具体描述
数据挖掘技术是当下大数据时代最关键的技术，其应用领域及前景不可估量。R 是一款极其优秀的统计分析和数据挖掘软件，《数据挖掘：R语言实战》侧重使用R 进行数据挖掘，重点讲述了R 的数据挖掘流程、算法包的使用及相关工具的应用，同时结合大量精选的数据挖掘实例对R 软件进行深入潜出和全面的介绍，以便读者能深刻理解R 的精髓并能快速、高效和灵活地掌握使用R 进行数据挖掘的技巧。
通过《数据挖掘：R语言实战》，读者不仅能掌握使用R 及相关的算法包来快速解决实际问题的方法，而且能得到从实际问题分析入手，到利用R 进行求解，以及对挖掘结果进行分析的全面训练。
《数据挖掘：R语言实战》适用于计算机、互联网、机器学习、信息、数学、经济金融、管理、运筹、统计以及有关理工科专业的本科生、研究生使用，也能帮助市场营销、金融、财务、人力资源管理人员及产品经理解决实际问题，还能帮助从事咨询、研究、分析行业的人士及各级管理人士提高专业水平。
作者简介
目录信息
第0 章 致敬，R！.............................. 1
致敬，肩膀！..................... 1
致敬，时代！................................... 3
致敬，人才！................................... 4
致敬，R 瑟！................................. 5
上篇 数据预处理
第1 章 数据挖掘导引........................10
1.1 数据挖掘概述..............................10
1.1.1 数据挖掘的过程.............................10
1.1.2 数据挖掘的对象....................................12
1.1.3 数据挖掘的方法........................................12
1.1.4 数据挖掘的应用...................................13
1.2 数据挖掘的算法.................................................14
1.3 数据挖掘的工具.................................................17
1.3.1 工具的分类.............................................17
1.3.2 工具的选择.............................................18
1.3.3 商用的工具...........................................19
1.3.4 开源的工具............................................21
1.4 R 在数据挖掘中的优势....................................23
第2 章 数据概览................................25
2.1 n×m 数据集....................................25
2.2 数据的分类......................................28
2.2.1 一般的数据分类...................................28
2.2.2 R 的数据分类......................................29
2.2.3 用R 简单处理数据..............................31
2.3 数据抽样及R 实现....................................34
2.3.1 简单随机抽样........................................34
2.3.2 分层抽样.................................................36
2.3.3 整群抽样.................................................38
2.4 训练集与测试集................................................40
2.5 本章汇总.............................................40
第3 章 用R 获取数据.......................................42
3.1 获取内置数据集..................................42
3.1.1 datasets 数据集..........................42
3.1.2 包的数据集....................................43
3.2 获取其他格式的数据...............................45
3.2.1 CSV 与TXT 格式.........................45
3.2.2 从Excel 直接获取数据........................47
3.2.3 从其他统计软件中获取数据................48
3.3 获取数据库数据............................................50
3.4 获取网页数据....................................52
3.5 本章汇总.................................55
第4 章 探索性数据分析...........................56
4.1 数据集.......................................56
4.2 数字化探索...................................57
4.2.1 变量概况...................................57
4.2.2 变量详情.....................................58
4.2.3 分布指标......................................61
4.2.4 稀疏性.............................................62
4.2.5 缺失值............................................63
4.2.6 相关性...........................................65
4.3 可视化探索.......................................68
4.3.1 直方图.........................................68
4.3.2 累积分布图.........................................71
4.3.3 箱形图.........................................73
4.3.4 条形图........................................78
4.3.5 点阵图.........................................81
4.3.6 饼图..............................................82
4.5 本章汇总.......................................................84
第5 章 数据预处理.............................................86
5.1 数据集加载........................................86
5.2 数据清理..............................................88
5.2.1 缺失值处理.....................................90
5.2.2 噪声数据处理..................................95
5.2.3 数据不一致的处理................................97
5.3 数据集成..........................................99
5.4 数据变换....................................101
5.5 数据归约..............................................102
5.6 本章汇总...........................................104
中篇 基本算法及应用
第6 章 关联分析.......................................106
6.1 概述..............................................106
6.2 R 中的实现.............................................109
6.2.1 相关软件包....................................109
6.2.2 核心函数.......................................109
6.2.3 数据集........................................110
6.3 应用案例...........................................111
6.3.1 数据初探........................................111
6.3.2 对生成规则进行强度控制.........................112
6.3.3 一个实际应用.....................................114
6.3.4 改变输出结果形式.............................115
6.3.5 关联规则的可视化..............................116
6.4 本章汇总............................................................120
第7 章 聚类分析.....................................121
7.1 概述.........................121
7.1.1 K-均值聚类...........................................122
7.1.2 K-中心点聚类....................................122
7.1.3 系谱聚类.......................................122
7.1.4 密度聚类........................................124
7.1.5 期望最大化聚类..............................125
7.2 R 中的实现......................................................126
7.2.1 相关软件包.......................................126
7.2.2 核心函数.............................................127
7.2.3 数据集................................................129
7.3 应用案例.......................................................131
7.3.1 K-均值聚类........................................131
7.3.2 K-中心点聚类..................................135
7.3.3 系谱聚类..............................................137
7.3.4 密度聚类...............................................140
7.3.5 期望最大化聚类.................................145
7.4 本章汇总...........................................................150
第8 章 判别分析.........................................151
8.1 概述.................................151
8.1.1 费希尔判别.......................152
8.1.2 贝叶斯判别.........................153
8.1.3 距离判别................................153
8.2 R 中的实现......................................154
8.2.1 相关软件包............................154
8.2.2 核心函数..........................................155
8.2.3 数据集..........................................157
8.3 应用案例.................................................161
8.3.1 线性判别分析......................161
8.3.2 朴素贝叶斯分类........................167
8.3.3 K 最近邻.................................172
8.3.4 有权重的K 最近邻算法...................174
8.4 推荐系统综合实例..............................175
8.4.1 kNN 与推荐........................................176
8.4.2 MovieLens 数据集说明....................176
8.4.3 综合运用..............................................177
8.5 本章汇总.......................................182
第9 章 决策树................................................183
9.1 概述...................................................183
9.1.1 树形结构........................................183
9.1.2 树的构建.......................................184
9.1.3 常用算法..........................................185
9.2 R 中的实现...................................................185
9.2.1 相关软件包......................................185
9.2.2 核心函数.............................................186
9.2.3 数据集............................................187
9.3 应用案例.......................................................190
9.3.1 CART 应用..........................................191
9.3.2 C4.5 应用............................................202
9.4 本章汇总......................................................205
下篇 高级算法及应用
第10 章 集成学习......................................................208
10.1 概述..........................................................208
10.1.1 一个概率论小计算........................208
10.1.2 Bagging 算法.................................209
10.1.3 AdaBoost 算法................................209
10.2 R 中的实现.............................................209
10.2.1 相关软件包...........................209
10.2.2 核心函数.......................210
10.2.3 数据集............................210
10.3 应用案例......................................213
10.3.1 Bagging 算法..........................213
10.3.2 Adaboost 算法..........................218
10.4 本章汇总.................................................219
第11 章 随机森林.....................................220
11.1 概述...........................................................220
11.1.1 基本原理..........................................220
11.1.2 重要参数.........................................222
11.2 R 中的实现.................................................223
11.2.1 相关软件包...................................223
11.2.2 核心函数....................................223
11.2.3 可视化分析....................................231
11.3 应用案例................................................232
11.3.1 数据处理....................................233
11.3.2 建立模型.....................................234
11.3.3 结果分析...................................235
11.3.4 自变量的重要程度..........................236
11.3.5 优化建模...............................237
11.4 本章汇总...................................................241
第12 章 支持向量机........................................242
12.1 概述........................................................242
12.1.1 结构风险最小原理......................243
12.1.2 函数间隔与几何间隔....................244
12.1.3 核函数............................................245
12.2 R 中的实现.............................................245
12.2.1 相关软件包..................................245
12.2.2 核心函数....................................246
12.2.3 数据集..............................248
12.3 应用案例..................................248
12.3.1 数据初探..........................249
12.3.2 建立模型.......................................249
12.3.3 结果分析......................................249
12.3.4 预测判别..............................250
12.3.5 综合建模....................................251
12.3.6 可视化分析................................252
12.3.7 优化建模......................................254
12.4 本章汇总....................................256
第13 章 神经网络.......................................257
13.1 概述......................................257
13.2 R 中的实现......................................258
13.2.1 相关软件包.............................258
13.2.2 核心函数...............................258
13.3 应用案例..................................261
13.3.1 数据初探...........................261
13.3.2 数据处理....................................262
13.3.3 建立模型.............................263
13.3.4 结果分析..............................264
13.3.5 预测判别.............................264
13.3.6 模型差异分析.......................266
13.3.7 优化建模..............................268
13.4 本章汇总....................................272
第14 章 模型评估与选择............................273
14.1 评估过程概述..........................273
14.2 安装Rattle 包.............................274
14.3 Rattle 功能简介...........................275
14.3.1 Data——选取数据....................275
14.3.2 Explore——数据探究................276
14.3.3 Test——数据相关检验....................276
14.3.4 Transform——数据预处理..............277
14.3.5 Cluster——数据聚类.......................277
14.3.6 Model——模型评估......................277
14.3.7 Evaluate——模型评估.....................280
14.3.8 Log——模型评估记录...................281
14.4 模型评估相关概念................................281
14.4.1 误判率.........................................281
14.4.2 正确/错误的肯定判断、正确/错误的否定判断...............281
14.4.3 精确度、敏感度及特异性........................282
14.5 Rattle 在模型评估中的应用................................282
14.5.1 混淆矩阵..................................282
14.5.2 风险图............................283
14.5.3 ROC 图及相关图表.......................286
14.5.4 模型得分数据集.................287
14.6 综合实例................................288
14.6.1 数据介绍............................288
14.6.2 模型建立.................................288
14.6.3 模型结果分析......................289
· · · · · · (收起)
致敬，肩膀！..................... 1
致敬，时代！................................... 3
致敬，人才！................................... 4
致敬，R 瑟！................................. 5
上篇 数据预处理
第1 章 数据挖掘导引........................10
1.1 数据挖掘概述..............................10
1.1.1 数据挖掘的过程.............................10
1.1.2 数据挖掘的对象....................................12
1.1.3 数据挖掘的方法........................................12
1.1.4 数据挖掘的应用...................................13
1.2 数据挖掘的算法.................................................14
1.3 数据挖掘的工具.................................................17
1.3.1 工具的分类.............................................17
1.3.2 工具的选择.............................................18
1.3.3 商用的工具...........................................19
1.3.4 开源的工具............................................21
1.4 R 在数据挖掘中的优势....................................23
第2 章 数据概览................................25
2.1 n×m 数据集....................................25
2.2 数据的分类......................................28
2.2.1 一般的数据分类...................................28
2.2.2 R 的数据分类......................................29
2.2.3 用R 简单处理数据..............................31
2.3 数据抽样及R 实现....................................34
2.3.1 简单随机抽样........................................34
2.3.2 分层抽样.................................................36
2.3.3 整群抽样.................................................38
2.4 训练集与测试集................................................40
2.5 本章汇总.............................................40
第3 章 用R 获取数据.......................................42
3.1 获取内置数据集..................................42
3.1.1 datasets 数据集..........................42
3.1.2 包的数据集....................................43
3.2 获取其他格式的数据...............................45
3.2.1 CSV 与TXT 格式.........................45
3.2.2 从Excel 直接获取数据........................47
3.2.3 从其他统计软件中获取数据................48
3.3 获取数据库数据............................................50
3.4 获取网页数据....................................52
3.5 本章汇总.................................55
第4 章 探索性数据分析...........................56
4.1 数据集.......................................56
4.2 数字化探索...................................57
4.2.1 变量概况...................................57
4.2.2 变量详情.....................................58
4.2.3 分布指标......................................61
4.2.4 稀疏性.............................................62
4.2.5 缺失值............................................63
4.2.6 相关性...........................................65
4.3 可视化探索.......................................68
4.3.1 直方图.........................................68
4.3.2 累积分布图.........................................71
4.3.3 箱形图.........................................73
4.3.4 条形图........................................78
4.3.5 点阵图.........................................81
4.3.6 饼图..............................................82
4.5 本章汇总.......................................................84
第5 章 数据预处理.............................................86
5.1 数据集加载........................................86
5.2 数据清理..............................................88
5.2.1 缺失值处理.....................................90
5.2.2 噪声数据处理..................................95
5.2.3 数据不一致的处理................................97
5.3 数据集成..........................................99
5.4 数据变换....................................101
5.5 数据归约..............................................102
5.6 本章汇总...........................................104
中篇 基本算法及应用
第6 章 关联分析.......................................106
6.1 概述..............................................106
6.2 R 中的实现.............................................109
6.2.1 相关软件包....................................109
6.2.2 核心函数.......................................109
6.2.3 数据集........................................110
6.3 应用案例...........................................111
6.3.1 数据初探........................................111
6.3.2 对生成规则进行强度控制.........................112
6.3.3 一个实际应用.....................................114
6.3.4 改变输出结果形式.............................115
6.3.5 关联规则的可视化..............................116
6.4 本章汇总............................................................120
第7 章 聚类分析.....................................121
7.1 概述.........................121
7.1.1 K-均值聚类...........................................122
7.1.2 K-中心点聚类....................................122
7.1.3 系谱聚类.......................................122
7.1.4 密度聚类........................................124
7.1.5 期望最大化聚类..............................125
7.2 R 中的实现......................................................126
7.2.1 相关软件包.......................................126
7.2.2 核心函数.............................................127
7.2.3 数据集................................................129
7.3 应用案例.......................................................131
7.3.1 K-均值聚类........................................131
7.3.2 K-中心点聚类..................................135
7.3.3 系谱聚类..............................................137
7.3.4 密度聚类...............................................140
7.3.5 期望最大化聚类.................................145
7.4 本章汇总...........................................................150
第8 章 判别分析.........................................151
8.1 概述.................................151
8.1.1 费希尔判别.......................152
8.1.2 贝叶斯判别.........................153
8.1.3 距离判别................................153
8.2 R 中的实现......................................154
8.2.1 相关软件包............................154
8.2.2 核心函数..........................................155
8.2.3 数据集..........................................157
8.3 应用案例.................................................161
8.3.1 线性判别分析......................161
8.3.2 朴素贝叶斯分类........................167
8.3.3 K 最近邻.................................172
8.3.4 有权重的K 最近邻算法...................174
8.4 推荐系统综合实例..............................175
8.4.1 kNN 与推荐........................................176
8.4.2 MovieLens 数据集说明....................176
8.4.3 综合运用..............................................177
8.5 本章汇总.......................................182
第9 章 决策树................................................183
9.1 概述...................................................183
9.1.1 树形结构........................................183
9.1.2 树的构建.......................................184
9.1.3 常用算法..........................................185
9.2 R 中的实现...................................................185
9.2.1 相关软件包......................................185
9.2.2 核心函数.............................................186
9.2.3 数据集............................................187
9.3 应用案例.......................................................190
9.3.1 CART 应用..........................................191
9.3.2 C4.5 应用............................................202
9.4 本章汇总......................................................205
下篇 高级算法及应用
第10 章 集成学习......................................................208
10.1 概述..........................................................208
10.1.1 一个概率论小计算........................208
10.1.2 Bagging 算法.................................209
10.1.3 AdaBoost 算法................................209
10.2 R 中的实现.............................................209
10.2.1 相关软件包...........................209
10.2.2 核心函数.......................210
10.2.3 数据集............................210
10.3 应用案例......................................213
10.3.1 Bagging 算法..........................213
10.3.2 Adaboost 算法..........................218
10.4 本章汇总.................................................219
第11 章 随机森林.....................................220
11.1 概述...........................................................220
11.1.1 基本原理..........................................220
11.1.2 重要参数.........................................222
11.2 R 中的实现.................................................223
11.2.1 相关软件包...................................223
11.2.2 核心函数....................................223
11.2.3 可视化分析....................................231
11.3 应用案例................................................232
11.3.1 数据处理....................................233
11.3.2 建立模型.....................................234
11.3.3 结果分析...................................235
11.3.4 自变量的重要程度..........................236
11.3.5 优化建模...............................237
11.4 本章汇总...................................................241
第12 章 支持向量机........................................242
12.1 概述........................................................242
12.1.1 结构风险最小原理......................243
12.1.2 函数间隔与几何间隔....................244
12.1.3 核函数............................................245
12.2 R 中的实现.............................................245
12.2.1 相关软件包..................................245
12.2.2 核心函数....................................246
12.2.3 数据集..............................248
12.3 应用案例..................................248
12.3.1 数据初探..........................249
12.3.2 建立模型.......................................249
12.3.3 结果分析......................................249
12.3.4 预测判别..............................250
12.3.5 综合建模....................................251
12.3.6 可视化分析................................252
12.3.7 优化建模......................................254
12.4 本章汇总....................................256
第13 章 神经网络.......................................257
13.1 概述......................................257
13.2 R 中的实现......................................258
13.2.1 相关软件包.............................258
13.2.2 核心函数...............................258
13.3 应用案例..................................261
13.3.1 数据初探...........................261
13.3.2 数据处理....................................262
13.3.3 建立模型.............................263
13.3.4 结果分析..............................264
13.3.5 预测判别.............................264
13.3.6 模型差异分析.......................266
13.3.7 优化建模..............................268
13.4 本章汇总....................................272
第14 章 模型评估与选择............................273
14.1 评估过程概述..........................273
14.2 安装Rattle 包.............................274
14.3 Rattle 功能简介...........................275
14.3.1 Data——选取数据....................275
14.3.2 Explore——数据探究................276
14.3.3 Test——数据相关检验....................276
14.3.4 Transform——数据预处理..............277
14.3.5 Cluster——数据聚类.......................277
14.3.6 Model——模型评估......................277
14.3.7 Evaluate——模型评估.....................280
14.3.8 Log——模型评估记录...................281
14.4 模型评估相关概念................................281
14.4.1 误判率.........................................281
14.4.2 正确/错误的肯定判断、正确/错误的否定判断...............281
14.4.3 精确度、敏感度及特异性........................282
14.5 Rattle 在模型评估中的应用................................282
14.5.1 混淆矩阵..................................282
14.5.2 风险图............................283
14.5.3 ROC 图及相关图表.......................286
14.5.4 模型得分数据集.................287
14.6 综合实例................................288
14.6.1 数据介绍............................288
14.6.2 模型建立.................................288
14.6.3 模型结果分析......................289
· · · · · · (收起)
读后感
评分
数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
用户评价
评分
这本书，框架很不错，加一颗星，只是光会用包并不代表学会了数据挖掘或者机器学习。推荐以该书章节作为框架，通过网络资源将每个一笔带过的概念，参数，算法，逻辑查清楚，会更有收获。
评分会有所收获，但太注重实战以至于太简单粗暴，不说高深的算法原理，某些专有名词至少解释下吧，随机森林的importance函数生成的两列值，到底是个什么意思？rattle包里的某张图片也看的稀里糊涂。真正的数据挖掘的部分每种算法几乎都讲相同的流程，函数介绍完全翻译帮助文档，一点也没有延伸。R本身自带那么多数据集不用，不知道哪里搞来的数据，跟着操作都不成。也有好的地方，比如说关联算法，之前没接触到，感觉比较新颖，讲的也不深，适合初学者。
评分在有一定R语言的基础上引入了机器学习的几个经典算法 手把手的教了一遍 感觉循序渐进而又有所提高 还是以前在豪哥那看过实体书 我也打算买一本
评分这本书其实还是不错的，就是R语言现在已经不是主流的数据处理语言，所以不是很推荐大家阅读。
评分整体来说，干货较多，没什么废话。不过到了后半部分，就有点儿无力的感觉。偏于介绍函数的使用。过去觉得会编程实现，很厉害。现在想想，还是理解算法本身更有用，那才是问题的本质。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.quotespace.org All Rights Reserved. 小美书屋 版权所有