掃一掃
關注中圖網
官方微博
¥16.1(2.7折)?
預估到手價是按參與促銷活動、以最優惠的購買方案計算出的價格（不含優惠券部分），僅供參考，未必等同于實際到手價。
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
R語言數據分析與挖掘實戰手冊 版權信息
- ISBN：9787113257453
- 條形碼：9787113257453 ; 978-7-113-25745-3
- 裝幀：80g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
R語言數據分析與挖掘實戰手冊 本書特色
本書系統地介紹了利用R 語言進行數據分析和挖掘的相關技術，采用由淺入深的框架體系：開篇伊始介紹R 語言的基礎操作，進而介紹回歸分析、方差分析等數據分析的方法，以更好地探索數據內部結構，獲取數據所包含的信息；更重要的是為后續的數據挖掘提供理論依據；*后介紹典型數據挖掘工具和方法，采用理論基礎到算法介紹到案例實戰的布局，讓讀者深刻感知數據挖掘的精髓，在了解算法的同時更好地學以致用。
R語言數據分析與挖掘實戰手冊 內容簡介
本書系統地介紹了利用R 語言進行數據分析和挖掘的相關技術，采用由淺入深的框架體系：開篇伊始介紹R 語言的基礎操作，進而介紹回歸分析、方差分析等數據分析的方法，以更好地探索數據內部結構，獲取數據所包含的信息；更重要的是為后續的數據挖掘提供理論依據；*后介紹典型數據挖掘工具和方法，采用理論基礎到算法介紹到案例實戰的布局，讓讀者深刻感知數據挖掘的精髓，在了解算法的同時更好地學以致用。
R語言數據分析與挖掘實戰手冊 目錄
第1 章 R 語言簡介
1.1 R 語言軟件的安裝與運行.................................................................................................
1
1.1.1 R 語言軟件的安裝、啟動與關閉...........................................................................
1
1.1.2 R 語言程輯包的安裝和使用..................................................................................
4
1.2 R 語言的數據結構.............................................................................................................
6
1.2.1 R 語言對象和類型.................................................................................................
6
1.2.2 向量........................................................................................................................
7
1.2.3 數組和矩陣...........................................................................................................
12
1.2.4 列表......................................................................................................................
17
1.2.5 數據框..................................................................................................................
20
第2 章
數據的讀取與保存
2.1 數據的讀取......................................................................................................................
24
2.1.1 讀取內置數據集和文本文件................................................................................
24
2.1.2 讀取Excel 數據和CSV 格式的數據....................................................................
30
2.1.3 讀取R 語言格式數據和網頁數據........................................................................
33
2.1.4 讀取其他格式的數據...........................................................................................
34
2.2 數據保存..........................................................................................................................
36
2.2.1 寫出數據..............................................................................................................
36
2.2.2 使用函數cat()
......................................................................................................
37
2.2.3 保存為R 語言格式文件.......................................................................................
38
2.2.4 保存為其他類型文件...........................................................................................
39
第3 章
數據預處理
3.1 缺失值處理......................................................................................................................
40
3.1.1 缺失值判斷...........................................................................................................
40
3.1.2 缺失模型判斷.......................................................................................................
44
3.1.3 常用處理方法.......................................................................................................
48
3.2 數據整理..........................................................................................................................
53
3.2.1 數據合并..............................................................................................................
53
3.2.2 選取子集..............................................................................................................
56
3.2.3 數據轉換..............................................................................................................
59
第4 章
數據的探索性分析
4.1 基本繪圖函數..................................................................................................................
66
4.2 探索單個變量..................................................................................................................
74
4.2.1 單組數據的圖形描述...........................................................................................
74
4.2.2 單組數據的描述性分析.......................................................................................
79
4.3 探索多個變量..................................................................................................................
81
4.3.1 兩組數據的圖形描述...........................................................................................
81
4.3.2 多組數據的圖形描述...........................................................................................
85
4.3.3 多組數據的描述性統計.......................................................................................
88
4.4 其他圖像探索..................................................................................................................
90
第5 章
回歸分析
5.1 一元線性回歸..................................................................................................................
94
5.1.1 模型簡介..............................................................................................................
94
5.1.2 函數介紹..............................................................................................................
96
5.1.3 綜合案例：iris 數據集的一元回歸建模..............................................................
97
5.2 多元線性回歸..................................................................................................................
99
5.2.1 模型簡介..............................................................................................................
99
5.2.2 綜合案例：iris 數據集的多元回歸建模............................................................
100
5.3 變量的選擇....................................................................................................................
105
5.3.1 逐步回歸方法簡介及函數介紹..........................................................................
105
5.3.2 綜合案例：swiss 數據集的逐步回歸建模.........................................................
106
5.3.3 嶺回歸的方法簡介及函數介紹..........................................................................
109
5.3.4 綜合案例：longley 數據集的嶺回歸探索..........................................................
110
5.3.5 lasso 回歸方法簡介及函數介紹.........................................................................
114
5.3.6 綜合案例：longley 數據集的lasso 回歸建模....................................................
115
5.4 Logistic 回歸..................................................................................................................
117
5.4.1 模型簡介............................................................................................................
117
5.4.2 函數介紹............................................................................................................
119
5.4.3 綜合案例：iris 數據集的邏輯回歸建模............................................................
120
第6 章
方差分析
6.1 單因素方差分析............................................................................................................
124
6.1.1 模型介紹............................................................................................................
124
6.1.2 函數介紹............................................................................................................
126
6.1.3 綜合案例：不同治療方法下膽固醇降低效果的差異性分析............................ 127
6.2 雙因素方差分析............................................................................................................
130
6.2.1 模型介紹............................................................................................................
130
6.2.2 綜合案例：不同劑量下老鼠妊娠重量的差異性分析........................................ 132
6.3 協方差分析....................................................................................................................
136
6.3.1 模型簡介............................................................................................................
136
6.3.2 函數介紹............................................................................................................
136
6.3.3 綜合案例：hotdog 數據集的協方差分析...........................................................
137
第7 章
主成分分析和因子分析
7.1 降維的基本方法：主成分分析.....................................................................................
139
7.1.1 理論基礎：原始變量的線性組合......................................................................
139
7.1.2 模型介紹............................................................................................................
141
7.1.3 函數介紹............................................................................................................
143
7.1.4 綜合案例：longley 數據集的變量降維及回歸..................................................
144
7.1.5 綜合案例：longley 數據集的變量降維及回歸（主成分回歸）....................... 148
7.2 推廣發展：因子分析....................................................................................................
150
7.2.1 理論基礎：多個變量綜合為少數因子...............................................................
150
7.2.2 模型介紹............................................................................................................
151
7.2.3 函數介紹............................................................................................................
153
7.2.4 綜合案例：能力和智商測試的因子分析探索...................................................
154
第8 章
判別分析
8.1 距離判別法....................................................................................................................
160
8.1.1 理論基礎：離誰近，就屬于誰..........................................................................
160
8.1.2 函數介紹............................................................................................................
162
8.1.3 綜合案例：基于距離判別的iris 數據集分類....................................................
164
8.2 Bayes 判別法.................................................................................................................
168
8.2.1 理論基礎：先驗概率與錯判損失......................................................................
168
8.2.2 函數介紹............................................................................................................
170
8.2.3 綜合案例：基于iris 數據集的Bayes 判別分析................................................
171
8.3 Fisher 判別法.................................................................................................................
171
8.3.1 理論基礎：投影.................................................................................................
171
8.3.2 函數介紹............................................................................................................
173
8.3.3 綜合案例：基于Fisher 判別的iris 數據集分類................................................
174
第9 章
常規聚類分析
9.1 深入了解聚類分析........................................................................................................
178
9.1.1 差異與分類.........................................................................................................
178
9.1.2 主流的聚類算法.................................................................................................
179
9.2 動態聚類........................................................................................................................
180
9.2.1 聚類的基本過程.................................................................................................
180
9.2.2 函數介紹............................................................................................................
183
9.2.3 綜合案例：基于隨機生成序列的動態聚類.......................................................
184
9.3 層次聚類........................................................................................................................
194
9.3.1 聚類的基本過程.................................................................................................
194
9.3.2 函數介紹............................................................................................................
197
9.3.3 綜合案例：基于UScitiesD 數據集的層次聚類.................................................
199
9.4 密度聚類........................................................................................................................
202
9.4.1 聚類的基本過程.................................................................................................
202
9.4.2 函數介紹............................................................................................................
202
9.4.3 綜合案例：基于隨機生成序列的密度聚類.......................................................
203
9.5 EM 聚類.........................................................................................................................
204
9.5.1 聚類的基本過程.................................................................................................
205
9.5.2 函數介紹............................................................................................................
205
9.5.3 綜合案例：基于iris 數據集的EM 聚類............................................................
206
第10 章
關聯規則
10.1 簡單關聯規則..............................................................................................................
210
10.1.1 基本概念與表示形式.......................................................................................
210
10.1.2 評價簡單關聯規則的有效性和實用性.............................................................
211
10.2 序列關聯規則..............................................................................................................
212
10.2.1 差異與基本概念...............................................................................................
212
10.2.2 生成序列關聯規則...........................................................................................
213
10.3 Apriori 算法.................................................................................................................
214
10.3.1 算法介紹：挖掘頻繁項集................................................................................
214
10.3.2 函數介紹..........................................................................................................
215
10.3.3 綜合案例：基于Titanic 數據集的關聯規則挖掘............................................
216
10.4 Eclat 算法....................................................................................................................
224
10.4.1 算法介紹：自底向上的搜索............................................................................
224
10.4.2 函數介紹..........................................................................................................
224
10.4.3 綜合案例：基于美國人口調查數據的關聯規則挖掘...................................... 225
10.5 SPADE 算法.................................................................................................................
230
10.5.1 算法介紹：基于序列格的搜索和連接.............................................................
231
10.5.2 函數介紹..........................................................................................................
232
10.5.3 綜合案例：基于zaki 數據集的序列關聯規則挖掘.........................................
233
第11 章
神經網絡
11.1 深入了解人工神經網絡...............................................................................................
239
11.1.1 生物神經元.......................................................................................................
240
11.1.2 人工神經元模型...............................................................................................
241
11.1.3 人工神經網絡種類...........................................................................................
244
11.1.4 建立模型的一般步驟........................................................................................
247
11.2 B-P 反向傳播網絡.......................................................................................................
248
11.2.1 B-P 反向傳播網絡模型....................................................................................
248
11.2.2 算法介紹...........................................................................................................
249
11.2.3 函數介紹...........................................................................................................
250
11.3 綜合案例：基于Boston 數據的波士頓郊區房價預測建模........................................ 252
展開全部
R語言數據分析與挖掘實戰手冊 作者簡介
程靜，畢業于重慶大學，目前就職于西部估值最高的互聯網公司豬八戒網，擔任高級數據分析工程師，負責行業數據搜集、整理、分析，并依據數據做出行業研究、評估和預測，擅長大數據分析及數據挖掘的各種算法熟練使用R語言及Python語言。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
二體千字文
- >
經典常談
- >
羅庸西南聯大授課錄
- >
我與地壇
- >
莉莉和章魚
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
自卑與超越
本類暢銷
