掃一掃
關注中圖網
官方微博
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
數據挖掘:基于R語言的實戰/張俊妮 版權信息
- ISBN：9787115542786
- 條形碼：9787115542786 ; 978-7-115-54278-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
數據挖掘:基于R語言的實戰/張俊妮 本書特色
1.本書是北京大學光華管理學院“數據挖掘與應用”課程教材。 2.本書作者被譽為“哈佛小魔女”，中科院少年班天才統計學家，張俊妮教授十年一劍之作。 3.全書案例豐富，涵蓋醫療、金融、營銷、保險、政府部門等應用案例。 4.提供全套教學解決方案，推動“數據挖掘”課程的建設和發展。
數據挖掘:基于R語言的實戰/張俊妮 內容簡介
本書以深入淺出的語言系統地講解了數據挖掘的框架和基本方法，主要內容包括：數據挖掘與R語言概述、數據理解、數據準備、關聯規則挖掘、聚類分析、線性模型與廣義線性模型、神經網絡的基本方法、決策樹、基于決策樹的模型組合、模型評估與比較。本書使用基于R語言的數據挖掘案例貫穿全書，并輔以上機實驗和習題，幫助讀者熟練使用R語言進行數據挖掘。 本書可作為高等院校數據分析與數據挖掘課程的教材，適合于有意學習并使用數據挖掘基本技術的本科生、研究生以及業界人士閱讀。
數據挖掘:基于R語言的實戰/張俊妮 目錄
第 一章 數據挖掘與R語言概述 7
1．1 什么是數據挖掘 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 7
1．2 數據挖掘的基本流程 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 7
1．2．1 應用背景 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 7
1．2．2 數據收集 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 8
1．2．3 數據準備 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 8
1．2．4 建立模型 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 8
1．2．5 模型評估與選擇 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 9
1．2．6 模型監測與更新 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 9
1．3 關于數據挖掘項目的三個基本問題 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 9
1．3．1 建模數據集對預測數據集的代表性 10
1．3．2 自變量和因變量之間關系的因果性解釋 11
1．3．3 模型預測精度對于實際應用的價值 12
1．4 CRISP-DM數據挖掘方法論 12
1．5 SEMMA數據挖掘方法論 13
1．6 R語言及Rstudio簡介 15
第二章 數據理解 17
2．1 收集初始數據 17
2．2 描述數據 17
2．2．1 數據的精確含義 17
2．2．2 數據粒度 18
2．2．3 變量類型 18
2．2．4 冗余變量 19
2．2．5 缺省值 19
2．2．6 數據鏈接 19
3
4 目錄
2．3 檢查數據質量 19
2．3．1 抽樣偏差 19
2．3．2 數據取值錯誤 20
2．3．3 數據缺失情況 21
2．4 初步探索數據 22
2．5 R語言分析示例：數據理解 22
第三章 數據準備 33
3．1 數據整合 33
3．2 處理分類自變量 33
3．3 處理時間信息 34
3．4 清除變量 35
3．5 異常值 35
3．6 及值 36
3．7 處理缺失數據 37
3．8 過抽樣與欠抽樣 38
3．9 降維 38
3．9．1 變量選擇 38
3．9．2 主成分分析 39
3．10 R語言分析示例：數據整合 41
3．11 R語言分析示例：數據準備 47
第四章 關聯規則挖掘 59
4．1 關聯規則的基本概念及Apriori算法 59
4．1．1 關聯規則的基本概念 59
4．1．2 Apriori算法簡介 60
4．2 序列關聯規則挖掘 60
4．3 R語言分析示例：關聯規則挖掘 61
4．3．1 購物籃分析 61
4．3．2 泰坦尼克號存活情況分析 68
第五章 聚類分析 75
5．1 k均值聚類法 75
5．1．1 觀測之間的距離度量 75
5．1．2 k均值聚類法的具體步驟 76
目錄 5
5．1．3 關于k均值聚類法的一些點評 77
5．2 層次聚類法 78
5．2．1 層次聚類法的具體步驟 78
5．2．2 類別之間距離的度量 78
5．3 確定*優類別數 80
5．4 R語言分析示例：聚類 82
第六章 線性模型與廣義線性模型 93
6．1 線性模型 93
6．1．1 模型假設與估計 93
6．1．2 模型解釋 94
6．1．3 一些理論結果 94
6．1．4 模型診斷 95
6．2 廣義線性模型 98
6．2．1 廣義線性模型簡介 98
6．2．2 因變量為二值變量或比例的情形 99
6．2．3 因變量為多種取值的名義變量的情形 100
6．2．4 因變量為定序變量的情形 100
6．2．5 因變量為計數變量的情形 101
6．2．6 因變量為取值可正可負的連續變量的情形 101
6．2．7 因變量為非負連續變量的情形 101
6．3 線性模型與廣義線性模型中的變量選擇 101
6．3．1 逐步回歸 101
6．3．2 LASSO 102
6．4 R語言分析示例：線性模型與廣義線性模型 103
6．4．1 線性模型示例 103
6．4．2 邏輯回歸及Lasso示例：印第安女性糖尿病數據 107
6．4．3 邏輯回歸及Lasso示例：移動運營商數據 112
第七章 神經網絡的基本方法 119
7．1 神經元及神經網絡介紹 119
7．1．1 單個神經元 119
7．1．2 多層感知器架構 119
7．2 神經網絡模型訓練 119
7．2．1 誤差函數 119
6 目錄
7．2．2 神經網絡訓練算法 119
7．3 提高神經網絡模型的可推廣性 119
7．4 R語言分析示例：神經網絡 119
7．4．1 白葡萄酒數據 119
7．4．2 移動運營商數據 119
第八章 決策樹 121
8．1 決策樹簡介 121
8．2 決策樹的生長與修剪 121
8．2．1 一般過程 121
8．2．2 分類樹 121
8．2．3 回歸樹 121
8．3 對缺失數據的處理 121
8．4 變量選擇 121
8．5 決策樹的優缺點 121
8．6 R語言分析示例：決策樹 121
第九章 基千決策樹的模型組合 123
9．1 基于決策樹的Bagging方法 123
9．2 基于決策樹的Boosting方法 123
9．3 隨機森林 123
9．4 貝葉斯累加回歸樹(BART) 123
9．5 R語言分析示例：基于決策樹的模型組合 123
第十章 模型評估與比較 125
10．1 因變量為二分變量的情形 125
10．2 因變量為多分變量的情形 125
10．3 因變量為連續變量的情形 125
10．4 R語言分析示例：模型評估與比較 125
第十一章 R語言分析案例：Kaggle房價預測數據 127
11．1 數據介紹與業務理解 127
11．2 數據理解與數據準備 127
11．3 建！127
11．4 模型評估與比較 127
11．5 模型應用 12
1．1 什么是數據挖掘 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 7
1．2 數據挖掘的基本流程 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 7
1．2．1 應用背景 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 7
1．2．2 數據收集 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 8
1．2．3 數據準備 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 8
1．2．4 建立模型 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 8
1．2．5 模型評估與選擇 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 9
1．2．6 模型監測與更新 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 9
1．3 關于數據挖掘項目的三個基本問題 ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 9
1．3．1 建模數據集對預測數據集的代表性 10
1．3．2 自變量和因變量之間關系的因果性解釋 11
1．3．3 模型預測精度對于實際應用的價值 12
1．4 CRISP-DM數據挖掘方法論 12
1．5 SEMMA數據挖掘方法論 13
1．6 R語言及Rstudio簡介 15
第二章 數據理解 17
2．1 收集初始數據 17
2．2 描述數據 17
2．2．1 數據的精確含義 17
2．2．2 數據粒度 18
2．2．3 變量類型 18
2．2．4 冗余變量 19
2．2．5 缺省值 19
2．2．6 數據鏈接 19
3
4 目錄
2．3 檢查數據質量 19
2．3．1 抽樣偏差 19
2．3．2 數據取值錯誤 20
2．3．3 數據缺失情況 21
2．4 初步探索數據 22
2．5 R語言分析示例：數據理解 22
第三章 數據準備 33
3．1 數據整合 33
3．2 處理分類自變量 33
3．3 處理時間信息 34
3．4 清除變量 35
3．5 異常值 35
3．6 及值 36
3．7 處理缺失數據 37
3．8 過抽樣與欠抽樣 38
3．9 降維 38
3．9．1 變量選擇 38
3．9．2 主成分分析 39
3．10 R語言分析示例：數據整合 41
3．11 R語言分析示例：數據準備 47
第四章 關聯規則挖掘 59
4．1 關聯規則的基本概念及Apriori算法 59
4．1．1 關聯規則的基本概念 59
4．1．2 Apriori算法簡介 60
4．2 序列關聯規則挖掘 60
4．3 R語言分析示例：關聯規則挖掘 61
4．3．1 購物籃分析 61
4．3．2 泰坦尼克號存活情況分析 68
第五章 聚類分析 75
5．1 k均值聚類法 75
5．1．1 觀測之間的距離度量 75
5．1．2 k均值聚類法的具體步驟 76
目錄 5
5．1．3 關于k均值聚類法的一些點評 77
5．2 層次聚類法 78
5．2．1 層次聚類法的具體步驟 78
5．2．2 類別之間距離的度量 78
5．3 確定*優類別數 80
5．4 R語言分析示例：聚類 82
第六章 線性模型與廣義線性模型 93
6．1 線性模型 93
6．1．1 模型假設與估計 93
6．1．2 模型解釋 94
6．1．3 一些理論結果 94
6．1．4 模型診斷 95
6．2 廣義線性模型 98
6．2．1 廣義線性模型簡介 98
6．2．2 因變量為二值變量或比例的情形 99
6．2．3 因變量為多種取值的名義變量的情形 100
6．2．4 因變量為定序變量的情形 100
6．2．5 因變量為計數變量的情形 101
6．2．6 因變量為取值可正可負的連續變量的情形 101
6．2．7 因變量為非負連續變量的情形 101
6．3 線性模型與廣義線性模型中的變量選擇 101
6．3．1 逐步回歸 101
6．3．2 LASSO 102
6．4 R語言分析示例：線性模型與廣義線性模型 103
6．4．1 線性模型示例 103
6．4．2 邏輯回歸及Lasso示例：印第安女性糖尿病數據 107
6．4．3 邏輯回歸及Lasso示例：移動運營商數據 112
第七章 神經網絡的基本方法 119
7．1 神經元及神經網絡介紹 119
7．1．1 單個神經元 119
7．1．2 多層感知器架構 119
7．2 神經網絡模型訓練 119
7．2．1 誤差函數 119
6 目錄
7．2．2 神經網絡訓練算法 119
7．3 提高神經網絡模型的可推廣性 119
7．4 R語言分析示例：神經網絡 119
7．4．1 白葡萄酒數據 119
7．4．2 移動運營商數據 119
第八章 決策樹 121
8．1 決策樹簡介 121
8．2 決策樹的生長與修剪 121
8．2．1 一般過程 121
8．2．2 分類樹 121
8．2．3 回歸樹 121
8．3 對缺失數據的處理 121
8．4 變量選擇 121
8．5 決策樹的優缺點 121
8．6 R語言分析示例：決策樹 121
第九章 基千決策樹的模型組合 123
9．1 基于決策樹的Bagging方法 123
9．2 基于決策樹的Boosting方法 123
9．3 隨機森林 123
9．4 貝葉斯累加回歸樹(BART) 123
9．5 R語言分析示例：基于決策樹的模型組合 123
第十章 模型評估與比較 125
10．1 因變量為二分變量的情形 125
10．2 因變量為多分變量的情形 125
10．3 因變量為連續變量的情形 125
10．4 R語言分析示例：模型評估與比較 125
第十一章 R語言分析案例：Kaggle房價預測數據 127
11．1 數據介紹與業務理解 127
11．2 數據理解與數據準備 127
11．3 建！127
11．4 模型評估與比較 127
11．5 模型應用 12
展開全部
數據挖掘:基于R語言的實戰/張俊妮 作者簡介
張俊妮博士現任北京大學光華管理學院統計學副教授。她1998年畢業于中國科學技術大學，獲計算機軟件學士學位；2002年畢業于美國哈佛大學，獲統計學博士學位。她的研究領域為因果推斷、貝葉斯分析、蒙特卡洛方法、數據挖掘以及統計在經濟、金融、營銷中的應用。
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
唐代進士錄
- >
李白與唐代文化
- >
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)
- >
回憶愛瑪儂
- >
二體千字文
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
莉莉和章魚
本類暢銷
