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
R語言機器學習實戰 版權信息
- ISBN：9787115583932
- 條形碼：9787115583932 ; 978-7-115-58393-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
R語言機器學習實戰 本書特色
一、用R語言直觀揭示機器學習技術1）機器學習和數據分析已經成為創造價值的重要途徑。 通過機器學習，你可以發現數據中隱藏的模式，從而產生新的想法和見解，如果沒有這種強大的技術，這些都無從談起。2）R語言易于理解，專門為統計分析而構建。 本書介紹了使用R語言處理大型數據集的具體操作，展示了數據科學家如何將機器學習付諸實踐，幫助你洞察業務本質，做出可靠的預測和更好的決策。3）提供機器學習的概念和技術介紹，示例練習鞏固基礎，輕松理解。書中的示例和練習使用R語言和新型數據分析工具，即使你沒有編程經驗也可以輕松學會，不會被復雜的數學知識困擾。有了這本書，機器學習的熱門技術——從logistic回歸到關聯規則和聚類——你均能觸手可及。二、本書將機器學習的直觀介紹與逐步的技術講解相結合，其主要內容如下： 理解不同類型的機器學習算法； 發現大型數據集中存在的模式； 用RStudio編寫和執行R腳本； 將R與tidyverse一起使用來管理和可視化數據； 應用核心的統計技術，如logistic回歸和樸素貝葉斯等； 評估和改進機器學習模型；
R語言機器學習實戰 內容簡介
本書探討了如何使用 R 語言進行機器學習，涵蓋基本的原理和方法，并通過大量的示例和練習，讓讀者掌握 R 語言的數據處理技巧。本書包括入門、回歸、分類、模型的評估和改進、無監督學習五大部分，涉及線性回歸、logistic 回歸、k 近鄰、樸素貝葉斯、決策樹、聚類和關聯規則等機器學習模型。本書配套提供相關的代碼和數據，方便讀者學習和使用。本書適合 R 語言和機器學習的愛好者、從業者以及相關院校的師生選用。
R語言機器學習實戰 目錄
目錄
第 一部分 入門
第 1 章 什么是機器學習 2
1．1 從數據中發現知識 2
1．1．1 算法介紹 3
1．1．2 人工智能、機器學習和深度學習 3
1．2 機器學習技術 4
1．2．1 監督學習 4
1．2．2 無監督學習 7
1．3 模型選擇 9
1．3．1 分類技術 9
1．3．2 回歸技術 9
1．3．3 相似性學習技術 10
1．4 評估模型 10
1．4．1 分類錯誤 11
1．4．2 回歸錯誤 12
1．4．3 錯誤類型 13
1．4．4 分割數據集 14
1．5 練習 15
第 2 章 R 和 RStudio 簡介 17
2．1 歡迎來到 R 17
2．2 R 和 RStudio 組件 18
2．2．1 R 語言 18
2．2．2 RStudio 19
2．2．3 R 包 26
2．3 編寫和運行 R 腳本 29
2．4 R 中的數據類型 31
2．4．1 向量 32
2．4．2 測試數據類型 33
2．4．3 轉換數據類型 36
2．4．4 缺失值 36
2．5 練習 37
第 3 章 數據管理 38
3．1 tidyverse 38
3．2 數據收集 39
3．2．1 主要考慮因素 39
3．2．2 導入數據 40
3．3 數據探索 43
3．3．1 數據描述 43
3．3．2 數據可視化 48
3．4 數據準備 52
3．4．1 數據清洗 53
3．4．2 數據轉換 59
3．4．3 減少數據 64
3．5 練習 69
第二部分 回歸
第 4 章 線性回歸 72
4．1 自行車租賃與回歸 72
4．2 變量之間的關系 73
4．2．1 相關性 74
4．2．2 回歸 79
4．3 簡單線性回歸 80
4．3．1 普通*小二乘法 81
4．3．2 簡單線性回歸模型 82
4．3．3 評估模型 82
4．4 多元線性回歸 85
4．4．1 多元線性回歸模型 86
4．4．2 評估模型 86
4．4．3 改進模型 93
4．4．4 優缺點 100
4．5 案例研究：預測血壓 101
4．5．1 導入數據 102
4．5．2 探索數據 102
4．5．3 簡單線性回歸模型的擬合 104
4．5．4 多元線性回歸模型的擬合 105
4．6 練習 111
第 5 章 logistic 回歸 113
5．1 尋找潛在捐贈者 113
5．2 分類 115
5．3 logistic 回歸 116
5．3．1 優勢比 117
5．3．2 二分類 logistic 回歸模型 120
5．3．3 評估模型 129
5．3．4 改進模型 135
5．3．5 優缺點 140
5．4 案例研究：收入預測 140
5．4．1 導入數據 141
5．4．2 探索和準備數據 141
5．4．3 訓練模型 144
5．4．4 評估模型 146
5．5 練習 147
第三部分 分類
第 6 章 k 近鄰 152
6．1 檢測心臟病 152
6．2 k 近鄰 154
6．2．1 發現*近鄰居 155
6．2．2 標記未標記數據 157
6．2．3 選擇合適的 k 157
6．2．4 k 近鄰模型 158
6．2．5 評估模型 162
6．2．6 改進模型 163
6．2．7 優缺點 164
6．3 案例研究：重新分析捐贈者數據集 165
6．3．1 導入數據 165
6．3．2 探索和準備數據 165
6．3．3 建立模型 169
6．3．4 評估模型 170
6．4 練習 170
第 7 章 樸素貝葉斯 171
7．1 垃圾郵件分類 171
7．2 樸素貝葉斯 172
7．2．1 概率 173
7．2．2 聯合概率 173
7．2．3 條件概率 174
7．2．4 樸素貝葉斯分類 175
7．2．5 可加性平滑 177
7．2．6 樸素貝葉斯模型 178
7．2．7 評估模型 182
7．2．8 樸素貝葉斯分類器的優缺點 183
7．3 案例研究：重新審視心臟病檢測問題 183
7．3．1 導入數據 183
7．3．2 探索和準備數據 184
7．3．3 建立模型 185
7．3．4 評估模型 186
7．4 練習 186
第 8 章 決策樹 188
8．1 預測許可證決策 188
8．2 決策樹 189
8．2．1 遞歸分區 190
8．2．2 熵 193
8．2．3 信息增益 194
8．2．4 基尼不純度 196
8．2．5 剪枝 196
8．2．6 建立分類樹模型 197
8．2．7 評估模型 200
8．2．8 決策樹的優缺點 202
8．3 案例研究：重新審視收入預測問題 203
8．3．1 導入數據 203
8．3．2 探索和準備數據 204
8．3．3 建立模型 205
8．3．4 評估模型 205
8．4 練習 206
第四部分 模型的評估和改進
第 9 章 評估模型 208
9．1 評估未來表現 208
9．1．1 交叉驗證 210
9．1．2 自助抽樣 215
9．2 超越預測準確性 217
9．2．1 Kappa 218
9．2．2 查準率和查全率 220
9．2．3 靈敏度和特異性 222
9．3 可視化模型性能 225
9．3．1 接收者操作特性曲線 225
9．3．2 曲線下面積 228
9．4 練習 230
第 10 章 改進模型 232
10．1 調整參數 232
10．1．1 自動參數調整 232
10．1．2 自定義參數調整 236
10．2 集成方法 240
10．2．1 裝袋 241
10．2．2 提升 243
10．2．3 堆疊 245
10．3 練習 249
第五部分 無監督學習
第 11 章 用關聯規則發現模式 252
11．1 超市購物籃分析 252
11．2 關聯規則 253
11．2．1 識別強規則 254
11．2．2 Apriori 算法 255
11．3 發現關聯規則 256
11．3．1 生成規則 257
11．3．2 評估規則 260
11．3．3 優缺點 263
11．4 案例研究：識別雜貨店購買模式 263
11．4．1 導入數據 264
11．4．2 探索和預處理數據 264
11．4．3 生成規則 265
11．4．4 評估規則 266
11．5 練習 268
11．6 參考文獻 268
第 12 章 用聚類對數據分組 269
12．1 聚類 269
12．2 k 均值聚類 271
12．3 基于 k 均值聚類的大學細分 274
12．3．1 創建簇 275
12．3．2 分析簇 277
12．3．3 選擇*佳簇數 278
12．3．4 k 均值聚類的優缺點 282
12．4 案例研究：對購物中心客戶進行細分 282
12．4．1 探索和準備數據 283
12．4．2 聚類數據 283
12．4．3 評估簇 284
12．5 練習 285
12．6 參考文獻 286
第 一部分 入門
第 1 章 什么是機器學習 2
1．1 從數據中發現知識 2
1．1．1 算法介紹 3
1．1．2 人工智能、機器學習和深度學習 3
1．2 機器學習技術 4
1．2．1 監督學習 4
1．2．2 無監督學習 7
1．3 模型選擇 9
1．3．1 分類技術 9
1．3．2 回歸技術 9
1．3．3 相似性學習技術 10
1．4 評估模型 10
1．4．1 分類錯誤 11
1．4．2 回歸錯誤 12
1．4．3 錯誤類型 13
1．4．4 分割數據集 14
1．5 練習 15
第 2 章 R 和 RStudio 簡介 17
2．1 歡迎來到 R 17
2．2 R 和 RStudio 組件 18
2．2．1 R 語言 18
2．2．2 RStudio 19
2．2．3 R 包 26
2．3 編寫和運行 R 腳本 29
2．4 R 中的數據類型 31
2．4．1 向量 32
2．4．2 測試數據類型 33
2．4．3 轉換數據類型 36
2．4．4 缺失值 36
2．5 練習 37
第 3 章 數據管理 38
3．1 tidyverse 38
3．2 數據收集 39
3．2．1 主要考慮因素 39
3．2．2 導入數據 40
3．3 數據探索 43
3．3．1 數據描述 43
3．3．2 數據可視化 48
3．4 數據準備 52
3．4．1 數據清洗 53
3．4．2 數據轉換 59
3．4．3 減少數據 64
3．5 練習 69
第二部分 回歸
第 4 章 線性回歸 72
4．1 自行車租賃與回歸 72
4．2 變量之間的關系 73
4．2．1 相關性 74
4．2．2 回歸 79
4．3 簡單線性回歸 80
4．3．1 普通*小二乘法 81
4．3．2 簡單線性回歸模型 82
4．3．3 評估模型 82
4．4 多元線性回歸 85
4．4．1 多元線性回歸模型 86
4．4．2 評估模型 86
4．4．3 改進模型 93
4．4．4 優缺點 100
4．5 案例研究：預測血壓 101
4．5．1 導入數據 102
4．5．2 探索數據 102
4．5．3 簡單線性回歸模型的擬合 104
4．5．4 多元線性回歸模型的擬合 105
4．6 練習 111
第 5 章 logistic 回歸 113
5．1 尋找潛在捐贈者 113
5．2 分類 115
5．3 logistic 回歸 116
5．3．1 優勢比 117
5．3．2 二分類 logistic 回歸模型 120
5．3．3 評估模型 129
5．3．4 改進模型 135
5．3．5 優缺點 140
5．4 案例研究：收入預測 140
5．4．1 導入數據 141
5．4．2 探索和準備數據 141
5．4．3 訓練模型 144
5．4．4 評估模型 146
5．5 練習 147
第三部分 分類
第 6 章 k 近鄰 152
6．1 檢測心臟病 152
6．2 k 近鄰 154
6．2．1 發現*近鄰居 155
6．2．2 標記未標記數據 157
6．2．3 選擇合適的 k 157
6．2．4 k 近鄰模型 158
6．2．5 評估模型 162
6．2．6 改進模型 163
6．2．7 優缺點 164
6．3 案例研究：重新分析捐贈者數據集 165
6．3．1 導入數據 165
6．3．2 探索和準備數據 165
6．3．3 建立模型 169
6．3．4 評估模型 170
6．4 練習 170
第 7 章 樸素貝葉斯 171
7．1 垃圾郵件分類 171
7．2 樸素貝葉斯 172
7．2．1 概率 173
7．2．2 聯合概率 173
7．2．3 條件概率 174
7．2．4 樸素貝葉斯分類 175
7．2．5 可加性平滑 177
7．2．6 樸素貝葉斯模型 178
7．2．7 評估模型 182
7．2．8 樸素貝葉斯分類器的優缺點 183
7．3 案例研究：重新審視心臟病檢測問題 183
7．3．1 導入數據 183
7．3．2 探索和準備數據 184
7．3．3 建立模型 185
7．3．4 評估模型 186
7．4 練習 186
第 8 章 決策樹 188
8．1 預測許可證決策 188
8．2 決策樹 189
8．2．1 遞歸分區 190
8．2．2 熵 193
8．2．3 信息增益 194
8．2．4 基尼不純度 196
8．2．5 剪枝 196
8．2．6 建立分類樹模型 197
8．2．7 評估模型 200
8．2．8 決策樹的優缺點 202
8．3 案例研究：重新審視收入預測問題 203
8．3．1 導入數據 203
8．3．2 探索和準備數據 204
8．3．3 建立模型 205
8．3．4 評估模型 205
8．4 練習 206
第四部分 模型的評估和改進
第 9 章 評估模型 208
9．1 評估未來表現 208
9．1．1 交叉驗證 210
9．1．2 自助抽樣 215
9．2 超越預測準確性 217
9．2．1 Kappa 218
9．2．2 查準率和查全率 220
9．2．3 靈敏度和特異性 222
9．3 可視化模型性能 225
9．3．1 接收者操作特性曲線 225
9．3．2 曲線下面積 228
9．4 練習 230
第 10 章 改進模型 232
10．1 調整參數 232
10．1．1 自動參數調整 232
10．1．2 自定義參數調整 236
10．2 集成方法 240
10．2．1 裝袋 241
10．2．2 提升 243
10．2．3 堆疊 245
10．3 練習 249
第五部分 無監督學習
第 11 章 用關聯規則發現模式 252
11．1 超市購物籃分析 252
11．2 關聯規則 253
11．2．1 識別強規則 254
11．2．2 Apriori 算法 255
11．3 發現關聯規則 256
11．3．1 生成規則 257
11．3．2 評估規則 260
11．3．3 優缺點 263
11．4 案例研究：識別雜貨店購買模式 263
11．4．1 導入數據 264
11．4．2 探索和預處理數據 264
11．4．3 生成規則 265
11．4．4 評估規則 266
11．5 練習 268
11．6 參考文獻 268
第 12 章 用聚類對數據分組 269
12．1 聚類 269
12．2 k 均值聚類 271
12．3 基于 k 均值聚類的大學細分 274
12．3．1 創建簇 275
12．3．2 分析簇 277
12．3．3 選擇*佳簇數 278
12．3．4 k 均值聚類的優缺點 282
12．4 案例研究：對購物中心客戶進行細分 282
12．4．1 探索和準備數據 283
12．4．2 聚類數據 283
12．4．3 評估簇 284
12．5 練習 285
12．6 參考文獻 286
展開全部
R語言機器學習實戰 作者簡介
弗雷德.恩旺加（Fred Nwanganga）博士，美國圣母大學門多薩商學院商業分析專業助理教授，擁有超過15年的技術領導經驗。邁克.查普爾（Mike Chapple）博士，美國圣母大學門多薩商學院信息技術、分析和運營系副教授，目前擔任該大學商業分析碩士項目的學術主任，出版了20多種書籍。
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
姑媽的寶刀
- >
有舍有得是人生
- >
自卑與超越
- >
經典常談
- >
上帝之肋:男人的真實旅程
- >
名家帶你讀魯迅:朝花夕拾
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
