain、Ravi Janardan、Rong Jin、George Karypis、Claudia Neuhauser、Haesun Park、William F. Punch、Gyrgy Simon、Shashi Shekhar和Jaideep Srivastava。还要向我们的数据挖掘项目的合作者表示谢意，他们是：Ramesh Agrawal、Maneesh Bhargava、Steve Cannon、Alok Choudhary、Imme Ebert-Uphoff、Auroop Ganguly、Piet C. de Groen、Fran Hill、Yongdae Kim、Steve Klooster、Kerry Long、Nihar Mahapatra、Rama Nemani、Nikunj Oza、Chris Potter、Lisiane Pruinelli、Nagiza Samatova、Jonathan Shapiro、Kevin Silverstein、Brian Van Ness、Bonnie Westra、Nevin Young和Zhi-Li Zhang。
明尼苏达大学和密歇根州立大学的计算机科学与工程系为本书写作及研究提供了计算资源和支持环境。ARDA、ARL、ARO、DOE、NASA和NSF等机构为本书作者提供了研究资助。特别是Kamal Abdali、Mitra Basu、Dick Brackney、Jagdish Chandra、Joe Coughlan、Michael Coyle、Stephen Davis、Frederica Darema、Richard Hirsch、Chandrika Kamath、Tsengdar Lee、Raju Namburu、N. Radhakrishnan、James Sidoran、Sylvia Spengler、Bhavani Thuraisingham、Walt Tiernin、Maria Zemankova、Aidong Zhang和Xiaodong Zhang，他们有力地支持了我们的数据挖掘和高性能计算研究。
与培生出版集团的工作人员的合作令人愉快。具体来说，我们要感谢Matt Goldstein、Kathy Smith、Carole Snyder和Joyce Wells。还要感谢George Nichols帮助绘图，Paul Anagnostopoulos提供LaTeX支持。
感谢培生邀请的审稿人：Leman Akoglu（卡内基梅隆大学）、Chien-Chung Chan（阿克伦大学）、Zhengxin Chen（内布拉斯加大学奥马哈分校）、Chris Clifton（普度大学）、Joydeep Ghosh（得克萨斯大学奥斯汀分校）、Nazli Goharian（伊利诺伊理工学院）、J. Michael Hardin（阿拉巴马大学）、Jingrui He（亚利桑那州立大学）、James Hearne（西华盛顿大学）、Hillol Kargupta（马里兰大学巴尔的摩县分校和Agnik公司）、Eamonn Keogh（加利福尼亚大学河滨分校）、Bing Liu（伊利诺伊大学芝加哥分校）、Mariofanna Milanova（阿肯色大学小石城分校）、Srinivasan Parthasarathy（俄亥俄州立大学）、Zbigniew W.Ras（北卡罗来纳大学夏洛特分校）、Xintao Wu（北卡罗来纳大学夏洛特分校）和Mohammed J.Zaki（伦斯勒理工学院）。
自本书第1版出版以来，我们收到了许多指出错别字和其他各种问题的读者和学生的意见。在此无法列举所有人的名字，但非常感谢他们的意见，相关问题已在第2版中予以修正。
计算机科学/大数据分析与处理
本书从算法的角度介绍数据挖掘所使用的主要原理与技术。为了更好地理解数据挖掘技术如何用于各种类型的数据，研究这些原理与技术是至关重要的。
本书所涵盖的主题包括：数据预处理、预测建模、关联分析、聚类分析、异常检测和避免错误发现。通过介绍每个主题的基本概念和算法，为读者提供将数据挖掘应用于实际问题所需的必要背景以及方法。
本书特点
针对每个主题，从基本概念和算法的角度展开讲解。其中，分类、关联分析、聚类分析更是切割成介绍章和高级章：介绍章覆盖基本概念、代表性算法和评估技术内容；高级章深入讨论高级概念和算法。
避免错误发现主题更是数据挖掘相关教科书中少见的，该主题讨论了关于避免虚假结果的统计概念，作为其他章节的补充，强调对数据分析结果的有效性和可重复性的关注。
基础内容和高级内容渐进的巧妙安排，使读者能透彻地理解数据挖掘的基础，同时掌握更多重要的高级技巧。
陈封能（Pang-Ning Tan） 密歇根州立大学计算机科学与工程系教授，主要研究方向是数据挖掘、数据库系统、网络空间安全、网络分析等。
大数据时代的万物互联极大地丰富了数据采集手段。人们所面对的数据无论是类型还是规模都达到了空前的高度。与此同时，数据的价值受到了各行各业的广泛关注，以数据科学为核心的科学研究第四范式深入人心。面向海量、多源、异构、复杂的数据，建立恰当的模型并设计高效的算法来挖掘数据中蕴含的未知知识成为当前计算机应用研究的重要任务。
获取数据所蕴含价值的需求催生了数据挖掘。数据挖掘技术自诞生以来，一直蓬勃发展，如今已然成为各类大数据服务、新一代人工智能应用的基础。数据挖掘技术的发展体现了从数据管理到知识管理的时代发展。
这本由数据挖掘领域著名专家P.Tan、M.Steinbach、A.Karpatne和V.Kumar编撰的教程《Introduction to Data Mining》是一部优秀著作，对于从事数据挖掘研究和应用的专业人士，是实现自我提升的最适合的专著之一。本书不仅内容全面，涵盖了数据、分类、关联分析、聚类、异常检测、避免错误发现等数据挖掘的重要主题，而且内容编排独具特色。对于每一个重要的主题，都分为两章介绍，一章讲述基本概念、代表性算法和评估技术，另一章则讨论高级概念和算法。因此，本书不仅适合数据挖掘入门者学习，也适合数据挖掘研究进阶者参考。值得一提的是，本书文辞精妙、语言生动，作者以引导、举例为叙述手段，重点讲述了如何用数据挖掘知识解决各种实际问题，着力让读者在学习基本数据挖掘概念的同时掌握应用数据挖掘解决问题的技巧，彰显了作者在此领域的深厚研究造诣和娴熟的教学手法。此外，全书各章都设有习题，以加深读者对关键知识点的理解。
我们受机械工业出版社华章分社的委托翻译此书，首先向原著作者P.Tan、M.Steinbach、A.Karpatne和V.Kumar致敬。在翻译过程中，我们不可避免地受到了第1版译著用词准确、文笔流畅的影响，借此机会，向第1版译者范明教授、范宏建老师表示衷心的感谢。同时感谢机械工业出版社华章分社的信任，给予我们为数据挖掘研究推广尽绵薄之力的机会。
本书由段磊、张天庆主译。四川大学研究生秦蕊琦、王婷婷、宋楷文、张晓慧、刘杰、张译丹、王新澳、崔丁山等也付出了极大的努力，在此对他们表示感谢。
我们在翻译过程中力求忠于原著，新的专业术语尽量符合原著语义，但由于水平和时间有限，译文难免有错误和不妥之处，恳请读者批评指正。
段 磊
2019年5月于四川大学
出版者的话
译者序
前言
第1章 绪论1
1.1 什么是数据挖掘2
1.2 数据挖掘要解决的问题3
1.3 数据挖掘的起源4
1.4 数据挖掘任务5
1.5 本书组织结构7
文献注释8
参考文献10
习题12
第2章 数据14
2.1 数据类型15
2.1.1 属性与度量16
2.1.2 数据集的类型19
2.2 数据质量24
2.2.1 测量和数据收集问题24
2.2.2 关于应用的问题27
2.3 数据预处理28
2.3.1 聚集28
2.3.2 抽样30
2.3.3 维归约31
2.3.4 特征子集选择32
2.3.5 特征创建34
2.3.6 离散化和二元化35
2.3.7 变量变换38
2.4 相似性和相异性的度量40
2.4.1 基础40
2.4.2 简单属性之间的相似度和相异度41
2.4.3 数据对象之间的相异度42
2.4.4 数据对象之间的相似度44
2.4.5 邻近度度量的例子44
2.4.6 互信息50
* 2.4.7 核函数51
* 2.4.8 Bregman散度53
2.4.9 邻近度计算问题54
2.4.10 选择正确的邻近度度量56
文献注释56
参考文献58
习题60
第3章 分类：基本概念和技术65
3.1 基本概念65
3.2 一般的分类框架67
3.3 决策树分类器69
3.3.1 构建决策树的基本算法70
3.3.2 表示属性测试条件的方法71
3.3.3 选择属性测试条件的方法73
3.3.4 决策树归纳算法79
3.3.5 示例：Web机器人检测79
3.3.6 决策树分类器的特征81
3.4 模型的过拟合85
3.5 模型选择90
3.5.1 验证集应用90
3.5.2 模型复杂度合并91
3.5.3 统计范围估计93
3.5.4 决策树的模型选择94
3.6 模型评估95
3.6.1 保持方法95
3.6.2 交叉验证96
3.7 超参数的使用97
3.7.1 超参数选择98
3.7.2 嵌套交叉验证98
3.8 模型选择和评估中的陷阱99
3.8.1 训练集和测试集之间的重叠99
3.8.2 使用验证错误率作为泛化错误率100
* 3.9 模型比较100
3.9.1 估计准确率的置信区间100
3.9.2 比较两个模型的性能101
文献注释102
参考文献105
习题108
第4章 分类：其他技术114
4.1 分类器的种类114
4.2 基于规则的分类器115
4.2.1 基于规则的分类器原理116
4.2.2 规则集的属性116
4.2.3 规则提取的直接方法117
4.2.4 规则提取的间接方法120
4.2.5 基于规则的分类器的特点121
4.3 最近邻分类器122
4.3.1 算法123
4.3.2 最近邻分类器的特点124
4.4 朴素贝叶斯分类器124
4.4.1 概率论基础125
4.4.2 朴素贝叶斯假设127
4.5 贝叶斯网络132
4.5.1 图表示132
4.5.2 推理与学习135
4.5.3 贝叶斯网络的特点139
4.6 logistic回归140
4.6.1 logistic回归用作广义线性模型141
4.6.2 学习模型参数141
4.6.3 logistic回归模型的特点142
4.7 人工神经网络143
4.7.1 感知机144
4.7.2 多层神经网络146
4.7.3 人工神经网络的特点150
4.8 深度学习151
4.8.1 使用协同损失函数151
4.8.2 使用响应激活函数153
4.8.3 正则化154
4.8.4 模型参数的初始化155
4.8.5 深度学习的特点157
4.9 支持向量机158
4.9.1 分离超平面的边缘158
4.9.2 线性SVM159
4.9.3 软边缘SVM162
4.9.4 非线性SVM165
4.9.5 SVM的特点167
4.10 组合方法168
4.10.1 组合方法的基本原理168
4.10.2 构建组合分类器的方法169
4.10.3 偏置方差分解170
4.10.4 装袋171
4.10.5 提升173
4.10.6 随机森林176
4.10.7 组合方法的实验比较177
4.11 类不平衡问题178
4.11.1 类不平衡的分类器构建179
4.11.2 带类不平衡的性能评估180
4.11.3 寻找最优的评分阈值183
4.11.4 综合评估性能183
4.12 多类问题188
文献注释189
参考文献193
习题198
第5章 关联分析：基本概念和算法205
5.1 预备知识205
5.2 频繁项集的产生207
5.2.1 先验原理209
5.2.2 Apriori算法的频繁项集产生210
5.2.3 候选项集的产生与剪枝212
5.2.4 支持度计数215
5.2.5 计算复杂度217
5.3 规则的产生219
5.3.1 基于置信度的剪枝219
5.3.2 Apriori算法中规则的产生219
5.3.3 示例：美国国会投票记录221
5.4 频繁项集的紧凑表示221
5.4.1 极大频繁项集221
5.4.2 闭项集223
* 5.5 其他产生频繁项集的方法225
* 5.6 FP增长算法228
5.6.1 FP树表示法228
5.6.2 FP增长算法的频繁项集产生229
5.7 关联模式的评估231
5.7.1 兴趣度的客观度量232
5.7.2 多个二元变量的度量239
5.7.3 辛普森悖论240
5.8 倾斜支持度分布的影响241
文献注释244
参考文献248
习题256
第6章 关联分析：高级概念263
6.1 处理分类属性263
6.2 处理连续属性264
6.2.1 基于离散化的方法265
6.2.2 基于统计学的方法267
6.2.3 非离散化方法268
6.3 处理概念分层269
6.4 序列模式270
6.4.1 预备知识270
6.4.2 序列模式发现272
* 6.4.3 时限约束275
* 6.4.4 可选计数方案278
6.5 子图模式279
6.5.1 预备知识280
6.5.2 频繁子图挖掘281
6.5.3 候选生成284
6.5.4 候选剪枝287
6.5.5 支持度计数287
* 6.6 非频繁模式287
6.6.1 负模式288
6.6.2 负相关模式288
6.6.3 非频繁模式、负模式和负相关模式比较289
6.6.4 挖掘有趣的非频繁模式的技术290
6.6.5 基于挖掘负模式的技术290
6.6.6 基于支持度期望的技术292
文献注释294
参考文献295
习题297
第7章 聚类分析：基本概念和算法306
7.1 概述307
7.1.1 什么是聚类分析307
7.1.2 聚类的不同类型308
7.1.3 簇的不同类型309
7.2 K均值310
7.2.1 K均值算法311
7.2.2 K均值：附加的问题316
7.2.3 二分K均值317
7.2.4 K均值和不同的簇类型318
7.2.5 优点与缺点319
7.2.6 K均值作为优化问题320
7.3 凝聚层次聚类321
7.3.1 基本凝聚层次聚类算法322
7.3.2 特殊技术323
7.3.3 簇邻近度的Lance-Williams公式326
7.3.4 层次聚类的主要问题327
7.3.5 离群点328
7.3.6 优点与缺点328
7.4 DBSCAN328
7.4.1 传统的密度：基于中心的方法328
7.4.2 DBSCAN算法329
7.4.3 优点与缺点331
7.5 簇评估331
7.5.1 概述332
7.5.2 无监督簇评估：使用凝聚度和分离度333
7.5.3 无监督簇评估：使用邻近度矩阵336
7.5.4 层次聚类的无监督评估339
7.5.5 确定正确的簇个数339
7.5.6 聚类趋势340
7.5.7 簇有效性的监督度量341
7.5.8 评估簇有效性度量的显著性344
7.5.9 簇有效性度量的选择345
文献注释345
参考文献347
习题349
第8章 聚类分析：其他问题与算法356
8.1 数据、簇和聚类算法的特性356
8.1.1 示例：比较K均值和DBSCAN356
8.1.2 数据特性357
8.1.3 簇特性358
8.1.4 聚类算法的一般特性359
8.2 基于原型的聚类359
8.2.1 模糊聚类360
8.2.2 使用混合模型的聚类362
8.2.3 自组织映射369
8.3 基于密度的聚类372
8.3.1 基于网格的聚类372
8.3.2 子空间聚类374
8.3.3 DENCLUE：基于密度聚类的一种基于核的方案377
8.4 基于图的聚类378
8.4.1 稀疏化379
8.4.2 最小生成树聚类380
8.4.3 OPOSSUM：使用METIS的稀疏相似度最优划分380
8.4.4 Chameleon：使用动态建模的层次聚类381
8.4.5 谱聚类384
8.4.6 共享最近邻相似度388
8.4.7 Jarvis-Patrick聚类算法390
8.4.8 SNN密度391
8.4.9 基于SNN密度的聚类392
8.5 可伸缩的聚类算法393
8.5.1 可伸缩：一般问题和方法393
8.5.2 BIRCH394
8.5.3 CURE395
8.6 使用哪种聚类算法397
文献注释399
参考文献400
习题403
第9章 异常检测406
9.1 异常检测问题的特性407
9.1.1 异常的定义407
9.1.2 数据的性质407
9.1.3 如何使用异常检测408
9.2 异常检测方法的特性408
9.3 统计方法409
9.3.1 使用参数模型410
9.3.2 使用非参数模型412
9.3.3 对正常类和异常类建模413
9.3.4 评估统计意义414
9.3.5 优点与缺点415
9.4 基于邻近度的方法415
9.4.1 基于距离的异常分数415
9.4.2 基于密度的异常分数416
9.4.3 基于相对密度的异常分数416
9.4.4 优点与缺点417
9.5 基于聚类的方法418
9.5.1 发现异常簇418
9.5.2 发现异常实例418
9.5.3 优点与缺点420
9.6 基于重构的方法420
9.7 单类分类422
9.7.1 核函数的使用422
9.7.2 原点技巧423
9.7.3 优点与缺点425
9.8 信息论方法425
9.9 异常检测评估426
文献注释428
参考文献429
习题433
第10章 避免错误发现436
10.1 预备知识：统计检验436
10.1.1 显著性检验436
10.1.2 假设检验440
10.1.3 多重假设检验443
10.1.4 统计检验中的陷阱448
10.2 对零分布和替代分布建模450
10.2.1 生成合成数据集450
10.2.2 随机化类标451
10.2.3 实例重采样451
10.2.4 对检验统计量的分布建模451
10.3 分类问题的统计检验452
10.3.1 评估分类性能452
10.3.2 以多重假设检验处理二分类问题453
10.3.3 模型选择中的多重假设检验453
10.4 关联分析的统计检验454
10.4.1 使用统计模型455
10.4.2 使用随机化方法457
10.5 聚类分析的统计检验458
10.5.1 为内部指标生成零分布459
10.5.2 为外部指标生成零分布459
10.5.3 富集460
10.6 异常检测的统计检验461
文献注释462
参考文献464
习题466
索引471
