海报:
数据挖掘技术是当下大数据时代最关键的技术,其应用领域及前景不可估量。R是一款极其优秀的统计分析和数据挖掘软件,《大数据时代的R语言·数据挖掘:R语言实战》侧重使用R进行数据挖掘,重点讲述了R的数据挖掘流程、算法包的使用及相关工具的应用,同时结合大量精选的数据挖掘实例对R软件进行深入潜出和全面的介绍,以便读者能深刻理解R的精髓并能快速、高效和灵活地掌握使用R进行数据挖掘的技巧。 通过《大数据时代的R语言·数据挖掘:R语言实战》,读者不仅能掌握使用R及相关的算法包来快速解决实际问题的方法,而且能得到从实际问题分析入手,到利用R进行求解,以及对挖掘结果进行分析的全面训练。
第0章 致敬,R!致敬,肩膀!致敬,时代!致敬,人才!致敬,R 瑟!上篇 数据预处理第1章 数据挖掘导引1.1 数据挖掘概述1.1.1 数据挖掘的过程1.1.2 数据挖掘的对象1.1.3 数据挖掘的方法1.1.4 数据挖掘的应用1.2 数据挖掘的算法1.3 数据挖掘的工具1.3.1 工具的分类1.3.2 工具的选择1.3.3 商用的工具1.3.4 开源的工具1.4 R 在数据挖掘中的优势数据挖掘:R 语言实战VI第2章 数据概览2.1 n×m 数据集2.2 数据的分类2.2.1 一般的数据分类2.2.2 R 的数据分类2.2.3 用R 简单处理数据2.3 数据抽样及R 实现2.3.1 简单随机抽样2.3.2 分层抽样2.3.3 整群抽样2.4 训练集与测试集2.5 本章汇总第3章 用R 获取数据3.1 获取内置数据集3.1.1 datasets 数据集3.1.2 包的数据集3.2 获取其他格式的数据3.2.1 CSV 与TXT 格式3.2.2 从Excel 直接获取数据3.2.3 从其他统计软件中获取数据3.3 获取数据库数据3.4 获取网页数据3.5 本章汇总第4章 探索性数据分析4.1 数据集4.2 数字化探索4.2.1 变量概况4.2.2 变量详情4.2.3 分布指标4.2.4 稀疏性4.2.5 缺失值4.2.6 相关性4.3 可视化探索4.3.1 直方图目 录VII4.3.2 累积分布图4.3.3 箱形图4.3.4 条形图4.3.5 点阵图4.3.6 饼图4.5 本章汇总第5章 数据预处理5.1 数据集加载5.2 数据清理5.2.1 缺失值处理5.2.2 噪声数据处理5.2.3 数据不一致的处理5.3 数据集成5.4 数据变换5.5 数据归约5.6 本章汇总中篇 基本算法及应用第6章 关联分析6.1 概述6.2 R 中的实现6.2.1 相关软件包6.2.2 核心函数6.2.3 数据集6.3 应用案例6.3.1 数据初探6.3.2 对生成规则进行强度控制6.3.3 一个实际应用6.3.4 改变输出结果形式6.3.5 关联规则的可视化6.4 本章汇总第7章 聚类分析7.1 概述7.1.1 K-均值聚类数据挖掘:R 语言实战VIII7.1.2 K-中心点聚类7.1.3 系谱聚类7.1.4 密度聚类7.1.5 期望最大化聚类7.2 R 中的实现7.2.1 相关软件包7.2.2 核心函数7.2.3 数据集7.3 应用案例7.3.1 K-均值聚类7.3.2 K-中心点聚类7.3.3 系谱聚类7.3.4 密度聚类7.3.5 期望最大化聚类7.4 本章汇总第8章 判别分析8.1 概述8.1.1 费希尔判别8.1.2 贝叶斯判别8.1.3 距离判别8.2 R 中的实现8.2.1 相关软件包8.2.2 核心函数8.2.3 数据集8.3 应用案例8.3.1 线性判别分析8.3.2 朴素贝叶斯分类8.3.3 K 最近邻8.3.4 有权重的K 最近邻算法8.4 推荐系统综合实例8.4.1 kNN 与推荐8.4.2 MovieLens 数据集说明8.4.3 综合运用8.5 本章汇总目 录IX第9章 决策树9.1 概述9.1.1 树形结构9.1.2 树的构建9.1.3 常用算法9.2 R 中的实现9.2.1 相关软件包9.2.2 核心函数9.2.3 数据集9.3 应用案例9.3.1 CART 应用9.3.2 C4.5 应用9.4 本章汇总下篇 高级算法及应用第10章 集成学习10.1 概述10.1.1 一个概率论小计算10.1.2 Bagging 算法10.1.3 AdaBoost 算法10.2 R 中的实现10.2.1 相关软件包10.2.2 核心函数10.2.3 数据集10.3 应用案例10.3.1 Bagging 算法10.3.2 Adaboost 算法10.4 本章汇总第11章 随机森林11.1 概述11.1.1 基本原理11.1.2 重要参数11.2 R 中的实现11.2.1 相关软件包数据挖掘:R 语言实战X11.2.2 核心函数11.2.3 可视化分析11.3 应用案例11.3.1 数据处理11.3.2 建立模型11.3.3 结果分析11.3.4 自变量的重要程度11.3.5 优化建模11.4 本章汇总第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 数据初探目 录XI13.3.2 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
b站广告投放 电商培训 站外推广 京点书院 广告投放 微信广告推广 网站地图 快手广告投放 信息流广告 免费在线办公 新款 爱奇艺广告投放 广告投放平台 广告投放渠道 排行榜 广告创意 企业广告投放 app广告投放 直播推广 关键词 京东智联云 线下广告投放 媒体投放 知识库 广告热搜 抖音广告 价格 图片 微信广告投放 微信广告怎么推广
海报:
数据挖掘技术是当下大数据时代最关键的技术,其应用领域及前景不可估量。R是一款极其优秀的统计分析和数据挖掘软件,《大数据时代的R语言·数据挖掘:R语言实战》侧重使用R进行数据挖掘,重点讲述了R的数据挖掘流程、算法包的使用及相关工具的应用,同时结合大量精选的数据挖掘实例对R软件进行深入潜出和全面的介绍,以便读者能深刻理解R的精髓并能快速、高效和灵活地掌握使用R进行数据挖掘的技巧。
通过《大数据时代的R语言·数据挖掘:R语言实战》,读者不仅能掌握使用R及相关的算法包来快速解决实际问题的方法,而且能得到从实际问题分析入手,到利用R进行求解,以及对挖掘结果进行分析的全面训练。
第0章 致敬,R!
致敬,肩膀!
致敬,时代!
致敬,人才!
致敬,R 瑟!
上篇 数据预处理
第1章 数据挖掘导引
1.1 数据挖掘概述
1.1.1 数据挖掘的过程
1.1.2 数据挖掘的对象
1.1.3 数据挖掘的方法
1.1.4 数据挖掘的应用
1.2 数据挖掘的算法
1.3 数据挖掘的工具
1.3.1 工具的分类
1.3.2 工具的选择
1.3.3 商用的工具
1.3.4 开源的工具
1.4 R 在数据挖掘中的优势
数据挖掘:R 语言实战
VI
第2章 数据概览
2.1 n×m 数据集
2.2 数据的分类
2.2.1 一般的数据分类
2.2.2 R 的数据分类
2.2.3 用R 简单处理数据
2.3 数据抽样及R 实现
2.3.1 简单随机抽样
2.3.2 分层抽样
2.3.3 整群抽样
2.4 训练集与测试集
2.5 本章汇总
第3章 用R 获取数据
3.1 获取内置数据集
3.1.1 datasets 数据集
3.1.2 包的数据集
3.2 获取其他格式的数据
3.2.1 CSV 与TXT 格式
3.2.2 从Excel 直接获取数据
3.2.3 从其他统计软件中获取数据
3.3 获取数据库数据
3.4 获取网页数据
3.5 本章汇总
第4章 探索性数据分析
4.1 数据集
4.2 数字化探索
4.2.1 变量概况
4.2.2 变量详情
4.2.3 分布指标
4.2.4 稀疏性
4.2.5 缺失值
4.2.6 相关性
4.3 可视化探索
4.3.1 直方图
目 录
VII
4.3.2 累积分布图
4.3.3 箱形图
4.3.4 条形图
4.3.5 点阵图
4.3.6 饼图
4.5 本章汇总
第5章 数据预处理
5.1 数据集加载
5.2 数据清理
5.2.1 缺失值处理
5.2.2 噪声数据处理
5.2.3 数据不一致的处理
5.3 数据集成
5.4 数据变换
5.5 数据归约
5.6 本章汇总
中篇 基本算法及应用
第6章 关联分析
6.1 概述
6.2 R 中的实现
6.2.1 相关软件包
6.2.2 核心函数
6.2.3 数据集
6.3 应用案例
6.3.1 数据初探
6.3.2 对生成规则进行强度控制
6.3.3 一个实际应用
6.3.4 改变输出结果形式
6.3.5 关联规则的可视化
6.4 本章汇总
第7章 聚类分析
7.1 概述
7.1.1 K-均值聚类
数据挖掘:R 语言实战
VIII
7.1.2 K-中心点聚类
7.1.3 系谱聚类
7.1.4 密度聚类
7.1.5 期望最大化聚类
7.2 R 中的实现
7.2.1 相关软件包
7.2.2 核心函数
7.2.3 数据集
7.3 应用案例
7.3.1 K-均值聚类
7.3.2 K-中心点聚类
7.3.3 系谱聚类
7.3.4 密度聚类
7.3.5 期望最大化聚类
7.4 本章汇总
第8章 判别分析
8.1 概述
8.1.1 费希尔判别
8.1.2 贝叶斯判别
8.1.3 距离判别
8.2 R 中的实现
8.2.1 相关软件包
8.2.2 核心函数
8.2.3 数据集
8.3 应用案例
8.3.1 线性判别分析
8.3.2 朴素贝叶斯分类
8.3.3 K 最近邻
8.3.4 有权重的K 最近邻算法
8.4 推荐系统综合实例
8.4.1 kNN 与推荐
8.4.2 MovieLens 数据集说明
8.4.3 综合运用
8.5 本章汇总
目 录
IX
第9章 决策树
9.1 概述
9.1.1 树形结构
9.1.2 树的构建
9.1.3 常用算法
9.2 R 中的实现
9.2.1 相关软件包
9.2.2 核心函数
9.2.3 数据集
9.3 应用案例
9.3.1 CART 应用
9.3.2 C4.5 应用
9.4 本章汇总
下篇 高级算法及应用
第10章 集成学习
10.1 概述
10.1.1 一个概率论小计算
10.1.2 Bagging 算法
10.1.3 AdaBoost 算法
10.2 R 中的实现
10.2.1 相关软件包
10.2.2 核心函数
10.2.3 数据集
10.3 应用案例
10.3.1 Bagging 算法
10.3.2 Adaboost 算法
10.4 本章汇总
第11章 随机森林
11.1 概述
11.1.1 基本原理
11.1.2 重要参数
11.2 R 中的实现
11.2.1 相关软件包
数据挖掘:R 语言实战
X
11.2.2 核心函数
11.2.3 可视化分析
11.3 应用案例
11.3.1 数据处理
11.3.2 建立模型
11.3.3 结果分析
11.3.4 自变量的重要程度
11.3.5 优化建模
11.4 本章汇总
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
目 录
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