Data Mining. Concepts and Techniques, 3rd Edition


HAN 03-toc-ix-xviii-9780123814791



Yüklə 7,95 Mb.
Pdf görüntüsü
səhifə6/343
tarix08.10.2017
ölçüsü7,95 Mb.
#3817
1   2   3   4   5   6   7   8   9   ...   343

HAN

03-toc-ix-xviii-9780123814791

2011/6/1

3:32

Page xvi

#8

xvi

Contents

9.7.2


Semi-Supervised Classification

432


9.7.3

Active Learning

433

9.7.4


Transfer Learning

434


9.8

Summary

436

9.9


Exercises

438

9.10


Bibliographic Notes

439

Chapter 10 Cluster Analysis: Basic Concepts and Methods



443

10.1


Cluster Analysis

444

10.1.1 What Is Cluster Analysis?

444

10.1.2 Requirements for Cluster Analysis



445

10.1.3 Overview of Basic Clustering Methods

448

10.2


Partitioning Methods

451

10.2.1 k-Means: A Centroid-Based Technique

451

10.2.2 k-Medoids: A Representative Object-Based Technique



454

10.3


Hierarchical Methods

457

10.3.1 Agglomerative versus Divisive Hierarchical Clustering

459

10.3.2 Distance Measures in Algorithmic Methods



461

10.3.3 BIRCH: Multiphase Hierarchical Clustering Using Clustering

Feature Trees

462


10.3.4 Chameleon: Multiphase Hierarchical Clustering Using Dynamic

Modeling


466

10.3.5 Probabilistic Hierarchical Clustering

467

10.4


Density-Based Methods

471

10.4.1 DBSCAN: Density-Based Clustering Based on Connected

Regions with High Density

471


10.4.2 OPTICS: Ordering Points to Identify the Clustering Structure

473


10.4.3 DENCLUE: Clustering Based on Density Distribution Functions

476


10.5

Grid-Based Methods

479

10.5.1 STING: STatistical INformation Grid

479

10.5.2 CLIQUE: An Apriori-like Subspace Clustering Method



481

10.6


Evaluation of Clustering

483

10.6.1 Assessing Clustering Tendency

484

10.6.2 Determining the Number of Clusters



486

10.6.3 Measuring Clustering Quality

487

10.7


Summary__490'>Summary

490

10.8


Exercises

491

10.9


Bibliographic Notes

494

Chapter 11 Advanced Cluster Analysis



497

11.1


Probabilistic Model-Based Clustering

497

11.1.1 Fuzzy Clusters

499



HAN

03-toc-ix-xviii-9780123814791

2011/6/1

3:32

Page xvii

#9

Contents

xvii

11.1.2 Probabilistic Model-Based Clusters

501

11.1.3 Expectation-Maximization Algorithm



505

11.2


Clustering High-Dimensional Data

508

11.2.1 Clustering High-Dimensional Data: Problems, Challenges,

and Major Methodologies

508


11.2.2 Subspace Clustering Methods

510


11.2.3 Biclustering

512


11.2.4 Dimensionality Reduction Methods and Spectral Clustering

519


11.3

Clustering Graph and Network Data

522

11.3.1 Applications and Challenges

523

11.3.2 Similarity Measures



525

11.3.3 Graph Clustering Methods

528

11.4


Clustering with Constraints

532

11.4.1 Categorization of Constraints

533

11.4.2 Methods for Clustering with Constraints



535

11.5


Summary

538

11.6


Exercises

539

11.7


Bibliographic Notes

540

Chapter 12 Outlier Detection



543

12.1


Outliers and Outlier Analysis

544

12.1.1 What Are Outliers?

544

12.1.2 Types of Outliers



545

12.1.3 Challenges of Outlier Detection

548

12.2


Outlier Detection Methods

549

12.2.1 Supervised, Semi-Supervised, and Unsupervised Methods

549

12.2.2 Statistical Methods, Proximity-Based Methods, and



Clustering-Based Methods

551


12.3

Statistical Approaches

553

12.3.1 Parametric Methods

553

12.3.2 Nonparametric Methods



558

12.4


Proximity-Based Approaches

560

12.4.1 Distance-Based Outlier Detection and a Nested Loop

Method

561


12.4.2 A Grid-Based Method

562


12.4.3 Density-Based Outlier Detection

564


12.5

Clustering-Based Approaches

567

12.6


Classification-Based Approaches

571

12.7


Mining Contextual and Collective Outliers

573

12.7.1 Transforming Contextual Outlier Detection to Conventional

Outlier Detection

573



HAN

03-toc-ix-xviii-9780123814791

2011/6/1

3:32

Page xviii

#10

xviii

Contents

12.7.2 Modeling Normal Behavior with Respect to Contexts

574

12.7.3 Mining Collective Outliers



575

12.8


Outlier Detection in High-Dimensional Data

576

12.8.1 Extending Conventional Outlier Detection

577

12.8.2 Finding Outliers in Subspaces



578

12.8.3 Modeling High-Dimensional Outliers

579

12.9


Summary

581

12.10 Exercises



582

12.11 Bibliographic Notes



583

Chapter 13 Data Mining Trends and Research Frontiers



585

13.1


Mining Complex Data Types

585

13.1.1 Mining Sequence Data: Time-Series, Symbolic Sequences,

and Biological Sequences

586


13.1.2 Mining Graphs and Networks

591


13.1.3 Mining Other Kinds of Data

595


13.2

Other Methodologies of Data Mining

598

13.2.1 Statistical Data Mining

598

13.2.2 Views on Data Mining Foundations



600

13.2.3 Visual and Audio Data Mining

602

13.3


Data Mining Applications

607

13.3.1 Data Mining for Financial Data Analysis

607

13.3.2 Data Mining for Retail and Telecommunication Industries



609

13.3.3 Data Mining in Science and Engineering

611

13.3.4 Data Mining for Intrusion Detection and Prevention



614

13.3.5 Data Mining and Recommender Systems

615

13.4


Data Mining and Society

618

13.4.1 Ubiquitous and Invisible Data Mining

618

13.4.2 Privacy, Security, and Social Impacts of Data Mining



620

13.5


Data Mining Trends

622

13.6


Summary

625

13.7


Exercises

626

13.8


Bibliographic Notes

628

Bibliography

633

Index

673


Yüklə 7,95 Mb.

Dostları ilə paylaş:
1   2   3   4   5   6   7   8   9   ...   343




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2022
rəhbərliyinə müraciət

    Ana səhifə