《统计挖掘与机器学习（原书第3版）》内容简介

本书创造性地汇编了数据挖掘技术，将统计数据挖掘和机器学习数据挖掘进行了区分，对经典和现代统计方法框架进行了扩展，以用于预测建模和大数据分析。本书在第2版的基础上新增了13章，内容涵盖数据科学发展历程、市场份额估算、无抽样调研数据预测钱包份额、潜在市场细分、利用缺失数据构建统计回归模型、十分位分析评估数据的预测能力，以及一个无须精通自然语言处理就能使用的文本挖掘工具。本书适合数据挖掘从业者以及对机器学习数据挖掘感兴趣的人阅读。
布鲁斯·拉特纳（Bruce Ratner），统计分析师，是DM-1-1咨询公司的总裁和创始人，该公司致力于统计建模、分析和数据挖掘的样本，以及在DM领域的机器学习数据挖掘。DM stat1专门研究所有标准的统计技术，以及利用机器学习/统计算法，如其专利的GenIQ模型，实现其客户目标的方法，包括直接和数据库营销、银行、保险、金融、零售、电信、医疗、医药、出版和流通、大众与直接广告、目录营销、电子商务、网络挖掘、B2B、人力资本管理、风险管理、非营利筹款等。Bruce拥有数学和统计学的博士学位，专注于多元统计和反应模型模拟。他的研究兴趣包括开发混合建模技术，将传统的统计数据和机器学习方法结合起来。他拥有一项独特的专利申请，用于解决遗传规划中的两组分类问题。

作品目录

第3版前言
第2版前言
致谢
关于作者
第1章：引论
第2章：数据处理相关学科：统计学和数据科学
第3章：变量评估的两种基本数据挖掘方法
第4章：用于评估成对变量的基于CHAID的数据挖掘方法
第5章：校直数据的简单性和可取性对建模十分重要
第6章：排序数据对称化：提高数据预测能力的统计数据挖掘方法
第7章：主成分分析：多变量评估的统计数据挖掘方法
第8章：市场份额估算：一个特殊的数据挖掘案例
第9章：相关系数在[-1,+1]内取值，是这样吗
第10章：逻辑斯谛回归：回应建模方法
第11章：无抽样调研数据预测钱包份额
第12章：普通回归：利润建模的强大工具
第13章：回归变量选择方法：可忽略的问题和重要解决方案
第14章：用CHAID解读逻辑斯谛回归模型
第15章：回归系数的重要性
第16章：相关系数均值：评估预测模型和预测变量重要性的统计数据挖掘指标
第17章：交互变量指定CHAID模型
第18章：市场细分：逻辑斯谛回归建模
第19章：市场细分：时间序列数据LCA
第20章：市场细分：理解细分群体的便捷途径
第21章：统计回归模型：理解模型的简单方法
第22章：CHAID：填充缺失值的方法
第23章：大数据建模
第24章：艺术、科学、数字和诗歌
第25章：识别最佳客户：描述性、预测性和相似性描述
第26章：营销模型评估
第27章：十分位分析：视角与效果
第28章：T-C净提升度模型：评估试验组与对照组的营销效果
第29章：自助法在营销中的应用：一种新的模型验证方法
第30章：用自助法验证逻辑斯谛回归模型
第31章：营销模型可视化：用数据深度挖掘模型
第32章：预测贡献系数：预测重要性的度量
第33章：建模是艺术、科学与诗的结合
第34章：献给数据狂的数据分析12步法
第35章：遗传回归模型与统计回归模型
第36章：数据重用：GenIQ模型的强大数据挖掘技术
第37章：数据挖掘技术——离群值的调整
第38章：过拟合的全新解决方案
第39章：回顾：为何校直数据如此重要
第40章：GenIQ模型的定义与应用
第41章：如何为营销模型选择最佳变量
第42章：解读无系数模型
第43章：文本挖掘：入门、示例及TXTDM软件
第44章：一些我比较喜欢的统计子程序
译后记