数据挖掘：R语言实战 PDF 影印版

内容介绍

数据挖掘技术是时下互联网时代最重要的技术性，其主要用途及市场前景与日俱增。R 是这款极为出色的数据分析和数据挖掘手机软件，《数据挖掘：R语言实战》偏重于应用R 开展数据挖掘，重中之重叙述了R 的数据挖掘步骤、优化算法包的应用及有关专用工具的运用，一起融合很多选萃的数据挖掘案例对R 手机软件开展深层次潜出和全方位的详细介绍，便于小读者能深刻领会R 的精粹能够迅速、高效率和灵便地把握应用R 开展数据挖掘的方法。

根据《数据挖掘：R语言实战》，小读者不但能把握应用R 及有关的优化算法包来迅速处理实际上难题的方式，并且能获得从实际上难题剖析下手，到运用R 开展解微分方程，及其对发掘結果开展剖析的全方位训炼。

《数据挖掘：R语言实战》适用电子计算机、互联网技术、深度学习、信息内容、数学课、经济发展金融业、管理方法、运筹、统计分析及其相关理工科专业的本科毕业、硕士研究生应用，也可以协助网络营销、金融业、会计、人事管理工作人员及产品运营处理实际上难题，还能协助从业资询、科学研究、剖析制造行业的人员及各个管理方法人员提升技术专业水准。

目录

• 第0章 献给，R！
• 献给，肩部！
• 献给，时期！
• 献给，优秀人才！
• 献给，R 瑟！
• 上篇 数据预处理
• 第1章 数据挖掘导向
• 1.2 数据挖掘简述
• 1.1.1 数据挖掘的全过程
• 1.1.2 数据挖掘的构造函数
• 1.1.3 数据挖掘的方式
• 1.1.4 数据挖掘的运用
• 1.3 数据挖掘的优化算法
• 1.7 数据挖掘的专用工具
• 1.3.1 专用工具的归类
• 1.3.2 专用工具的挑选
• 1.3.3 商业的专用工具
• 1.3.4 开源系统的专用工具
• 2.7 R 在数据挖掘中的优点
• 数据挖掘：R 语言实战
• Vl
• 第2章 统计数据概览
• 2.2 n×m uci数据集
• 3.2 统计数据的归类
• 2.2.1 通常的数据分类
• 2.2.2 R 的数据分类
• 2.2.3 用R 简易解决统计数据
• 2.2 统计数据取样及R 建立
• 2.3.1 简单随机抽样
• 2.3.2 分层抽样
• 2.3.3 整群抽样
• 2.6 训炼集与检测集
• 2.3 本章归纳
• 第3章 用R 读取数据
• 3.2 获得内嵌uci数据集
• 3.1.1 datasets uci数据集
• 3.1.2 包的uci数据集
• 4.3 获得别的文件格式的统计数据
• 3.2.1 CSV 与TXT 文件格式
• 3.2.2 从电子表格 立即读取数据
• 3.2.3 从别的统计软件中读取数据
• 3.2 获得数据库查询统计数据
• 3.4 获得网页页面统计数据
• 3.6 本章归纳
• 第4章 探索性数据统计分析
• 3.1 uci数据集
• 9.6 智能化探寻
• 4.2.1 自变量概述
• 4.2.2 自变量详细信息
• 4.2.3 遍布指标值
• 4.2.4 稀少性
• 4.2.5 缺少值
• 4.2.6 关联性
• 3.2 数据可视化探寻
• 4.3.1 直方图
• VII
• 4.3.2 积累分布图
• 4.3.3 箱形图
• 4.3.4 条形图
• 4.3.5 点阵图
• 4.3.6 饼图
• 6.3 本章归纳
• 第5章 数据预处理
• 5.2 uci数据集载入
• 5.3 统计数据清除
• 5.2.1 缺少值解决
• 5.2.2 噪音数据处理方法
• 5.2.3 统计数据不相同的解决
• 5.3 统计数据集成化
• 5.4 统计数据转换
• 5.8 统计数据归约
• 6.3 本章归纳
• 中篇 基础优化算法及运用
• 第6章 关联分析
• 6.1 简述
• 6.2 R 中的建立
• 6.2.1 有关程序包
• 6.2.2 关键涵数
• 6.2.3 uci数据集
• 6.3 运用实例
• 6.3.1 统计数据初探
• 6.3.2 对转化成标准开展抗压强度操纵
• 6.3.3 1个实际上运用
• 6.3.4 更改輸出結果方式
• 6.3.5 关联规则的数据可视化
• 6.4 本章归纳
• 第7章 聚类分析
• 7.1 简述
• 7.1.1 K-平均值聚类分析法
• 数据挖掘：R 语言实战
• VIII
• 7.1.2 K-定位点聚类分析法
• 7.1.3 系谱聚类
• 7.1.4 相对密度聚类分析法
• 7.1.5 期待利润最大化聚类分析法
• 7.3 R 中的建立
• 7.2.1 有关程序包
• 7.2.2 关键涵数
• 7.2.3 uci数据集
• 7.3 运用实例
• 7.3.1 K-平均值聚类分析法
• 7.3.2 K-定位点聚类分析法
• 7.3.3 系谱聚类
• 7.3.4 相对密度聚类分析法
• 7.3.5 期待利润最大化聚类分析法
• 7.4 本章归纳
• 第8章 判别分析
• 8.1 简述
• 8.1.1 费希尔辨别
• 8.1.2 贝叶斯辨别
• 8.1.3 间距辨别
• 8.2 R 中的建立
• 8.2.1 有关程序包
• 8.2.2 关键涵数
• 8.2.3 uci数据集
• 8.4 运用实例
• 8.3.1 线形判别分析
• 8.3.2 朴素贝叶斯归类
• 8.3.3 K 近期邻
• 8.3.4 有权重值的K 近期邻优化算法
• 8.4 推荐系统综合性案例
• 8.4.1 kNN 与强烈推荐
• 8.4.2 MovieLens uci数据集表明
• 8.4.3 灵活运用
• 9.5 本章归纳
• IX
• 第9章 决策树
• 9.1 简述
• 9.1.1 树结构
• 9.1.2 树的搭建
• 9.1.3 常见优化算法
• 9.2 R 中的建立
• 9.2.1 有关程序包
• 9.2.2 关键涵数
• 9.2.3 uci数据集
• 9.3 运用实例
• 9.3.1 CART 运用
• 9.3.2 C4.9 运用
• 9.4 本章归纳
• 下篇 高級优化算法及运用
• 第12章
• 第12章 支持向量机
• 12.1 概述
• 12.1.1 结构风险最小原理
• 12.1.2 函数间隔与几何间隔
• 12.1.3 核函数
• 12.2 R 中的实现
• 12.2.1 相关软件包
• 12.2.2 核心函数
• 12.2.3 数据集
• 12.3 应用案例
• 12.3.1 数据初探
• 12.3.2 建立模型
• 12.3.3 结果分析
• 12.3.4 预测判别
• 12.3.5 综合建模
• 12.3.6 可视化分析
• 12.3.7 优化建模
• 12.4 本章汇总
• 第13章 神经网络
• 13.1 概述
• 13.2 R 中的实现
• 13.2.1 相关软件包
• 13.2.2 核心函数
• 13.3 应用案例
• 13.3.1 数据初探
• XI
• 13.3.2 数据处理
• 13.3.3 建立模型
• 13.3.4 结果分析
• 13.3.5 预测判别
• 13.3.6 模型差异分析
• 13.3.7 优化建模
• 13.4 本章汇总
• 第14章 模型评估与选择
• 14.1 评估过程概述
• 14.2 安装Rattle 包
• 14.3 Rattle 功能简介
• 14.3.1 Data――选取数据
• 14.3.2 Explore――数据探究
• 14.3.3 Test――数据相关检验
• 14.3.4 Transform――数据预处理
• 14.3.5 Cluster――数据聚类
• 14.3.6 Model――模型评估
• 14.3.7 Evaluate――模型评估
• 14.3.8 Log――模型评估记录
• 14.4 模型评估相关概念
• 14.4.1 误判率
• 14.4.2 正确/错误的肯定判断、正确/错误的否定判断
• 14.4.3 精确度、敏感度及特异性
• 14.5 Rattle 在模型评估中的应用
• 14.5.1 混淆矩阵
• 14.5.2 风险图
• 14.5.3 ROC 图及相关图表
• 14.5.4 模型得分数据集
• 14.6 综合实例
• 14.6.1 数据介绍
• 14.6.2 模型建立
• 14.6.3 模型结果分析
• 数据挖掘：R 语言实战