●1 關聯規則模型AssociationModel 1
1.1 關聯規則基礎知識 2
1.2 關聯規則算法簡介 4
1.3 關聯規素AssociationModel 8
1.3.1 模型屬性 10
1.3.2 素 11
1.3.3 評分應用過程 18
2 樸素貝葉斯模型NaiveBayesModel 20
2.1 樸素貝葉斯模型基礎知識 21
2.1.1 全概率公式 22
2.1.2 貝葉斯定理 23
2.2 樸素貝葉斯算法簡介 24
2.2.1 樸素貝葉斯算法 24
2.2.2 樸素貝葉斯模型參數估計 26
2.3 樸素貝葉素NaiveBayesModel 34
2.3.1 模型屬性 36
2.3.2 素 36
2.3.3 評分應用過程 41
3 貝葉斯網絡模型BayesianNetworkModel 51
3.1 貝葉斯網絡基礎知識 52
3.2 貝葉斯網絡算法簡介 55
3.3 貝葉斯網素BayesianNetworkModel 56
3.3.1 模型屬性 57
3.3.2 素 58
3.3.3 評分應用過程 65
4 基線模型BaselineModel 78
4.1 基線模型的基礎知識 79
4.1.1 一般基線模型的概念 79
4.1.2 PMML規範中的基線模型 80
4.2 基素BaselineModel 87
4.2.1 模型屬性 87
4.2.2 素 88
4.2.3 評分應用過程 98
5 聚類模型ClusteringModel 100
5.1 聚類模型的基礎知識 101
5.2 聚類算法簡介 104
5.2.1 硬聚類和軟聚類 105
5.2.2 基於算法主要特征的劃分 105
5.2.3 PMML規範中的聚類 108
5.3 聚素ClusteringModel 108
5.3.1 模型屬性 110
5.3.2 素 110
5.3.3 評分應用過程 124
6 通用回歸模型GeneralRegressionModel 125
6.1 通用回歸模型基礎知識 126
6.2 通用回歸算法簡介 130
6.2.1 一般線性回歸模型GLM 130
6.2.2 廣義線性回歸GLZM 132
6.2.3 Cox回歸 146
6.3 通用回素GeneralRegressionModel 147
6.3.1 模型屬性 150
6.3.2 素 154
6.3.3 評分應用過程 163
7 回歸模型RegressionModel 193
7.1 模型屬性 196
7.2 素 197
7.3 評分應用過程 200
8 高斯過程模型GaussianProcessModel 207
8.1 高斯過程模型基礎知識 209
8.2 高斯過程算法簡介 210
8.3 高斯過程模型GaussianProcessModel 213
8.3.1 模型屬性 214
8.3.2素 215
8.3.3 評分應用過程 220
9 近鄰模型NearestNeiorModel 224
9.1 KNN近鄰模型基礎知識 225
9.2 KNN近鄰模型算法簡介 227
9.3 近鄰模型NearestNeiorModel 230
9.3.1 模型屬性 233
9.3.2 素 234
9.3.3 評分應用過程 236
附錄 243

本書結合實際例子詳細介紹了數據挖掘和機器學習領域關聯規則模型、樸素貝葉斯模型、貝葉斯網絡模型、基線模型、聚類模型、通用回歸模型、回歸模型、高斯過程模型以及K近鄰模型九種模型的表達方式及構建知識。讀者好同時結合《PMML建模標準語言基礎》一書進行學習，以便融會貫活運用，更好地把PMML語言應用到自己的項目實踐中。本書的讀者對像為從事數據挖掘、機器學習、人工智能繫統開發的人員以及教師和學生，也可以作為大數據及機器學習愛好者的自學用書。