第0章 致敬，R！
致敬，肩膀！
致敬，時(shí)代！
致敬，人才！
致敬，R瑟！
上篇 數(shù)據(jù)預(yù)處理
第1章 數(shù)據(jù)挖掘?qū)б?/p>
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(duì)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(shì)
第2章 數(shù)據(jù)概覽
2.1 nm 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(jiǎn)單處理數(shù)據(jù)
2.3 數(shù)據(jù)抽樣及R實(shí)現(xiàn)
2.3.1 簡(jiǎn)單隨機(jī)抽樣
2.3.2 分層抽樣
2.3.3 整群抽樣
2.4 訓(xùn)練集與測(cè)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(jì)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(biāo)
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
4.3.2 累積分布圖
4.3.3 箱形圖
4.3.4 條形圖
4.3.5 點(diǎn)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(shí)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(duì)生成規(guī)則進(jìn)行強(qiáng)度控制
6.3.3 一個(gè)實(shí)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
7.1.2 K-中心點(diǎn)聚類
7.1.3 系譜聚類
7.1.4 密度聚類
7.1.5 期望較大化聚類
7.2 R中的實(shí)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(diǎn)聚類
7.3.3 系譜聚類
7.3.4 密度聚類
7.3.5 期望較大化聚類
7.4 本章匯總
第8章 判別分析
8.1 概述
8.1.1 費(fèi)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(shí)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(shí)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(yùn)用
8.5 本章匯總
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(shí)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(jí)算法及應(yīng)用
第10章 集成學(xué)習(xí)
10.1 概述
10.1.1 一個(gè)概率論小計(jì)算
10.1.2 Bagging 算法
10.1.3 AdaBoost 算法
10.2 R中的實(shí)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(jī)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(shí)現(xiàn)
11.2.1 相關(guān)軟件包
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(jī)
12.1 概述
12.1.1 結(jié)構(gòu)風(fēng)險(xiǎn)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(shí)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(cè)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(shí)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
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(cè)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(píng)估與選擇
14.1 評(píng)估過程概述
14.2 安裝Rattle包
14.3 Rattle 功能簡(jiǎn)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(yàn)
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(píng)估
14.3.7 Evaluate——模型評(píng)估.
14.3.8 Log——模型評(píng)估記錄
14.4 模型評(píng)估相關(guān)概念
14.4.1 誤判率.
14.4.2 正確/錯(cuò)誤的肯定判斷、正確/錯(cuò)誤的否定判斷.
14.4.3 度、敏感度及特異性
14.5 Rattle 在模型評(píng)估中的應(yīng)用
14.5.1 混淆矩陣
14.5.2 風(fēng)險(xiǎn)圖
14.5.3 ROC 圖及相關(guān)圖表
14.5.4 模型得分?jǐn)?shù)據(jù)集
14.6 綜合實(shí)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
