R語言數據挖掘方法及應用/統計分析系列 R语言数据挖掘方法及应用

<內容介紹>

大數據不僅意味著數據的積累、存儲與管理，更意味著大數據的分析。數據挖掘無可爭議地成為當今大數據分析的核心利器。R語言因徹底的開放性策略業已躋身數據挖掘工具之首列。薛薇編著的《R語言數據挖掘方法及應用》以「R語言數據挖掘入門並不難」為起步篇，總覽了數據挖掘的理論和應用輪廓，明確了R語言入門的必備知識和學習路線，並展示了數據挖掘的初步成果，旨在使讀者快速起步數據挖掘實踐。後續圍繞數據挖掘應用的四大核心方面，安排了數據預測篇：立足數據預測未知，數據分組篇：發現數據中的自然群組，數據關聯篇：發現數據的內在關聯性，離群數據探索篇：發現數據中的離群點。每篇下各設若乾章節，各章節從簡單易懂且具代表性的案例問題人手，剖析理論方法原理，講解R語言實現，並給出案例的R語言數據挖掘代碼和結果解釋。本書內容覆蓋之廣泛，原理講解之通俗，R語言實現步驟之詳盡，在國內外同類書籍中尚不多見。相關數據資料及電子教案，可登錄華信教育資源網www.hxedu.com.cn免費下載。
    本書可作為高等院校相關專業本科生和研究生的數據挖掘課程教材，也適合科研機構、政府和企業經營管理部門等研究人員閱讀參考。

<章節目錄>

第1篇  起步篇：R語言數據挖掘入門並不難
第1章  數據挖掘與R語言概述
  【本章學習目標】
  1.1 為什麼要學習數據挖掘和R語言
  1.2 什麼是數據挖掘
  1.3 數據挖掘能給出什麼
    1.3.1數據挖掘結果有哪些呈現方式
    1.3.2 數據挖掘結果有哪些基本特徵
  1.4 數據挖掘能解決什麼問題
    1.4.1 數據預測
    1.4.2 發現數據的內在結構
    1.4.3 發現關聯性
    1.4.4 模式診斷
  1.5 數據挖掘解決問題的思路
  1.6 數據挖掘有哪些典型的商業應用
    1.6.1 數據挖掘在客戶細分中的應用
    1.6.2 數據挖掘在客戶流失分析中的應用
    1.6.3 數據挖掘在營銷響應分析中的應用
    1.6.4 數據挖掘在交叉銷售中的應用
    1.6.5 數據挖掘在欺詐甄別中的應用
  1.7 R語言入門需要知道什麼
    1.7.1 什麼是R的包
    1.7.2 如何獲得 R
    1.7.3 R如何起步
    1.7.4 R的基本操作和其他
  【本章附錄】
第2章  R語言數據挖掘起步：R對象和數據組織
  【本章學習目標】
  2.1 什麼是R的數據對象
    2.1.1 R的數據對象有哪些類型
    2.1.2 如何創建和訪問R的數據對象
  2.2 如何用R的向量組織數據
    2.2.1 創建只包含一個元素的向量
    2.2.2 創建包含多個元素的向量
    2.2.3 訪問向量中的元素
  2.3 如何用R的矩陣組織數據
    2.3.1 創建矩陣
    2.3.2 訪問矩陣中的元素
  2.4 如何用R的數據框組織數據
    2.4.1 創建數據框
    2.4.2 訪問數據框
  2.5 如何用R的數組、列表組織數據
    2.5.1 創建和訪問數組
    2.5.2 創建和訪問列表
  2.6 R數據對象的相互轉換
    2.6.1 不同存儲類型之間的轉換
    2.6.2 不同結構類型之間的轉換
  2.7 如何將外部數據組織到R數據對象中
    2.7.1 將文本數據組織到R對象中
    2.7.2 將SPSS數據組織到R對象中

    2.7.3 將數據庫和Excel表數據組織到R對象中
    2.7.4 將網頁表格數據組織到R對象中
    2.7.5 R有哪些自帶的數據包
    2.7.6 如何將R對象中的數據保存起來
  2.8 R程序設計需哪些必備知識
    2.8.1 R程序設計涉及哪些基本概念
    2.8.2 R有哪些常用的系統函數
    2.8.3 用戶自定義函數提升編程水平
    2.8.4 如何提高R程序處理的能力
  2.9 R程序設計與數據整理綜合應用
    2.9.1 綜合應用一：數據的基本處理
    2.9.2 綜合應用二：如何將匯總數據還原為原始數據
  【本章附錄】
第3章  R語言數據挖掘初體驗：對數據的直觀印象
  【本章學習目標】
  【案例與思考】
  3.1 數據的直觀印象
    3.1.1 R的數據可視化平臺是什麼？
    3.1.3 R的圖形邊界和佈局
    3.1.2 R的圖形組成和圖形參數
    3.1.4 如何修改R的圖形參數？
  3.2 如何獲得單變量分佈特徵的直觀印象
    3.2.1 核密度圖：車險理賠次數的分佈特點是什麼？
    3.2.2 小提琴圖：不同車型車險理賠次數的分佈有差異嗎？
    3.2.3 克利夫蘭點圖：車險理賠次數存在異常嗎？
  ……

第2篇  數據預測篇：立足數據預測未知
第4章  基於近鄰的分類預測：與近鄰有趨同的選擇
第5章  基於規則的分類和組合預測：給出易懂且穩健的預測
第6章  基於神經網絡的分類預測：給出高精確的預測
第7章  基於支持向量的分類預測：給出最大把握的預測

第3篇  數據分組篇：發現數據中的自然群組
第8章  常規聚類：直觀的數據全方位自動分組
第9章  特色聚類：數據分組還可以這樣做

第4篇  數據關聯篇：發現數據的內在關聯性
第10章  發現數據中的關聯特徵：關聯是推薦的依據
第11章  複雜網絡分析初步：基於關係的研究

第5篇  離群數據探索篇：發現數據中的離群點
第12章  模式甄別：診斷異常數據