本书介绍了基于MATLAB语言的探索性数据分析与实现方法。本书共分10章，从实际数据集与探索性数据分析的基本概念讲起，内容涉及数据模式的发现、线性与非线性降维方法、数据巡查方法、聚类分析，以及用于探索性数据分析的数据可视化方法。除了基本分析与实现方法，书中也给出了丰富的应用实例，并提供了大量的相关资源，全部实例代码都可以直接用于探索性数据分析。

第2版前言Ⅲ

第1版前言Ⅴ

部分探索性数据分析综述

第1章绪论

1.1何为探索性数据分析

1.2全文概述

1.3关于符号表示法

1.4本书使用的数据集

1.4.1非结构化文本文档

1.4.2基因表达数据

1.4.3Oronsay数据集

1.4.4软件检测

1.5数据变换

1.5.1幂变换

1.5.2标准化

1.5.3数据球面化

1.6深入阅读

练习

第二部分模式发现的EDA方法

第2章降维——线性方法

2.1简介

2.2主成分分析——PCA

2.2.1基于样本协方差矩阵的PCA

2.2.2基于样本相关矩阵的PCA

2.2.3应该保留多少个维度

2.3奇异值分解——SVD

2.4非负矩阵分解

2.5因子分析

2.6Fisher线性判别

2.7本征维数

2.7.1近邻法

2.7.2关联维数

2.7.3大似然法

2.7.4包数估计

2.8总结与深入阅读

练习

第3章降维——非线性方法

3.1多维尺度分析——MDS

3.1.1度量MDS

3.1.2非度量MDS

3.2流形学习

3.2.1局部线性嵌入

3.2.2等距特征映射——ISOMAP

3.2.3海赛特征映射

3.3人工神经网络方法

3.3.1自组织映射

3.3.2生成式拓扑映射

3.3.3曲元分析

3.4总结与深入阅读

练习

第4章数据巡查

4.1总体巡查法

4.1.1Torus Winding法

4.1.2伪总体巡查法

4.2插值巡查法

4.3投影追踪法

4.4投影追踪索引

4.4.1Posse卡方索引

4.4.2矩索引

4.5独立成分分析

4.6总结与深入阅读

练习

第5章发现类

5.1简介

5.2层次聚类法

5.3优化方法——k均值聚类

5.4谱聚类

5.5文本聚类

5.5.1非负矩阵分解——回顾

5.5.2概率潜在语义分析

5.6聚类评估

5.6.1Rand索引

5.6.2同型相关

5.6.3上尾法

5.6.4轮廓图

5.6.5间隙统计

5.7总结与深入阅读

练习

第6章基于模型的聚类

6.1基于模型的聚类方法概述

6.2有限混合模型

6.2.1多元有限混合模型

6.2.2分量模型——协方差矩阵约束

6.3大期望算法

6.4基于模型的层次聚合聚类

6.5基于模型的聚类

6.6基于模型聚类的密度估计和判决分析

6.6.1模式识别介绍

6.6.2贝叶斯决策理论

6.6.3基于模型聚类的概率密度估计

6.7由混合模型生成随机数据

6.8总结与深入阅读

练习

第7章平滑散点图

7.1简介

7.2loess

7.3鲁棒loess拟合

7.4loess残差分析与诊断

7.4.1残差图

7.4.2散布平滑

7.4.3loess包络——向上和向下平滑

7.5平滑样条及应用

7.5.1样条回归

7.5.2平滑样条

7.5.3均匀间隔数据的平滑样条

7.6选择平滑参数

7.7二元分布平滑

7.7.1中间平滑对

7.7.2极平滑

7.8曲线拟合工具箱

7.9总结与深入阅读

练习

第三部分EDA的图形方法

第8章聚类可视化

8.1树状图

8.2树图

8.3矩形图

8.4ReClus图

8.5数据图像

8.6总结与深入阅读

练习

第9章分布图形

9.1直方图

9.1.1一元直方图

9.1.2二元直方图

9.2箱线图

9.2.1基本箱线图

9.2.2基本箱线图的变形

9.3分位数图

9.3.1概率图

9.3.2qq图

9.3.3分位数图

9.4袋状图

9.5测距仪箱线图

9.6总结与深入阅读

练习

第10章多元可视化

10.1象形图

10.2散点图

10.2.12D和3D散点图

10.2.2散点图矩阵

10.2.3六边形分组散点图

10.3动态图

10.3.1识别数据

10.3.2关联

10.3.3笔刷

10.4协同图

10.5点阵图

10.5.1基本点阵图

10.5.2多路点阵图.。。。。。。。。。。。。

^_^:44d600bbd71059190a88ed1fb11e6362