數(shù)據(jù)挖掘:R語言實戰(zhàn)pdf 黃文 掃描版

1.1 數(shù)據(jù)挖掘概述

1.1.1 數(shù)據(jù)挖掘的過程

1.1.2 數(shù)據(jù)挖掘的對象

1.1.3 數(shù)據(jù)挖掘的方法

1.1.4 數(shù)據(jù)挖掘的應(yīng)用

1.2 數(shù)據(jù)挖掘的算法

1.3 數(shù)據(jù)挖掘的工具

1.3.1 工具的分類

1.3.2 工具的選擇

1.3.3 商用的工具

1.3.4 開源的工具

1.4 R 在數(shù)據(jù)挖掘中的優(yōu)勢

數(shù)據(jù)挖掘：R 語言實戰(zhàn)

VI

第2章 數(shù)據(jù)概覽

2.1 n×m 數(shù)據(jù)集

2.2 數(shù)據(jù)的分類

2.2.1 一般的數(shù)據(jù)分類

2.2.2 R 的數(shù)據(jù)分類

2.2.3 用R 簡單處理數(shù)據(jù)

2.3 數(shù)據(jù)抽樣及R 實現(xiàn)

2.3.1 簡單隨機抽樣

2.3.2 分層抽樣

2.3.3 整群抽樣

2.4 訓(xùn)練集與測試集

2.5 本章匯總

第3章 用R 獲取數(shù)據(jù)

3.1 獲取內(nèi)置數(shù)據(jù)集

3.1.1 datasets 數(shù)據(jù)集

3.1.2 包的數(shù)據(jù)集

3.2 獲取其他格式的數(shù)據(jù)

3.2.1 CSV 與TXT 格式

3.2.2 從Excel 直接獲取數(shù)據(jù)

3.2.3 從其他統(tǒng)計軟件中獲取數(shù)據(jù)

3.3 獲取數(shù)據(jù)庫數(shù)據(jù)

3.4 獲取網(wǎng)頁數(shù)據(jù)

3.5 本章匯總

第4章 探索性數(shù)據(jù)分析

4.1 數(shù)據(jù)集

4.2 數(shù)字化探索

4.2.1 變量概況

4.2.2 變量詳情

4.2.3 分布指標

4.2.4 稀疏性

4.2.5 缺失值

4.2.6 相關(guān)性

4.3 可視化探索

4.3.1 直方圖

目 錄

VII

4.3.2 累積分布圖

4.3.3 箱形圖

4.3.4 條形圖

4.3.5 點陣圖

4.3.6 餅圖

4.5 本章匯總

第5章 數(shù)據(jù)預(yù)處理

5.1 數(shù)據(jù)集加載

5.2 數(shù)據(jù)清理

5.2.1 缺失值處理

5.2.2 噪聲數(shù)據(jù)處理

5.2.3 數(shù)據(jù)不一致的處理

5.3 數(shù)據(jù)集成

5.4 數(shù)據(jù)變換

5.5 數(shù)據(jù)歸約

5.6 本章匯總

中篇 基本算法及應(yīng)用

第6章 關(guān)聯(lián)分析

6.1 概述

6.2 R 中的實現(xiàn)

6.2.1 相關(guān)軟件包

6.2.2 核心函數(shù)

6.2.3 數(shù)據(jù)集

6.3 應(yīng)用案例

6.3.1 數(shù)據(jù)初探

6.3.2 對生成規(guī)則進行強度控制

6.3.3 一個實際應(yīng)用

6.3.4 改變輸出結(jié)果形式

6.3.5 關(guān)聯(lián)規(guī)則的可視化

6.4 本章匯總

第7章 聚類分析

7.1 概述

7.1.1 K-均值聚類

數(shù)據(jù)挖掘：R 語言實戰(zhàn)

VIII

7.1.2 K-中心點聚類

7.1.3 系譜聚類

7.1.4 密度聚類

7.1.5 期望最大化聚類

7.2 R 中的實現(xiàn)

7.2.1 相關(guān)軟件包

7.2.2 核心函數(shù)

7.2.3 數(shù)據(jù)集

7.3 應(yīng)用案例

7.3.1 K-均值聚類

7.3.2 K-中心點聚類

7.3.3 系譜聚類

7.3.4密度聚類

7.3.5 期望最大化聚類

7.4 本章匯總

第8章 判別分析

8.1 概述

8.1.1 費希爾判別

8.1.2貝葉斯判別

8.1.3 距離判別

8.2 R 中的實現(xiàn)

8.2.1 相關(guān)軟件包

8.2.2 核心函數(shù)

8.2.3 數(shù)據(jù)集

8.3 應(yīng)用案例

8.3.1 線性判別分析

8.3.2 樸素貝葉斯分類

8.3.3 K 最近鄰

8.3.4 有權(quán)重的K 最近鄰算法

8.4 推薦系統(tǒng)綜合實例

8.4.1 kNN 與推薦

8.4.2 MovieLens 數(shù)據(jù)集說明

8.4.3 綜合運用

8.5 本章匯總

目 錄

IX

第9章 決策樹

9.1 概述

9.1.1 樹形結(jié)構(gòu)

9.1.2 樹的構(gòu)建

9.1.3 常用算法

9.2 R 中的實現(xiàn)

9.2.1 相關(guān)軟件包

9.2.2 核心函數(shù)

9.2.3 數(shù)據(jù)集

9.3 應(yīng)用案例

9.3.1 CART 應(yīng)用

9.3.2 C4.5 應(yīng)用

9.4 本章匯總

下篇 高級算法及應(yīng)用

第10章 集成學(xué)習(xí)

10.1 概述

10.1.1 一個概率論小計算

10.1.2 Bagging 算法

10.1.3 AdaBoost 算法

10.2 R 中的實現(xiàn)

10.2.1 相關(guān)軟件包

10.2.2 核心函數(shù)

10.2.3 數(shù)據(jù)集

10.3 應(yīng)用案例

10.3.1 Bagging 算法

10.3.2 Adaboost 算法

10.4 本章匯總

第11章 隨機森林

11.1 概述

11.1.1 基本原理

11.1.2 重要參數(shù)

11.2 R 中的實現(xiàn)

11.2.1 相關(guān)軟件包

數(shù)據(jù)挖掘：R 語言實戰(zhàn)

X

11.2.2 核心函數(shù)

11.2.3 可視化分析

11.3 應(yīng)用案例

11.3.1 數(shù)據(jù)處理

11.3.2 建立模型

11.3.3 結(jié)果分析

11.3.4 自變量的重要程度

11.3.5 優(yōu)化建模

11.4 本章匯總

第12章 支持向量機

12.1 概述

12.1.1 結(jié)構(gòu)風(fēng)險最小原理

12.1.2 函數(shù)間隔與幾何間隔

12.1.3 核函數(shù)

12.2 R 中的實現(xiàn)

12.2.1 相關(guān)軟件包

12.2.2 核心函數(shù)

12.2.3 數(shù)據(jù)集

12.3 應(yīng)用案例

12.3.1 數(shù)據(jù)初探

12.3.2 建立模型

12.3.3 結(jié)果分析

12.3.4 預(yù)測判別

12.3.5 綜合建模

12.3.6 可視化分析

12.3.7 優(yōu)化建模

12.4 本章匯總

第13章 神經(jīng)網(wǎng)絡(luò)

13.1 概述

13.2 R 中的實現(xiàn)

13.2.1 相關(guān)軟件包

13.2.2 核心函數(shù)

13.3 應(yīng)用案例

13.3.1 數(shù)據(jù)初探

目 錄

XI

13.3.2 數(shù)據(jù)處理

13.3.3 建立模型

13.3.4 結(jié)果分析

13.3.5 預(yù)測判別

13.3.6 模型差異分析

13.3.7 優(yōu)化建模

13.4 本章匯總第14章 模型評估與選擇

14.1 評估過程概述

14.2 安裝Rattle 包

14.3 Rattle 功能簡介

14.3.1 Data――選取數(shù)據(jù)

14.3.2 Explore――數(shù)據(jù)探究

14.3.3 Test――數(shù)據(jù)相關(guān)檢驗

14.3.4 Transform――數(shù)據(jù)預(yù)處理

14.3.5 Cluster――數(shù)據(jù)聚類

14.3.6 Model――模型評估

14.3.7 Evaluate――模型評估

14.3.8 Log――模型評估記錄

14.4 模型評估相關(guān)概念

14.4.1 誤判率

14.4.2 正確/錯誤的肯定判斷、正確/錯誤的否定判斷

14.4.3 精確度、敏感度及特異性

14.5 Rattle 在模型評估中的應(yīng)用

14.5.1 混淆矩陣

14.5.2 風(fēng)險圖

14.5.3 ROC 圖及相關(guān)圖表

14.5.4 模型得分數(shù)據(jù)集

14.6 綜合實例

14.6.1 數(shù)據(jù)介紹

14.6.2 模型建立

14.6.3 模型結(jié)果分析

數(shù)據(jù)挖掘：R 語言實戰(zhàn)