通过本书的学习，读者能够： ·掌握数据挖掘的相关软件包，如dplyr、ggplot2等。 ·学会如何通过数据挖掘标准流程（CRISP-DM）来有效地组织数据挖掘项目。 ·对数据执行数据清理和数据验证操作—为数据挖掘活动准备数据。 ·以数值方式和图形方式分别执行探索性数据分析。 ·发简单线性回归模型、多元线性回归模型以及逻辑回归模型。 ·应用基本的集成学习技术整合不同数据挖掘模型的结果。
售 价：¥
纸质售价：¥78.80购买纸书
6.8
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
版权声明
内容提要
作者简介
审稿人简介
前 言
第1章 为何选择R语言
1.1 什么是R语言
1.2 R语言的发展历史
1.3 R语言的优势
1.4 安装R语言和编写R语言代码
1.5 R语言的基本概念
1.6 R语言的劣势以及如何克服这些劣势
1.7 更多参考
1.8 小结
第2章 数据挖掘入门——银行账户数据分析
2.1 获取并组织银行数据
2.2 使用数据透视表汇总数据
2.3 使用ggplot2程序包对数据进行可视化
2.4 更多参考
2.5 小结
第3章 数据挖掘进阶——CRISP-DM方法论
3.1 CRISP-DM方法论之数据挖掘周期
3.2 业务理解
3.3 数据理解
3.4 数据准备
3.5 建模
3.6 评估
3.7 部署
3.8 小结
第4章 保持室内整洁——数据挖掘架构
4.1 概述
4.2 数据源
4.3 数据仓库和数据库
4.4 数据挖掘引擎
4.5 用户界面
4.6 如何使用R语言创建数据挖掘架构
4.7 更多参考
4.8 小结
第5章 如何解决数据挖掘问题——数据清洗和验证
5.1 安静祥和的一天
5.2 数据清洗
5.3 更多参考
5.4 小结
第6章 观察数据——探索性数据分析
6.1 汇总EDA介绍
6.2 图形化EDA
6.3 更多参考
6.4 小结
第7章 最初的猜想——线性回归
7.1 定义数据建模策略
7.2 应用线性回归
7.3 更多参考
7.4 小结
第8章 浅谈模型性能评估
8.1 定义模型性能
8.2 衡量回归模型的性能
8.3 衡量分类问题模型的性能
8.4 区分训练数据集与测试数据集
8.5 更多参考
8.6 小结
第9章 不要放弃—继续学习 包括多元变量的回归
9.1 从简单线性回归到多元线性回归
9.2 降维
9.3 使用R语言拟合多元线性模型
9.4 更多参考
9.5 小结
第10章 关于分类模型问题的不同展望
10.1 为什么需要分类模型
10.2 逻辑回归
10.3 支持向量机
10.4 更多参考
10.5 小结
第11章 最后冲刺——随机森林和集成学习
11.1 随机森林
11.2 集成学习
11.3 在新数据上应用估计模型
11.4 结构化更加良好的预测分析方法
11.5 对预测数据应用集成学习中的多数投票技术
11.6 更多参考
11.7 小结
第12章 寻找罪魁祸首——使用R语言执行文本数据挖掘
12.1 提取PDF文件中的数据
12.2 文本情感分析
12.3 开发词云
12.4 N元模型分析
12.5 网络分析
12.6 更多参考
12.7 小结
第13章 借助R Markdown分享公司现状
13.1 富有说服力的数据挖掘报告的原则
13.2 编制R Markdown报告
13.3 在RStudio中编制R Markdown报告文档
13.4 渲染和分享R Markdown报告
13.5 更多参考
13.6 小结
第14章 结语
附录 日期、相对路径和函数处理
使用R语言处理日期
R语言中的工作目录和相对路径
条件声明
彩 图
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
