●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