作品简介

本书首先介绍了R语言的相关知识,包括R语言基础、R语言可视化技术。随后本书详细介绍了数据挖掘与数据分析中重要的理论方法与基础知识,包括线性回归、逻辑回归、决策树与回归树、随机森林、贝叶斯分类器等内容,并展示了如何将R语言用到这些方法的具体场景中。本书通过结合数据挖掘技术的理论知识与R语言的实战应用,帮助读者更好地运用R语言解决数据挖掘中的实际问题。

本书适合作为高等院校管理科学与工程类专业、工商管理类专业、工程管理类专业硕士研究生的数据挖掘与商务数据分析课程的教材,还适合作为相关专业博士研究生的参考资料。

王阳编著。

作品目录

  • PREFACE 前言
  • CHAPTER 1 第1章 R语言基础
  • ■ 学习目标
  • ■ 应用背景介绍
  • 1.1 R语言中的数据读取和数据导出
  • 1.2 R语言中的数据类型和对象
  • 1.3 R语言中的控制语句及函数
  • 1.4 R语言中的数据处理
  • 1.5 R包
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 2 第2章 R语言可视化技术
  • ■ 学习目标
  • ■ 应用背景介绍
  • 2.1 ggplot2的图层语法
  • 2.2 图层
  • 2.3 图像细节调整
  • 2.4 常用工具图的绘制
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 3 第3章 线性回归
  • ■ 学习目标
  • ■ 应用背景介绍
  • 3.1 线性回归模型的基本形式
  • 3.2 线性回归模型参数的估计
  • 3.3 自变量为分类变量的处理
  • 3.4 线性回归模型的显著性检验
  • 3.5 线性回归中的多重共线性
  • 3.6 线性回归模型的拟合优度
  • 3.7 回归诊断
  • 3.8 线性回归的R语言实现
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 4 第4章 逻辑回归
  • ■ 学习目标
  • ■ 应用背景介绍
  • 4.1 逻辑回归原理
  • 4.2 逻辑回归算法示例
  • 4.3 模型理解
  • 4.4 R语言编程
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 5 第5章 决策树与回归树
  • ■ 学习目标
  • ■ 应用背景介绍
  • 5.1 CART算法原理
  • 5.2 CART算法示例
  • 5.3 模型理解
  • 5.4 R语言编程
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 6 第6章 随机森林
  • ■ 学习目标
  • ■ 应用背景介绍
  • 6.1 随机森林方法原理
  • 6.2 模型理解
  • 6.3 R语言编程
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 7 第7章 贝叶斯分类器
  • ■ 学习目标
  • ■ 应用背景介绍
  • 7.1 贝叶斯定理
  • 7.2 朴素贝叶斯分类器
  • 7.3 贝叶斯信念网络
  • 7.4 R语言编程
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 8 第8章 层次聚类
  • ■ 学习目标
  • ■ 应用背景介绍
  • 8.1 算法原理
  • 8.2 算法示例
  • 8.3 模型理解
  • 8.4 R语言编程
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 9 第9章 K均值聚类
  • ■ 学习目标
  • ■ 应用背景介绍
  • 9.1 算法原理
  • 9.2 算法示例
  • 9.3 模型理解
  • 9.4 R语言编程
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 10 第10章 关联规则分析
  • ■ 学习目标
  • ■ 应用背景介绍
  • 10.1 关联分析与概率统计
  • 10.2 关联规则的挖掘
  • 10.3 Apriori算法原理
  • 10.4 R语言编程
  • ◎ 本章小结
  • ◎ 课后习题
  • CHAPTER 11 第11章 案例分析之随机森林
  • ■ 学习目标
  • ■ 案例背景
  • 11.1 案例介绍
  • 11.2 描述分析
  • 11.3 模型构建
  • 11.4 结果分析
  • ◎ 本章小结
  • CHAPTER 12 第12章 案例分析之K均值聚类
  • ■ 学习目标
  • ■ 案例背景
  • 12.1 案例介绍
  • 12.2 客户细分变量提取
  • 12.3 数据收集
  • 12.4 数据预处理
  • 12.5 K均值聚类
  • 12.6 对策与建议
  • ◎ 本章小结
  • 参考文献
展开全部