推薦購買：
數據分析：R語言實戰
數據挖掘技術是當下大數據時代最關鍵的技術，其應用領域及前景不可估量。R是一款極其的統計分析和數據挖掘軟件，《數據挖掘：R語言實戰》側重使用R進行數據挖掘，重點講述了R的數據挖掘流程、算法包的使用及相關工具的應用，同時結合大量精選的數據挖掘實例對R軟件進行深入潛出和的介紹，以便讀者能深刻理解R的精髓并能快速、高效和靈活地掌握使用R進行數據挖掘的技巧。
通過《數據挖掘：R語言實戰》，讀者不僅能掌握使用R及相關的算法包來快速解決實際問題的方法，而且能得到從實際問題分析入手，到利用R進行求解，以及對挖掘結果進行分析的訓練。
《數據挖掘：R語言實戰》適用于計算機、互聯網、機器學習、信息、數學、經濟金融、管理、運籌、統計以及有關理工科專業的本科生、研究生使用，也能幫助市場營銷、金融、財務、人力資源管理人員及產品經理解決實際問題，還能幫助從事咨詢、研究、分析行業的人士及各級管理人士提高專業水平。
第0章 致敬，R！
致敬，肩膀！
致敬，時代！
致敬，人才！
致敬，R瑟！
上篇 數據預處理
第1章 數據挖掘導引
1.1 數據挖掘概述
1.1.1 數據挖掘的過程
1.1.2 數據挖掘的對象
1.1.3 數據挖掘的方法
1.1.4 數據挖掘的應用
1.2 數據挖掘的算法
1.3 數據挖掘的工具
1.3.1 工具的分類
1.3.2 工具的選擇
1.3.3 商用的工具
1.3.4開源的工具
1.4 R在數據挖掘中的優勢
第2章 數據概覽
2.1 nm 數據集
2.2 數據的分類
2.2.1 一般的數據分類
2.2.2 R的數據分類
2.2.3 用R簡單處理數據
2.3 數據抽樣及R實現
2.3.1 簡單隨機抽樣
2.3.2 分層抽樣
2.3.3 整群抽樣
2.4 訓練集與測試集
2.5 本章匯總
第3章 用R獲取數據
3.1 獲取內置數據集
3.1.1 datasets 數據集
3.1.2 包的數據集
3.2 獲取其他格式的數據
3.2.1 CSV 與TXT 格式
3.2.2 從Excel 直接獲取數據
3.2.3 從其他統計軟件中獲取數據
3.3 獲取數據庫數據
3.4 獲取網頁數據
3.5 本章匯總
第4章 探索性數據分析
4.1 數據集
4.2 數字化探索
4.2.1 變量概況
4.2.2 變量詳情
4.2.3 分布指標
4.2.4 稀疏性
4.2.5 缺失值
4.2.6 相關性
4.3 可視化探索
4.3.1 直方圖
4.3.2 累積分布圖
4.3.3 箱形圖
4.3.4 條形圖
4.3.5 點陣圖
4.3.6 餅圖
4.5 本章匯總
第5章 數據預處理
5.1 數據集加載
5.2 數據清理
5.2.1 缺失值處理
5.2.2 噪聲數據處理
5.2.3 數據不一致的處理
5.3 數據集成
5.4 數據變換
5.5 數據歸約
5.6 本章匯總
中篇 基本算法及應用
第6章 關聯分析
6.1 概述
6.2 R中的實現
6.2.1 相關軟件包
6.2.2 核心函數
6.2.3 數據集
6.3 應用案例
6.3.1 數據初探
6.3.2 對生成規則進行強度控制
6.3.3 一個實際應用
6.3.4 改變輸出結果形式
6.3.5 關聯規則的可視化
6.4 本章匯總
第7章 聚類分析
7.1 概述
7.1.1 K-均值聚類
7.1.2 K-中心點聚類
7.1.3 系譜聚類
7.1.4 密度聚類
7.1.5 期望較大化聚類
7.2 R中的實現
7.2.1 相關軟件包
7.2.2 核心函數
7.2.3 數據集
7.3 應用案例
7.3.1 K-均值聚類
7.3.2 K-中心點聚類
7.3.3 系譜聚類
7.3.4 密度聚類
7.3.5 期望較大化聚類
7.4 本章匯總
第8章 判別分析
8.1 概述
8.1.1 費希爾判別
8.1.2 貝葉斯判別
8.1.3 距離判別
8.2 R中的實現
8.2.1 相關軟件包
8.2.2 核心函數
8.2.3 數據集
8.3 應用案例
8.3.1 線性判別分析
8.3.2 樸素貝葉斯分類
8.3.3 K 最近鄰
8.3.4 有權重的K 最近鄰算法
8.4 推薦系統綜合實例
8.4.1 kNN 與推薦
8.4.2 MovieLens 數據集說明
8.4.3 綜合運用
8.5 本章匯總
第9章 決策樹
9.1 概述
9.1.1 樹形結構
9.1.2 樹的構建
9.1.3 常用算法
9.2 R中的實現
9.2.1 相關軟件包
9.2.2 核心函數
9.2.3 數據集
9.3 應用案例
9.3.1 CART 應用
9.3.2 C4.5 應用
9.4 本章匯總
下篇 高級算法及應用
第10章 集成學習
10.1 概述
10.1.1 一個概率論小計算
10.1.2 Bagging 算法
10.1.3 AdaBoost 算法
10.2 R中的實現
10.2.1 相關軟件包
10.2.2 核心函數
10.2.3 數據集
10.3 應用案例
10.3.1 Bagging 算法
10.3.2 Adaboost 算法
10.4 本章匯總
第11章 隨機森林
11.1 概述
11.1.1 基本原理
11.1.2 重要參數
11.2 R中的實現
11.2.1 相關軟件包
11.2.2 核心函數
11.2.3 可視化分析
11.3 應用案例
11.3.1 數據處理
11.3.2 建立模型
11.3.3 結果分析
11.3.4 自變量的重要程度
11.3.5 優化建模
11.4 本章匯總
第12章 支持向量機
12.1 概述
12.1.1 結構風險最小原理
12.1.2 函數間隔與幾何間隔
12.1.3 核函數
12.2 R中的實現
12.2.1 相關軟件包
12.2.2 核心函數
12.2.3 數據集
12.3 應用案例
12.3.1 數據初探
12.3.2 建立模型
12.3.3 結果分析
12.3.4 預測判別
12.3.5 綜合建模
12.3.6 可視化分析
12.3.7 優化建模
12.4 本章匯總
第13章 神經網絡
13.1 概述
13.2 R中的實現
13.2.1 相關軟件包
13.2.2 核心函數
13.3 應用案例
13.3.1 數據初探
13.3.2 數據處理
13.3.3 建立模型
13.3.4 結果分析
13.3.5 預測判別
13.3.6 模型差異分析
13.3.7 優化建模
13.4 本章匯總
第14章 模型評估與選擇
14.1 評估過程概述
14.2 安裝Rattle包
14.3 Rattle 功能簡介
14.3.1 Data——選取數據
14.3.2 Explore——數據探究
14.3.3 Test——數據相關檢驗
14.3.4 Transform——數據預處理
14.3.5 Cluster——數據聚類
14.3.6 Model——模型評估
14.3.7 Evaluate——模型評估.
14.3.8 Log——模型評估記錄
14.4 模型評估相關概念
14.4.1 誤判率.
14.4.2 正確/錯誤的肯定判斷、正確/錯誤的否定判斷.
14.4.3 度、敏感度及特異性
14.5 Rattle 在模型評估中的應用
14.5.1 混淆矩陣
14.5.2 風險圖
14.5.3 ROC 圖及相關圖表
14.5.4 模型得分數據集
14.6 綜合實例
14.6.1 數據介紹
14.6.2 模型建立
14.6.3 模型結果分析
在大數據時代，數據挖掘無疑將是最炙手可熱的技術。數據挖掘的理論和方法正日新月異地發展，數據挖掘的技術及工具，已經滲透到互聯網、金融、電商、管理、生產、決策等各個領域，數據挖掘的軟件也是層出不窮，其中R 是最引人關注的軟件。
R 是一個免費的開源軟件，它提供了首屈一指的統計計算和繪圖功能，尤其是大量的數據挖掘方面的算法包，使得它成為一款的、不可多得的數據挖掘工具軟件。
本書的主要目的是向讀者介紹如何用R 進行數據挖掘，通過大量的精選實例，循序漸進、系統地講述R 在數據挖掘領域的應用。
全書分為14 章，以數據預處理、基本算法及應用和高級算法及應用這三篇展開。
(1)上篇：數據預處理
由第1~5 章組成，首先簡要介紹數據挖掘流程、算法和工具，然后介紹R 中數據分類和數據集，以及R 獲取數據的多種靈活的方法。講述對數據進行探索性分析和預處理的方法。這些內容是使用R 進行數據挖掘的最基礎內容。
(2)中篇：基本算法及應用
由第6~9 章組成，主要講述數據挖掘的基本算法及應用，包括關聯分析、聚類分析、判別分析和決策樹，這些算法也是數據挖掘使用最多最普遍的算法。R 中提供了豐富的、功能強大的算法包和實現函數，數據挖掘的初級和中級用戶務必掌握。
(3)下篇：高級算法及應用
由第10~14 章組成，主要講述數據挖掘的高級算法及應用，包括集成學習、隨機森林、支持向量機和神經網絡，以及使用R 中的工具對數據挖掘的模型進行評估與選擇。對于中高級的用戶，可以深入學習一下本篇的內容。
R 的特點是入門非常容易，使用也非常簡單，因此本書不需要讀者具備R 和數據挖掘的基礎知識。不管是R 初學者，還是熟練的R 用戶都能從書中找到對自己有用的內容，快速入門和提高。
讀者既可以把本書作為學習如何應用R 的一本的教材，也可以作為數據挖掘的工具書。
全書以實際問題、解決方案和對解決方案的討論為主線來組織內容，脈絡清晰，并且各章自成體系。讀者可以從頭至尾逐章學習，也可以根據自己的需要進行學習，根據自己在實際中遇到的問題尋找解決方案。
本書所編寫的源程序，都通過了反復調試，讀者可在www.broadview.com.cn 網站下載，方便讀者使用。
本書主要由黃文、王正林編寫，其他參與編寫的人員有付東旭、王思琪、鐘太平、劉擁軍、陳菜枚、李燦輝、鐘事沅、王曉麗、王龍躍、夏路生、鐘頌飛、鐘杜清、王殿祜等。在此對所有參與編寫的人員表示感謝！對關心、支持我們的讀者表示感謝！
由于時間倉促，作者水平和經驗有限，書中錯漏之處在所難免，敬請讀者指正，我們的電子郵箱是：wa_2003@126.com。
編 者
2014 年4 月18 日于北京
