数据挖掘与机器学习:PMML建模:上

1　关联规则模型AssociationModel 1

1.1　关联规则基础知识 2

1.2　关联规则算法简介 4

1.3　关联规则模型元素AssociationModel 8

1.3.1　模型属性 10

1.3.2　模型子元素 11

1.3.3　评分应用过程 18



2　朴素贝叶斯模型NaiveBayesModel 20

2.1　朴素贝叶斯模型基础知识 21

2.1.1　全概率公式 22

2.1.2　贝叶斯定理 23

2.2　朴素贝叶斯算法简介 24

2.2.1　朴素贝叶斯算法 24

2.2.2　朴素贝叶斯模型参数估计 26

2.3　朴素贝叶斯模型元素NaiveBayesModel 34

2.3.1　模型属性 36

2.3.2　模型子元素 36

2.3.3　评分应用过程 41



3　贝叶斯网络模型BayesianNetworkModel 51

3.1　贝叶斯网络基础知识 52

3.2　贝叶斯网络算法简介 55

3.3　贝叶斯网络模型元素BayesianNetworkModel 56

3.3.1　模型属性 57

3.3.2　模型子元素 58

3.3.3　评分应用过程 65



4　基线模型BaselineModel 78

4.1　基线模型的基础知识 79

4.1.1　一般基线模型的概念 79

4.1.2　PMML规范中的基线模型 80

4.2　基线模型元素BaselineModel 87

4.2.1　模型属性 87

4.2.2　模型子元素 88

4.2.3　评分应用过程 98



5　聚类模型ClusteringModel 100

5.1　聚类模型的基础知识 101

5.2　聚类算法简介 104

5.2.1　硬聚类和软聚类 105

5.2.2　基于算法主要特征的划分 105

5.2.3　PMML规范中的聚类 108

5.3　聚类模型元素ClusteringModel 108

5.3.1　模型属性 110

5.3.2　模型子元素 110

5.3.3　评分应用过程 124



6　通用回归模型GeneralRegressionModel 125

6.1　通用回归模型基础知识 126

6.2　通用回归算法简介 130

6.2.1　一般线性回归模型GLM 130

6.2.2　广义线性回归GLZM 132

6.2.3　Cox回归 146

6.3　通用回归模型元素GeneralRegressionModel 147

6.3.1　模型属性 150

6.3.2　模型子元素 154

6.3.3　评分应用过程 163



7　回归模型RegressionModel 193

7.1　模型属性 196

7.2　模型子元素 197

7.3　评分应用过程 200



8　高斯过程模型GaussianProcessModel 207

8.1　高斯过程模型基础知识 209

8.2　高斯过程算法简介 210

8.3　高斯过程模型GaussianProcessModel 213

8.3.1　模型属性 214

8.3.2　模型元素 215

8.3.3　评分应用过程 220



9　*近邻模型NearestNeighborModel 224

9.1　KNN*近邻模型基础知识 225

9.2　KNN*近邻模型算法简介 227

9.3　*近邻模型NearestNeighborModel 230

9.3.1　模型属性 233

9.3.2　模型子元素 234

9.3.3　评分应用过程 236



附录 243