数据挖掘原理与应用 SQL Server 2008数据库2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

数据挖掘原理与应用 SQL Server 2008数据库PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　SQL Server 2008数据挖掘介绍1

1.1　数据挖掘解决的商业问题3

1.2　数据挖掘的任务4

1.2.1　分类4

1.2.2　聚类5

1.2.3　关联5

1.2.4　回归6

1.2.5　预测6

1.2.6　序列分析7

1.2.7　偏差分析7

1.3　数据挖掘项目的生命周期8

1.3.1　商业问题的形成8

1.3.2　数据收集8

1.3.3　数据清理和转换8

1.3.4　模型构建9

1.3.5　模型评估10

1.3.6　报告和预测10

1.3.7　应用集成10

1.3.8　模型管理10

1.4　本章小结11

第2章 用Microsoft Excel 2007进行数据挖掘13

2.1　表分析工具的安装14

2.1.1　配置具有管理权限的Analysis Services14

2.1.2　配置没有管理权限的Analysis Services15

2.1.3　使用该插件的要求15

2.1.4　寻求帮助18

2.2　分析关键影响因素工具18

2.2.1　主影响因素报表20

2.2.2　区别报表21

2.2.3　分析关键影响因素任务小结23

2.3　检测类别工具23

2.3.1　启动工具23

2.3.2　类别报表24

2.3.3　检测类别工具小结27

2.4　从示例填充工具28

2.4.1　运行工具，解释结果28

2.4.2　细调结果30

2.4.3　从示例填充工具小结31

2.5 预测工具31

2.5.1　启动工具，指定选项32

2.5.2　解释结果33

2.5.3　预测工具小结35

2.6　突出显示异常值工具35

2.6.1　使用工具35

2.6.2　更复杂的交互操作37

2.6.3　限制和故障排除39

2.6.4　突出显示异常值工具小结39

2.7　应用场景分析工具40

2.7.1 目标查找工具41

2.7.2　对数字目标使用目标查找工具43

2.7.3　对整个表使用目标查找工具43

2.7.4　假设工具44

2.7.5　对整个表使用假设工具46

2.7.6　应用场景分析工具小结47

2.8　预测计算器工具48

2.8.1 运行工具49

2.8.2　细调结果52

2.8.3　使用结果56

2.8.4　预测计算器工具小结56

2.9　购物篮分析工具56

2.9.1 使用工具57

2.9.2　捆绑销售商品报表58

2.9.3　购物篮推荐报表59

2.9.4　调整工具60

2.9.5　购物篮分析工具小结61

2.10　表分析工具的技术概述61

2.11　本章小结62

第3章　数据挖掘概念与DMX63

3.1　DMX的发展历史63

3.2 为什么使用DMX64

3.3　数据挖掘过程64

3.4　关键概念65

3.4.1 属性65

3.4.2　状态66

3.4.3 事例66

3.4.4　键68

3.4.5　输入和输出69

3.5　DMX对象70

3.5.1　挖掘结构71

3.5.2　挖掘模型71

3.6　DMX查询语法72

3.6.1　创建挖掘结构72

3.6.2　创建挖掘模型75

3.6.3　填充挖掘结构83

3.7 预测88

3.7.1　预测连接88

3.7.2　预测查询语法89

3.7.3 预测函数92

3.7.4　嵌套表上的预测94

3.7.5　预测嵌套值列95

3.8　本章小结96

第4章　使用SQL Server进行数据挖掘99

4.1 BI Dev Studio介绍99

4.1.1　用户界面100

4.1.2　脱机模式和即时模式102

4.1.3　创建数据挖掘对象105

4.2　设置数据源105

4.2.1 数据源106

4.2.2　使用数据源视图107

4.3　创建和编辑模型116

4.3.1 结构和模型116

4.3.2　使用数据挖掘向导116

4.3.3 创建MovieClick挖掘结构和挖掘模型122

4.3.4　使用数据挖掘设计器123

4.4　处理129

4.5　使用模型130

4.5.1 了解模型查看器130

4.5.2　使用挖掘准确性图表132

4.5.3　为MovieClick模型创建一个提升图136

4.5.4　使用交叉验证137

4.5.5　使用挖掘模型预测139

4.5.6　针对MovieClick模型执行查询140

4.5.7　创建数据挖掘报表140

4.6　使用SQL Server Management Studio142

4.6.1 了解Management Studio用户界面143

4.6.2　使用服务器资源管理器143

4.6.3　使用对象资源管理器144

4.6.4　使用查询编辑器144

4.7 本章小结145

第5章　使用Office 2007执行数据挖掘过程147

5.1　数据挖掘客户端简介147

5.2　用数据挖掘客户端导入数据149

5.3　数据浏览和准备150

5.3.1　用浏览数据工具离散数据150

5.3.2　砍掉长长的尾巴150

5.3.3　合并多个含义151

5.3.4　去除不合逻辑的值153

5.3.5　配平数据153

5.4　建模154

5.4.1　基于任务的建模155

5.4.2　数据挖掘客户端中的高级建模157

5.5　准确性和验证159

5.6　模型用法160

5.6.1　浏览模型160

5.6.2　用Visio查看模型161

5.6.3　查询模型163

5.6.4　查询向导163

5.7　数据挖掘单元格函数165

5.7.1　DMPREDICT函数165

5.7.2　DMPREDICTTABLEROW函数166

5.7.3　DMCONTENTQUERY函数166

5.8　管理模型167

5.9　跟踪167

5.10　本章小结167

第6章　Microsoft贝叶斯算法169

6.1 贝叶斯算法介绍169

6.2　使用贝叶斯算法170

6.2.1　创建预测模型171

6.2.2　数据浏览172

6.2.3　关键影响因子的分析173

6.2.4　文档分类173

6.2.5　DMX175

6.2.6　理解贝叶斯模型的内容175

6.2.7　浏览贝叶斯模型177

6.3　理解贝叶斯算法的基本原理180

6.4　贝叶斯算法的参数184

6.4.1　MAXIMUM_INPUT_ATTRIBUTES184

6.4.2　MAXIMUM_OUTPUT_ATTRIBUTES184

6.4.3　MAXIMUN_STATES184

6.4.4　MINIUMUM_DEPENDENCY_PROB8ABILITY184

6.5　本章小结185

第7章　Microsoft决策树算法187

7.1　决策树算法介绍187

7.2　使用决策树算法188

7.2.1　创建决策树模型188

7.2.2　DMX查询188

7.2.3　模型内容194

7.2.4　解释模型195

7.3　决策树算法的基本原理197

7.3.1　决策树生成的基本思想197

7.3.2　处理变量中的多个状态200

7.3.3　避免过度训练201

7.3.4　结合先验知识201

7.3.5　特征选择201

7.3.6　使用连续的输入属性202

7.3.7　回归202

7.3.8　使用Microsoft决策树算法进行关联分析203

7.4　算法参数204

7.4.1　Complexity_Penalty204

7.4.2　Minimum_Support204

7.4.3　Score_Method205

7.4 4　Split_Method205

7.4.5　Maximum_Input_Attribute205

7.4.6　Maximum_Output_Attribute205

7.4.7　Force_Regressor206

7.5　存储过程206

7.6　本章小结207

第8章　Microsoft时序算法209

8.1　Microsoft时序算法介绍209

8.2　用法210

8.3 DMX214

8.3.1　模型的创建214

8.3.2　模型的处理216

8.3.3　预测218

8.3.4　钻取功能222

8.4　Microsoft时序算法的基本原理222

8.4.1 自动回归223

8.4.2　周期224

8.4.3 自动回归树224

8.4.4　预测225

8.5　参数226

8.5.1　Missing_Value_Substitution226

8.5.2　Periodicity_Hint227

8.5.3　Auto_Detect_Periodicity227

8.5.4　Minimum_Series_Value和Maximum_Series_Value227

8.5.5　Forecast_Method227

8.5.6　Prediction_Smoothing227

8.5.7　Instability_Sensitivity228

8.5.8　Historic_Model_Count和Historic_Model_Gap228

8.5.9 Complexity_Penalty和Minimum_Support229

8.6　模型的内容229

8.7　本章小结230

第9章　Microsoft聚类算法233

9.1　Microsoft聚类算法介绍234

9.2　使用聚类模型235

9.2.1　进行聚类236

9.2.2　将聚类作为一个分析步骤237

9.2.3　利用聚类检查异常238

9.2.4　DMX240

9.2.5　模型内容243

9.2.6　理解聚类模型244

9.3　聚类算法的基本原理248

9.3.1　硬聚类算法与软聚类算法248

9.3.2　离散聚类249

9.3.3　可伸缩聚类250

9.3.4　聚类预测251

9.4　聚类算法的参数251

9.4.1　Clustering_Method251

9.4.2　Cluster_Count252

9.4.3　Minimum_Cluster_Cases252

9.4.4 Modelling_Cardinality253

9.4.5 Stopping_Tolerance253

9.4 6 Sample_Size254

9.4.7 Cluster_Seed254

9.4.8 Maximum_Input_Attributes254

9.4.9 Maximum_States254

9.5　本章小结254

第10章　Microsoft序列聚类算法257

10.1　Microsoft序列聚类算法介绍257

10.2　使用Microsoft序列聚类算法258

10.2.1　创建序列聚类模型258

10.2.2　DMX查询259

10.2.3　解释模型266

10.3　Microsoft序列聚类算法的基本原理270

10.3.1　什么是马尔可夫链270

10.3.2　马尔可夫链的阶271

10.3.3　状态转移矩阵272

10.3.4　使用马尔可夫链来进行聚类273

10.3.5　聚类分解274

10.4　模型内容274

10.5　序列聚类算法的参数275

10.5.1　Cluster_Count275

10.5.2 Minimum_Support275

10.5.3 Maximum_States275

10.5.4 Maximum_Sequence_States275

10.6　本章小结276

第11章　Microsoft关联规则算法277

11.1　Microsoft关联规则算法介绍278

11.2　使用关联规则算法278

11.2.1　数据研究模型279

11.2.2　一个简单的推荐引擎280

11.2.3　高级交叉销售的分析282

11.2.4　DMX283

11.2.5　模型内容287

11.2.6　解释模型288

11.3 关联规则算法的基本原理290

11.3.1　理解关联规则算法的基本概念290

11.3.2　挖掘频繁项集293

11.3.3　生成关联规则295

11.3.4　预测296

11.4　关联算法的参数297

11.4.1　Minimum_Support297

11.4.2　Maximum_Support297

11.4.3　Minimum_Probability297

11.4.4　Minimum_Importance297

11.4.5 Maximum_Itemset_Size298

11.4.6　Minimum_Itemset_Size298

11.4.7　Maximum_Itemset_Count298

11.4.8　Optimized_Prediction_Count298

11.4.9　Autodetect_Minimum_Support298

11.5　本章小结298

第12章　Microsoft神经网络算法和逻辑回归算法301

12.1　相同的基本原理，两个算法301

12.2　使用Microsoft神经网络算法302

12.2.1　文本分类模型302

12.2.2　实用模型306

12.2.3　DMX查询306

12.3　模型内容309

12.4　解释模型310

12.5　Microsoft神经网络算法的基本原理312

12.5.1　什么是神经网络312

12.5.2　组合和激活314

12.5.3　反向传播、误差函数和共轭梯度315

12.5.4　处理神经网络的简单示例316

12.5.5　规范化和映射317

12.5.6　网络拓扑319

12.5.7　训练终止条件319

12.6　非线性可分类320

12.7　神经网络算法的参数321

12.7.1　Maximum_Input_Attributes321

12.7.2　Maximum_Output_Attributes321

12.7.3　Maximum_States321

12.7.4　Holdout_percentage321

12.7.5　Holdout_Seed321

12.7.6　Hidden_Node_Ratio321

12.7.7　Sample_Size322

12.8　本章小结322

第13章　挖掘OLAP立方体323

13.1　OLAP介绍324

13.1.1　理解星型模式和雪花模式325

13.1.2　理解维和层次326

13.1.3　理解度量和度量组326

13.1.4　理解立方体的处理和存储327

13.1.5　使用前摄缓存328

13.1.6　查询立方体328

13.2　执行计算329

13.3　浏览立方体330

13.4　理解统一维度模型331

13.5　理解OLAP和数据挖掘之间的关系334

13.5.1　挖掘聚集的数据335

13.5.2　OLAP模式发现的需求335

13.5.3　OLAP挖掘与关系挖掘336

13.6　使用向导和编辑器来构建OLAP挖掘模型336

13.6.1　使用数据挖掘向导337

13.6.2　使用数据挖掘设计器345

13.7　理解数据挖掘维346

13.8　在DMX查询内部使用MDX348

13.9　将AMO用于OLAP挖掘模型350

13.10　本章小结354

第14章　SQL Server集成服务数据挖掘355

14.1 SSIS介绍356

14.1.1　理解SSIS包357

14.1.2　任务流357

14.1.3　数据流359

14.2　在SSIS环境中进行数据挖掘361

14.2.1　数据挖掘任务362

14.2.2　数据挖掘转换368

14.2.3　文本挖掘转换375

14.3　本章小结383

第15章　SQL Server数据挖掘的体系结构385

15.1 Analysis Services体系结构介绍385

15.2　XML for Analysis387

15.2.1　XMLA的API387

15.2.2　XMLA和Analysis Services390

15.3　处理体系结构391

15.4　预测393

15.5　数据挖掘管理395

15.5.1 服务器配置395

15.5.2　数据挖掘安全397

15.5.3　创建和训练挖掘对象的安全需求398

15.5.4　各种部署场景的安全性399

15.6　本章小结402

第16章　SQL Server数据挖掘编程403

16.1 数据挖掘API404

16.1.1　ADO405

16.1.2　ADO.NET405

16.1.3　ADOMD.NET405

16.1.4　Server ADOMD406

16.1.5　AMO406

16.2　使用Analysis Services的API406

16.3　使用Microsoft.AnalysisServices创建和管理挖掘模型407

16.3.1　AMO的基本原理408

16.3.2　AMO应用程序和安全409

16.3.3　对象的创建410

16.4　浏览和查询挖掘模型420

16.4.1 使用ADOMD.NET来预测420

16.4.2　ADOMD.NET中的表值参数425

16.4.3　浏览模型427

16.5　存储过程429

16.5.1　编写存储过程430

16.5.2　存储过程示例432

16.5.3　在存储过程内部执行查询434

16.5.4　从存储过程中返回数据集435

16.5.5　部署和调试存储过程程序集438

16.6　本章小结439

第17章 扩展SQL Server数据挖掘441

17.1　理解插件算法441

17.1.1　插件算法的架构442

17.1.2　插件算法实例的生命周期443

17.1.3　插件算法的概念444

17.1.4　模型的创建和处理447

17.1.5　预测450

17.1.6　内容导航451

17.1.7 自定义函数451

17.1.8　PMML453

17.1.9　受托管的插件和内部插件453

17.1.10　安装插件算法453

17.1.11　插件算法的更多信息454

17.2　使用数据挖掘查看器454

17.2.1 要实现的接口454

17.2.2　显示信息455

17.2.3　从Analysis Services中检索信息456

17.2.4　注册查看器456

17.2.5　插件查看器的更多信息457

17.3　本章小结457

第18章　实现Web交叉销售应用程序459

18.1　源数据描述459

18.2　构建模型460

18.2.1　确定数据挖掘任务460

18.2.2　将决策树算法应用于关联任务460

18.2.3　使用关联规则算法462

18.2.4　两个模型的比较463

18.3　执行预测465

18.3.1　批量预测查询465

18.3.2　使用单例预测查询466

18.4　在Web应用程序中集成预测功能467

18.4.1　理解Web应用程序的体系结构467

18.4.2　设置权限467

18.4.3　分析Web推荐应用程序的样例代码469

18.5　本章小结472

第19章　总结与其他资源473

19.1 回顾SQL Server 2008数据挖掘的亮点473

19.1.1 一流的算法474

19.1.2 易于使用的工具474

19.1.3　简单而强大的API475

19.1.4　与同类BI技术的集成475

19.2　探讨数据挖掘的新领域及应用475

19.3　延伸阅读476

19.3.1　Microsoft数据挖掘的资源476

19.3.2　数据挖掘的其他资源477

附录A　数据集479

附录B　支持的函数483

附录C　学习资源491