R語言數據挖掘方法及應用 epub pdf mobi txt 電子書 下載 2024

R語言數據挖掘方法及應用 epub pdf mobi txt 電子書 下載 2024

☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

R語言數據挖掘方法及應用 epub pdf mobi txt 電子書 下載 2024

类似图書 點擊查看全場最低價

---

內容簡介

　　大數據不僅意味著數據的積纍、存儲與管理，更意味著大數據的分析。數據挖掘無可爭議地成為當今大數據分析的核心利器。R語言因徹底的開放性策略業已躋身數據挖掘工具之首列。本書以“R語言數據挖掘入門並不難”為開篇，總覽瞭數據挖掘的理論和應用輪廓，明確瞭R語言入門的必備知識和學習路綫，並展示瞭數據挖掘的初步成果，旨在使讀者快速起步數據挖掘實踐。後續圍繞數據挖掘應用的四大核心方麵，安排瞭數據預測篇：立足數據預測未知，數據分組篇：發現數據中的自然群組，數據關聯篇：發現數據的內在關聯性，離群數據探索篇：發現數據中的離群點。每篇下各設若乾章節，各章節從簡單易懂且具代錶性的案例問題入手，剖析理論方法原理，講解R語言實現，並給齣案例的R語言數據挖掘代碼和結果解釋。本書內容覆蓋之廣泛，原理講解之通俗，R語言實現步驟之詳盡，在國內外同類書籍中尚不多見。相關數據資料及電子教案，可登錄華信教育資源網www.hxedu.com.cn免費下載。

作者簡介

　　薛薇，中國人民大學副教授，教研室主任，資深作者。主要著作：《SPSS統計分析方法及應用》、《SPSSMODOLER數據挖掘方法及應用》。

目錄

第一篇 起步篇：R語言數據挖掘入門並不難
第1章 數據挖掘與R語言概述
【本章學習目標】
1．1 為什麼要學習數據挖掘和R語言
1．2 什麼是數據挖掘
1．3數據挖掘能給齣什麼
1．3．1數據挖掘結果有哪些呈現方式
1．3．2 數據挖掘結果有哪些基本特徵
1．4 數據挖掘能解決什麼問題
1．4．1 數據預測
1．4．2 發現數據的內在結構
1．4．3 發現關聯性
1．4．4 模式診斷
1．5 數據挖掘解決問題的思路
1．6數據挖掘有哪些典型的商業應用
1．6．1 數據挖掘在客戶細分中的應用
1．6．2 數據挖掘在客戶流失分析中的應用
1．6．3 數據挖掘在營銷響應分析中的應用
1．6．4 數據挖掘在交叉銷售中的應用
1．6．5 數據挖掘在欺詐甄彆中的應用
1．7 R語言入門需要知道什麼
1．7．1 什麼是R的包
1．7．2 如何獲得 R
1．7．3 R如何起步
1．7．4 R的基本操作和其他
【本章附錄】
第2章 R語言數據挖掘起步：R對象和數據組織
【本章學習目標】
2．1 什麼是R的數據對象
2．1．1 R的數據對象有哪些類型
2．1．2 如何創建和訪問R的數據對象
2．2 如何用R的嚮量組織數據
2．2．1 創建隻包含一個元素的嚮量
2．2．2 創建包含多個元素的嚮量
2．2．3 訪問嚮量中的元素
2．3 如何用R的矩陣組織數據
2．3．1 創建矩陣
2．3．2 訪問矩陣中的元素
2．4 如何用R的數據框組織數據
2．4．1 創建數據框
2．4．2 訪問數據框
2．5 如何用R的數組、列錶組織數據
2．5．1 創建和訪問數組
2．5．2 創建和訪問列錶
2．6 R數據對象的相互轉換
2．6．1 不同存儲類型之間的轉換
2．6．2 不同結構類型之間的轉換
2．7 如何將外部數據組織到R數據對象中
2．7．1 將文本數據組織到R對象中
2．7．2 將SPSS數據組織到R對象中
2．7．3 將數據庫和Excel錶數據組織到R對象中
2．7．4 將網頁錶格數據組織到R對象中
2．7．5 R有哪些自帶的數據包
2．7．6 如何將R對象中的數據保存起來
2．8 R程序設計需哪些必備知識
2．8．1 R程序設計涉及哪些基本概念
2．8．2 R有哪些常用的係統函數
2．8．3 用戶自定義函數提升編程水平
2．8．4 如何提高R程序處理的能力
2．9 R程序設計與數據整理綜閤應用
2．9．1 綜閤應用一：數據的基本處理
2．9．2 綜閤應用二：如何將匯總數據還原為原始數據
【本章附錄】
第3章 R語言數據挖掘初體驗：對數據的直觀印象
【本章學習目標】
【案例與思考】
3．1 數據的直觀印象
3．1．1 R的數據可視化平颱是什麼?
3．1．3 R的圖形邊界和布局
3．1．2 R的圖形組成和圖形參數
3．1．4 如何修改R的圖形參數？
3．2如何獲得單變量分布特徵的直觀印象
3．2．1核密度圖：車險理賠次數的分布特點是什麼？
3．2．2 小提琴圖：不同車型車險理賠次數的分布有差異嗎？
3．2．3剋利夫蘭點圖：車險理賠次數存在異常嗎？
3．3如何獲得多變量聯閤分布的直觀印象
3．3．1 麯麵圖和等高綫圖
3．3．2 二元核密度麯麵圖：投保人年齡和車險理賠次數的聯閤分布特點是什麼？
3．3．3 雷達圖：不同區域氣候特點有差異嗎？
3．4如何獲得變量間相關性的直觀印象
3．4．1 馬賽剋圖：車型和車齡有相關性嗎？
3．4．2 散點圖：這些因素會影響空氣濕度嗎？
3．4．3 相關係數圖：淘寶各行業商品成交指數有相關性嗎？
3．5如何獲得GIS數據的直觀印象
3．5．1 繪製世界地圖和美國地圖
3．5．2 繪製中國行政區劃地圖
3．5．3 依據地圖繪製熱力圖：不同省市的淘寶女裝成交指數有差異嗎？
3．7如何獲得文本詞頻數據的直觀印象：政府工作報告中有哪些高頻詞?
【本章附錄】
第二篇 數據預測篇：立足數據預測未知
第4章 基於近鄰的分類預測：與近鄰有趨同的選擇！
【本章學習目標】
【案例與思考】
4．1近鄰分析： K-近鄰法
4．1．1 K-近鄰法中的距離
4．1．2 K-近鄰法中的近鄰個數
4．1．3 R的K-近鄰法和模擬分析
4．1．4 K-近鄰法應用：天貓成交顧客的分類預測
4．2 K-近鄰法的適用性及特徵選擇
4．2．1 K-近鄰法的適用性
4．2．2 特徵選擇：找到重要變量
4．3基於變量重要性的加權K-近鄰法
4．3．1 基於變量重要性的加權K-近鄰法的基本原理
4．3．2 變量重要性判斷應用：天貓成交顧客預測中的重要變量
4．4基於觀測相似性的加權K-近鄰法
4．4．1 加權K-近鄰法的權重設計
4．4．2 加權K-近鄰法的距離和相似性變換
4．4．3 加權K-近鄰法的R實現
4．4．4加權K-近鄰法應用：天貓成交顧客的分類預測
【本章附錄】
第5章 基於規則的分類和組閤預測：給齣易懂且穩健的預測！
【本章學習目標】
【案例與思考】
5．1決策樹概述
5．1．1 什麼是決策樹？
5．1．2 決策樹的幾何意義是什麼？
5．1．3 決策樹的核心問題
5．2 分類迴歸樹的生長過程
5．2．1 分類樹的生長過程
5．2．2 迴歸樹的生長過程
5．2．3損失矩陣對分類樹的影響
5．3 分類迴歸樹的剪枝
5．3．1 最小代價復雜度的測度
5．3．2 分類迴歸樹後剪枝過程
5．3．3 分類迴歸樹的交叉驗證剪枝
5．4 分類迴歸樹的R實現和應用
5．4．1 分類迴歸樹的R實現
5．4．2 分類迴歸樹的應用：提煉不同消費行為顧客的主要特徵
5．5 建立分類迴歸樹的組閤預測模型：給齣穩健的預測
5．5．1 袋裝技術
5．5．2 袋裝技術的R實現
5．5．3 袋裝技術的應用：穩健定位目標客戶
5．5．4 推進技術
5．5．5 推進技術的R實現
5．5．6 推進技術的應用：穩健定位目標客戶
5．6 隨機森林：具有隨機性的組閤預測
5．6．1 什麼是隨機森林？
5．6．2 隨機森林的R實現
5．6．3 隨機森林的應用：穩健定位目標客戶
【本章附錄】
第6章 基於神經網絡的分類預測：給齣高精確的預測！
【本章學習目標】
【案例與思考】
6．1 人工神經網絡概述
6．1．1 人工神經網絡和種類
6．1．2 節點：人工神經網絡的核心處理器
6．1．3 建立人工神經網絡的一般步驟
6．1．4感知機模型：確定連接權重的基本策略
6．2 B-P反嚮傳播網絡：最常見的人工神經網絡
6．2．1 B-P反嚮傳播網絡的三大特點
6．2．2 B-P反嚮傳播算法：確定連接權重
6．2．3 學習率：影響連接權重調整的重要因素
6．3 B-P反嚮傳播網絡的R實現和應用
6．3．1 neuralnet包中的neuralnet函數
6．3．2 neuralnet函數的應用：精準預測顧客的消費行為
6．3．3 利用ROC麯綫確定概率分割值
6．3．4 nnet包中的nnet函數
【本章附錄】
第7章 基於支持嚮量的分類預測：給齣最大把握的預測！
【本章學習目標】
【案例與思考】
7．1 支持嚮量分類概述
7．1．1支持嚮量分類的基本思路：確保把握程度
7．1．2支持嚮量分類的三種情況
7．2理想條件下的分類：綫性可分時的支持嚮量分類
7．2．1如何求解超平麵
7．2．1如何利用超平麵進行分類預測
7．3 一般條件下的分類：廣義綫性可分時的支持嚮量分類
7．3．1如何求解超平麵
7．3．2 可調參數的意義：把握程度和精度的權衡
7．4 復雜條件下的分類：綫性不可分時支持嚮量分類
7．4．1 綫性不可分的一般解決途徑和維災難問題
7．4．2 支持嚮量分類剋服維災難的途徑
7．5 多分類的支持嚮量分類：二分類的拓展
7．6 支持嚮量迴歸：解決數值預測問題
7．6．1 支持嚮量迴歸與一般綫性迴歸：目標和策略
7．6．2 支持嚮量迴歸的基本思路
7．7 支持嚮量機的R實現及應用
7．7．1支持嚮量機的R實現
7．7．2 利用R模擬綫性可分下的支持嚮量分類
7．7．3 利用R模擬綫性不可分下的支持嚮量分類
7．7．4 利用R模擬多分類的支持嚮量分類
7．7．5 支持嚮量分類應用：天貓成交顧客的預測
【本章附錄】
第三篇 數據分組篇：發現數據中的自然群組
第8章 常規聚類：直觀的數據全方位自動分組
【本章學習目標】
【案例與思考】
8．1 聚類分析概述
8．1．1聚類分析目標：發現數據中的“自然小類”
8．1．2 有哪些主流的聚類算法？
8．2基於質心的聚類：K-Means聚類
8．2．1 K-Means聚類中的距離測度：體現全方位性
8．2．2 K-Means聚類過程：多次自動分組
8．2．3 K-Means聚類的R實現和模擬分析
8．2．4 K-Means聚類的應用：環境汙染的區域劃分
8．3 PAM聚類：改進的K- Means聚類
8．3．1 PAM聚類過程
8．3．2 PAM聚類的R實現和模擬分析
8．3基於聯通性的聚類：層次聚類
8．3．1 層次聚類的基本過程：循序漸進的自動分組
8．3．2 層次聚類的R實現和應用：環境汙染的區域劃分
8．4基於統計分布的聚類：EM聚類
8．4．1 基於統計分布的聚類齣發點：有限混閤分布
8．4．2 EM聚類：如何估計類參數和聚類解
8．4．3 EM聚類的R實現和模擬分析
8．4．4 EM聚類的應用：環境汙染的區域劃分
【本章附錄】
第9章 特色聚類：數據分組還可以這樣做！
【本章學習目標】
【案例與思考】
9．1 BIRCH聚類概述
9．1．1 BRICH聚類有哪些特點？
9．1．2 聚類特徵和聚類特徵樹：BIRCH聚類的重要策略
9．1．3 BIRCH的聚類過程：由存儲空間決定的動態聚類
9．1．4 BRICH聚類的R實現
9．1．5 BRICH聚類應用：兩期崗位培訓的比較
9．2 SOM網絡聚類概述
9．2．1 SOM網絡聚類設計齣發點
9．2．2 SOM網絡的拓撲結構和聚類原理
9．2．3 SOM網絡聚類的R實現
9．2．4 SOM網絡聚類應用：手寫郵政編碼識彆
9．2．5 拓展SOM網絡：紅酒品質預測
9．3基於密度的聚類模型：DBSCAN聚類
9．3．1 DBSCAN聚類原理：密度可達性是核心
9．3．2 DBSCAN聚類的R實現
9．3．3 DBSCAN聚類的模擬分析
【本章附錄】
第四篇 數據關聯篇：發現數據的內在關聯性
第10章 發現數據中的關聯特徵：關聯是推薦的依據！
【本章學習目標】
【案例與思考】
10．1 簡單關聯規則及其測度
10．1．1 什麼是簡單關聯規則？
10．1．2 如何評價簡單關聯規則的有效性？
10．1．3如何評價簡單關聯規則的實用性？
10．2 Apriori算法：發現簡單關聯規則的高效算法
10．2．1 搜索頻繁項集：Apriori算法的重中之重
10．2．2依頻繁項集産生簡單關聯規則：水到渠成
10．2．3 Apriori算法的R實現和應用示例
10．2．4 簡單關聯的可視化R實現和應用示例
10．3 Eclat算法：更快速地發現頻繁項集
10．3．1 Eclat算法原理：對等類是核心
10．3．2 Eclat算法的R實現和應用示例
10．4 簡單關聯分析應用：商品推薦
10．4．1 發現連帶銷售商品
10．4．2 顧客選擇性傾嚮對比
10．5 序列關聯分析及SPADE算法：發現數據中的時序關聯性
10．5．1 序列關聯中有哪些基本概念？
10．5．2 SPADE算法：發現序列關聯規則的高效算法
10．5．3 序列關聯分析的R實現及應用示例
10．6 序列關聯分析應用：發現網民的瀏覽習慣
第11章 復雜網絡分析初步：基於關係的研究！
【本章學習目標】
【案例與思考】
11．1 網絡的定義錶示及構建：復雜網絡分析的第一步！
11．1．1 網絡的圖論定義及R實現
11．1．2 網絡的矩陣錶示方式及R實現
11．1．3 R的網絡數據文件和建立網絡對象
11．1．4 R的網絡可視化
11．2 網絡節點重要性的測度：誰是網絡的“主導”？
11．2．1度和測地綫距離
11．2．2點度中心度和接近中心度：節點“中心”作用的測度
11．2．3中間中心度：節點“樞紐”作用的測度
11．2．4節點重要性的其他方麵：結構洞和關節點、特徵嚮量中心度和PageRank得分
11．3 網絡子群構成特徵研究：找到網絡中的“小團體”！
11．3．1二元關係和三元關係及R實現
11．3．2 派係和k-核及R實現
11．3．3 社區和組件及R實現
11．4 網絡整體特徵刻畫：整體關係是這樣的！
11．4．1 網絡整體特徵的測度
11．4．2 網絡特徵的各種分布和度量
11．5 主要網絡類型及特點：多姿多彩的網絡世界！
11．5．1 規則網絡及特點
11．5．2 隨機網絡及特點
11．5．3 小世界網絡及特點
11．5．4 無標度網絡及特點
【本章附錄】
第五篇 離群數據探索篇：發現數據中的離群點
第12章模式甄彆：診斷異常數據！
【本章學習目標】
【案例與思考】
12．1 模式甄彆方法和評價概述
12．1．1 模式甄彆方法
12．1．2 模式甄彆結果及評價：風險評分
12．2 模式甄彆的無監督偵測方法及應用示例
12．2．1 依概率偵測模式及R應用示例
12．2．2 依距離偵測模式：DB方法及R應用示例
12．2．3 依密度偵測模式：LOF方法及R應用示例
12．3 模式甄彆的有監督偵測方法及應用示例
12．3．1 樸素貝葉斯分類法及示例
12．3．2 Logistic迴歸及示例
12．3．3 非平衡數據集的SMOTE處理
12．4 模式甄彆的半監督偵測方法及應用示例
12．4．1 半監督分類：自訓練分類模型
12．4．2 自訓練分類模型的R實現及應用示例
【本章附錄】

前言/序言

　　大數據時代不僅僅意味著數據的積纍、存儲與管理，更意味著對數據的建模與分析。數據挖掘無可爭議地成為當今大數據分析的核心利器。
　　盡管早在20世紀末數據挖掘的概念就被提齣來，但數據挖掘的蓬勃應用其實纔剛剛起步。這不僅得益於數據挖掘不斷汲取並集成機器學習、統計學和可視化等學科領域的研究成果，理論日趨成熟，得益於大數據環境基礎和大數據分析需求，更得益於開放性的數據挖掘應用實施平颱。
　　因采取徹底的開放性策略，R語言已成為近年來齣類拔萃的數據挖掘工具之一。其特點主要是：開源性，即可以免費下載並升級；全麵性，即數據挖掘方法豐富全麵，覆蓋麵廣泛；操作簡便性，即直接采用函數調用相關算法，且通過簡單編程可完成復雜的數據處理和方法拓展；可擴展性，即R語言通過網絡社區平颱，吸引越來越多的專傢學者和應用人員成為R的開發者，為R語言不斷增添更有效、更前沿的數據挖掘方法。所以，R語言是一款應用前景廣闊的數據挖掘工具。
　　本書以R語言數據挖掘入門並不難為起步篇，總覽瞭數據挖掘的理論輪廓，厘清瞭相關概念，明確瞭R語言入門的必備知識和深入學習路綫，並給齣瞭對數據的直觀印象這個R語言數據挖掘的初步成果。旨在使讀者在沒有相關知識儲備的情況下，也能夠快速起步數據挖掘實踐。後續，本書圍繞數據挖掘應用的四大核心方麵，安排瞭數據預測篇：立足數據預測未知，數據分組篇：發現數據中的自然群組，數據關聯篇：發現數據的內在關聯性，離群數據探索篇：發現數據中的離群點。每篇下各設若乾章節，每個章節從簡單的案例問題入手，剖析理論方法原理，講解R語言實現，給齣案例的R語言數據挖掘代碼和結果解釋。覆蓋內容之廣泛，R實現步驟之詳盡，都是國內外同類書籍中不多見的。這是本書的特點之一。
　　我們認為“道”和“術”的結閤，無論對數據挖掘的初學者還是應用實踐者都是必要的。“道”是數據挖掘方法，“道”是原理，此原理不是數學公式的簡單羅列，而是透徹的知識認知。所以，本書希望努力給齣“道”的直觀闡述，並以盡量準確、簡短和通俗的語言，將“道”體現在章節的主副題目上，使讀者一目瞭然。“術”是數據挖掘的R代碼，“術”是操作，此操作不是R函數的簡單呈現，而是算法實現和應用的通用模闆，是幫助讀者實現數據挖掘實踐的有效工具。所以，本書力圖利用R語言模擬充分直觀展現“道”，並通過有代錶性的數據案例，畫龍點睛地闡明R的“術”。每章都配有案例數據和R程序代碼，使讀者不但知其然，更知其所以然和如何然。此外，各章均以附錄形式給齣本章涉及的R函數列錶，方便讀者查閱。這是本書的特點之二。
　　進一步，目前R語言包的數量已多達7000多個，且還在快速增長。R的開放性決定瞭可能有諸多包都可以實現相同的數據挖掘算法。對此，本書選擇R中主流的且被有效驗證和廣泛使用的包，既保證經典性也兼顧有效性，同時也解決瞭初學者因陷於眾多R的“包”圍中而無從下手的問題。這是本書的特點之三。
　　最後，對R語言數據挖掘的初學者，建議按照本書章節結構，循序漸進地學習，並參照書中示例，邊學邊做，加深概念理解和提升R語言熟練度。對有一定R語言基礎或數據挖掘應用經驗的學習者，因本書各篇和章節具有相對獨立性，采用“以數據為導嚮”和“以問題為導嚮”的有針對性的R語言數據挖掘學習策略均是可行的。
　　本書適閤高等院校相關專業的本科生和研究生學習使用，也適閤商業企業、科研機構、政府管理部門等相關人員閱讀參考。感謝付強、高峰、何建成、王曉靜、肖偉、黃玉婷、陳笑語等同仁同學對本書的貢獻和寶貴建議。書中不妥和錯誤之處，誠望讀者不吝指正。
　　薛薇
　　於中國人民大學統計學院

R語言數據挖掘方法及應用 epub pdf mobi txt 電子書 下載 2024

R語言數據挖掘方法及應用 下載 epub mobi pdf txt 電子書

評分☆☆☆☆☆

適閤當教材，挺好的挺實用

評分☆☆☆☆☆

很好！！

評分☆☆☆☆☆

書中紙質軟，印刷一般。內容在研讀中。

評分☆☆☆☆☆

書是正品，質量不錯的，內容豐富，支持京東商城。謝謝快遞師傅，辛苦瞭。

評分☆☆☆☆☆

送貨快！開始學習瞭！

評分☆☆☆☆☆

還不錯，性價比高，還不錯，還不錯。

評分☆☆☆☆☆

網上顯示404頁，書的末頁是392頁，不知道是否少瞭內容

評分☆☆☆☆☆

專業書籍，質量很好

評分☆☆☆☆☆

此用戶未填寫評價內容

类似图書 點擊查看全場最低價