数据挖掘中的一元线性回归简单演示程序，利用了c#winform制作的界面，一目了然，对于数据挖掘初学者有很好的指导作用，一元线性回归的算法其实不难。

WEKA 的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），同时 weka 也是新西兰的一种鸟名，而 WEKA 的主要开发者也来自新西兰。WEKA 作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。如果想自己实现数据挖掘算法的话，可以看一看 weka 的接口文档。在 weka 中集成自己的算法甚至借鉴它的方法自己实现可视化工具并不是件很困难的事情。 Weka 基于 Java 开发，是一款开源且免费的软件，有 Windows 版本，Linux 版本和 Mac OS 版本。在数据源上支持 ARFF文件，这是一种 ASCII 文本文件，CSV 文件和 JDBC 数据库访问功能。 Weka 轻巧便捷，安装简单，非常适合个人用户和中小企业使用。在操作上可以可视化操作无需编程，支持拖拉拽式工作流程使用起来非常方便，但是无论是数据预处理还是算法选择和调参都需要工程师手动完成，因此使用者需要具备一定统计学基础和数据挖掘经验。

python数据挖掘电影评分分析-豆瓣电影数据与票房数据分析.pdf

大数据处理实验 Matplotlib模块对星巴克数据分析及可视化 步骤清晰 如有问题，请反馈！！！

DataMiningCase 流失预警模型（二分类），代码原型为本人在某银行做的流失模型，AUC：83%、召回率（覆盖率）：19.4%，精确率：85%（数据是外部数据/代码已脱敏） 基于真实业务上手数据挖掘（银行流失预警）：数据的处理、LightGBM、sklearn包（里面含有：GridSearchCV寻找最优参、StratifiedKFold分层5折切分、train_test_split单次数据切分等）、stacking模型融合、画AUC图、画混淆矩阵图，并输出预测名单。 告诉你：是什么（WHAT）、怎么做(HOW)、为什么这么做(WHY)。 注释覆盖率为80%左右，旨在帮助快速入门，新手级 项目涉及的如下： 商业理解 数据理解 数据处理（数据准备） 特征工程（数据准备） 正负样本特征线性图 RFECV（特征五折递归消除） Importan

前面的部分中，我们已经看到了RapidMiner Studio图形用户界面是如何建立起来的，以及如何用它来定义和执行分析流程。在流程的最后，流程结果会显示在结果视图中。现在在工具栏上点击一下就能跳转到结果视图了。这一章会详细阐述结果视图。依据您是否已经生成了可被描述的结果，在默认设置前提下，您现在应该至少能大致看到这些显示内容，如图4.1所示。

第2章 RapidMiner Studio简介 RapidMiner Studio 结合技术性和适用性，为最新的及已建立的人性化数据挖掘技术提供服务。通过推拽算子，设置参数及组合算子，在RapidMiner Studio中定义分析流程。

以jupyter为平台，利用python实现对墨尔本10年气候变化数据集的特征处理，然后并利用机器学习模型进行训练以及对原始数据集的拟合，最后来评价那种模型的拟合效果最佳。（提供了相关数据集）

使用两种算法来进行数据挖掘关联规则的分析，第一个是使用python自带的库函数，根据顾客实际购买行为数据（值为1表示购买了该种商品；值为0表示未购买该种商品），分析顾客在网络购物中购买图书、运动鞋、耳机、DVD和果汁五种商品时，是否存在购买行为上的关联，第二个是使用自定义算法来判断关联性并给出频繁项集。

这是一个介绍社交网站数据挖掘与分析的教程，值得一看～