R語(yǔ)言數(shù)據(jù)挖掘（第3版）

第1章 數(shù)據(jù)挖掘與R語(yǔ)言概述
1．1 什么是數(shù)據(jù)挖掘
1．2 數(shù)據(jù)挖掘的結(jié)果
1．2．1 數(shù)據(jù)挖掘結(jié)果的呈現(xiàn)方式
1．2．2 數(shù)據(jù)挖掘結(jié)果的基本特征
1．3 數(shù)據(jù)挖掘能做什么
1．3．1 數(shù)據(jù)預(yù)測(cè)
1．3．2 發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)
1．3．3 發(fā)現(xiàn)關(guān)聯(lián)性
1．3．4 模式診斷
1．4 數(shù)據(jù)挖掘方法的特點(diǎn)
1．4．1 對(duì)目標(biāo)契合度不高的數(shù)據(jù)，怎樣的建模策略能夠更好地迎合分析的需要 1．4．2 對(duì)于海量、高維數(shù)據(jù)，怎樣的建模策略能夠更好地揭示數(shù)據(jù)特征，提高分析效率
1．4．3 對(duì)于復(fù)雜類(lèi)型和關(guān)系數(shù)據(jù)，怎樣的建模策略能夠清晰地揭示數(shù)據(jù)的特征 1．5 數(shù)據(jù)挖掘的典型應(yīng)用
1．5．1 數(shù)據(jù)挖掘在客戶(hù)細(xì)分研究中的應(yīng)用
1．5．2 數(shù)據(jù)挖掘在客戶(hù)流失分析中的應(yīng)用
1．5．3 數(shù)據(jù)挖掘在營(yíng)銷(xiāo)響應(yīng)分析中的應(yīng)用
1．5．4 數(shù)據(jù)挖掘在交叉銷(xiāo)售中的應(yīng)用
1．5．5 數(shù)據(jù)挖掘在欺詐甄別中的應(yīng)用
1．6 R語(yǔ)言入門(mén)必備
1．6．1 R的包
1．6．2 R的下載安裝
1．6．3 R起步
1．6．4 R的運(yùn)行方式和其他
1．7 RStudio簡(jiǎn)介
1．8 本章函數(shù)列表
第2章 R的數(shù)據(jù)組織和整理
2．1 R的數(shù)據(jù)對(duì)象
2．1．1 從存儲(chǔ)角度劃分R對(duì)象
2．1．2 從結(jié)構(gòu)角度劃分R對(duì)象
2．1．3 創(chuàng)建和訪問(wèn)R的數(shù)據(jù)對(duì)象
2．2 向量的創(chuàng)建和訪問(wèn)
2．2．1 創(chuàng)建只包含一個(gè)元素的向量
2．2．2 創(chuàng)建包含多個(gè)元素的向量
2．2．3 訪問(wèn)向量中的元素
2．3 矩陣的創(chuàng)建和訪問(wèn)
2．3．1 創(chuàng)建矩陣
2．3．2 訪問(wèn)矩陣中的元素
2．4 數(shù)據(jù)框的創(chuàng)建和訪問(wèn)
2．4．1 創(chuàng)建數(shù)據(jù)框
2．4．2 訪問(wèn)數(shù)據(jù)框
2．5 數(shù)組和列表的創(chuàng)建和訪問(wèn)
2．5．1 創(chuàng)建和訪問(wèn)數(shù)組
2．5．2 創(chuàng)建和訪問(wèn)列表
2．6 數(shù)據(jù)對(duì)象的相互轉(zhuǎn)換
2．6．1 不同存儲(chǔ)類(lèi)型之間的轉(zhuǎn)換
2．6．2 不同結(jié)構(gòu)類(lèi)型之間的轉(zhuǎn)換
2．7 導(dǎo)入外部數(shù)據(jù)和保存數(shù)據(jù)
2．7．1 導(dǎo)入文本數(shù)據(jù)
2．7．2 導(dǎo)入SPSS數(shù)據(jù)
2．7．3 利用ODBC導(dǎo)入數(shù)據(jù)庫(kù)數(shù)據(jù)和Excel表數(shù)據(jù)
2．7．4 共享R自帶的數(shù)據(jù)包
2．7．5 數(shù)據(jù)保存
2．8 R語(yǔ)言程序設(shè)計(jì)基礎(chǔ)
2．8．1 R程序設(shè)計(jì)基本概念
2．8．2 R的系統(tǒng)函數(shù)
2．8．3 用戶(hù)自定義函數(shù)
2．8．4 R程序的控制結(jié)構(gòu)
2．9 R語(yǔ)言數(shù)據(jù)整理和程序設(shè)計(jì)綜合應(yīng)用
2．9．1 數(shù)據(jù)整理基礎(chǔ)綜合應(yīng)用
2．9．2 利用流程控制還原匯總數(shù)據(jù)
2．10 本章函數(shù)列表
第3章 R的數(shù)據(jù)可視化
3．1 繪圖基礎(chǔ)
3．1．1 圖形設(shè)備和圖形文件
3．1．2 圖形組成和圖形參數(shù)
3．2 單變量分布特征的可視化
3．2．1 核密度圖
3．2．2 小提琴圖
3．2．3 克利夫蘭點(diǎn)圖
3．3 多變量聯(lián)合分布特征的可視化
3．3．1 曲面圖和等高線圖
3．3．2 二元核密度曲面圖
3．3．3 雷達(dá)圖
3．4 變量間相關(guān)性的可視化
3．4．1 馬賽克圖
3．4．2 散點(diǎn)圖
3．4．3 相關(guān)系數(shù)圖
3．5 本章函數(shù)列表
第4章 R的近鄰分析：數(shù)據(jù)預(yù)測(cè)
4．1 近鄰分析： K近鄰法
4．1．1 K近鄰法中的距離
4．1．2 K近鄰法中的近鄰個(gè)數(shù)
4．2 K近鄰法的R函數(shù)和應(yīng)用示例
4．2．1 R的K近鄰法函數(shù)
4．2．2 R的K近鄰法示例
4．3 K近鄰法的適用性及特征選擇
4．3．1 K近鄰法的適用性
4．3．2 特征選擇
4．4 本章函數(shù)列表
第5章 R的決策樹(shù)：數(shù)據(jù)預(yù)測(cè)
5．1 決策樹(shù)算法概述
5．1．1 什么是決策樹(shù)
5．1．2 決策樹(shù)的幾何理解
5．1．3 決策樹(shù)的核心問(wèn)題
5．2 分類(lèi)回歸樹(shù)的生長(zhǎng)過(guò)程
5．2．1 分類(lèi)樹(shù)的生長(zhǎng)過(guò)程
5．2．2 回歸樹(shù)的生長(zhǎng)過(guò)程
5．2．3 損失矩陣對(duì)分類(lèi)樹(shù)的影響
5．3 分類(lèi)回歸樹(shù)的剪枝
5．3．1 最小代價(jià)復(fù)雜度的測(cè)度
5．3．2 分類(lèi)回歸樹(shù)后剪枝過(guò)程
5．3．3 分類(lèi)回歸樹(shù)的交叉驗(yàn)證剪枝
5．4 分類(lèi)回歸樹(shù)的R函數(shù)和應(yīng)用示例
5．4．1 分類(lèi)回歸樹(shù)的R函數(shù)
5．4．2 分類(lèi)回歸樹(shù)的應(yīng)用示例
5．5 建立分類(lèi)回歸樹(shù)的組合預(yù)測(cè)模型
5．5．1 袋裝技術(shù)
5．5．2 袋裝技術(shù)的R函數(shù)及應(yīng)用示例
5．5．3 提升技術(shù)
5．5．4 提升技術(shù)的R函數(shù)及應(yīng)用示例
5．6 隨機(jī)森林
5．6．1 隨機(jī)森林概述
5．6．2 隨機(jī)森林的R函數(shù)和應(yīng)用示例
5．7 本章函數(shù)列表
第6章 R的人工神經(jīng)網(wǎng)絡(luò)：數(shù)據(jù)預(yù)測(cè)
6．1 人工神經(jīng)網(wǎng)絡(luò)概述
6．1．1 人工神經(jīng)網(wǎng)絡(luò)的概念和種類(lèi)
6．1．2 人工神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)和意義
6．1．3 人工神經(jīng)網(wǎng)絡(luò)建立的一般步驟
6．1．4 感知機(jī)模型
6．2 B-P反向傳播網(wǎng)絡(luò)
6．2．1 B-P反向傳播網(wǎng)絡(luò)的特點(diǎn)
6．2．2 B-P反向傳播算法
6．2．3 B-P反向傳播網(wǎng)絡(luò)中的學(xué)習(xí)率
6．3 B-P反向傳播網(wǎng)絡(luò)的R函數(shù)和應(yīng)用示例
6．3．1 neuralnet包中的neuralnet函數(shù)
6．3．2 neuralnet函數(shù)的應(yīng)用示例
6．3．3 利用ROC曲線確定概率分割值
6．3．4 nnet包中的nnet函數(shù)
6．4 本章函數(shù)列表
第7章 R的支持向量機(jī)：數(shù)據(jù)預(yù)測(cè)
7．1 支持向量分類(lèi)概述
7．1．1 支持向量分類(lèi)的基本思路
7．1．2 支持向量分類(lèi)的三種情況
7．2 線性可分問(wèn)題下的支持向量分類(lèi)
7．2．1 如何求解超平面
7．2．2 如何利用超平面進(jìn)行預(yù)測(cè)
7．3 廣義線性可分問(wèn)題下的支持向量分類(lèi)
7．3．1 如何求解超平面
7．3．2 可調(diào)參數(shù)的意義
7．4 線性不可分問(wèn)題下的支持向量分類(lèi)
7．4．1 線性不可分問(wèn)題的一般解決方式
7．4．2 支持向量分類(lèi)克服維災(zāi)難的途徑
7．5 多分類(lèi)的支持向量分類(lèi)
7．6 支持向量回歸
7．6．1 支持向量回歸與一般線性回歸
7．6．2 支持向量回歸的基本思路
7．7 R的支持向量機(jī)及應(yīng)用示例
7．7．1 R的支持向量機(jī)函數(shù)
7．7．2 利用R模擬線性可分下的支持向量分類(lèi)
7．7．3 利用R模擬線性不可分下的支持向量分類(lèi)
7．7．4 利用R模擬多分類(lèi)的支持向量分類(lèi)
7．8 本章函數(shù)列表
第8章 R的一般聚類(lèi)：揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu)
8．1 聚類(lèi)分析概述
8．1．1 聚類(lèi)分析的目的
8．1．2 聚類(lèi)算法概述
8．2 基于質(zhì)心的聚類(lèi)模型：K-Means聚類(lèi)
8．2．1 K-Means聚類(lèi)中的距離測(cè)度
8．2．2 K-Means聚類(lèi)過(guò)程
8．2．3 R的K-Means聚類(lèi)函數(shù)
8．2．4 K-Means聚類(lèi)的R模擬和應(yīng)用示例
8．3 基于質(zhì)心的聚類(lèi)模型：PAM聚類(lèi)
8．3．1 PAM聚類(lèi)過(guò)程
8．3．2 R的PAM聚類(lèi)函數(shù)和應(yīng)用示例
8．4 基于聯(lián)通性的聚類(lèi)模型：層次聚類(lèi)
8．4．1 層次聚類(lèi)的基本過(guò)程
8．4．2 層次聚類(lèi)中距離的聯(lián)通性測(cè)度
8．4．3 層次聚類(lèi)的R函數(shù)和應(yīng)用示例
8．5 基于統(tǒng)計(jì)分布的聚類(lèi)模型：EM聚類(lèi)
8．5．1 基于統(tǒng)計(jì)分布的聚類(lèi)模型的出發(fā)點(diǎn)：有限混合分布
8．5．2 EM聚類(lèi)
8．5．3 R的EM聚類(lèi)函數(shù)和應(yīng)用示例
8．6 本章函數(shù)列表
第9章 R的特色聚類(lèi)：揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu)
9．1 BIRCH聚類(lèi)
9．1．1 BRICH聚類(lèi)的特點(diǎn)
9．1．2 BIRCH算法中的聚類(lèi)特征和聚類(lèi)特征樹(shù)
9．1．3 BIRCH的聚類(lèi)過(guò)程
9．1．4 BRICH聚類(lèi)的R函數(shù)和應(yīng)用示例
9．2 SOM網(wǎng)絡(luò)聚類(lèi)
9．2．1 SOM網(wǎng)絡(luò)聚類(lèi)設(shè)計(jì)的出發(fā)點(diǎn)
9．2．2 SOM網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和聚類(lèi)原理
9．2．3 SOM網(wǎng)絡(luò)聚類(lèi)的R函數(shù)和應(yīng)用示例
9．2．4 SOM網(wǎng)絡(luò)聚類(lèi)應(yīng)用：手寫(xiě)郵政編碼識(shí)別
9．2．5 拓展SOM網(wǎng)絡(luò)：數(shù)據(jù)預(yù)測(cè)
9．3 基于密度的聚類(lèi)模型：DBSCAN聚類(lèi)
9．3．1 DBSCAN聚類(lèi)原理
9．3．2 DBSCAN聚類(lèi)的R函數(shù)和應(yīng)用示例
9．4 本章函數(shù)列表
第10章 R的關(guān)聯(lián)分析：揭示數(shù)據(jù)關(guān)聯(lián)性
10．1 簡(jiǎn)單關(guān)聯(lián)規(guī)則及其測(cè)度
10．1．1 什么是簡(jiǎn)單關(guān)聯(lián)規(guī)則
10．1．2 簡(jiǎn)單關(guān)聯(lián)規(guī)則的有效性和實(shí)用性
10．2 Apriori算法及應(yīng)用示例
10．2．1 搜索頻繁項(xiàng)集
10．2．2 依據(jù)頻繁項(xiàng)集產(chǎn)生簡(jiǎn)單關(guān)聯(lián)規(guī)則
10．2．3 Apriori算法的R函數(shù)和應(yīng)用示例
10．2．4 簡(jiǎn)單關(guān)聯(lián)規(guī)則的可視化R函數(shù)和應(yīng)用示例
10．3 簡(jiǎn)單關(guān)聯(lián)分析的應(yīng)用示例
10．3．1 發(fā)現(xiàn)連帶銷(xiāo)售商品
10．3．2 顧客選擇性?xún)A向?qū)Ρ?
10．4 本章函數(shù)列表
第11章 R的模式甄別：診斷異常數(shù)據(jù)
11．1 模式甄別方法和評(píng)價(jià)概述
11．1．1 模式甄別方法
11．1．2 模式甄別結(jié)果及評(píng)價(jià)
11．2 模式甄別的無(wú)監(jiān)督偵測(cè)方法及應(yīng)用示例
11．2．1 依概率偵測(cè)模式及R應(yīng)用示例
11．2．2 依距離偵測(cè)模式：DB方法及 R應(yīng)用示例
11．2．3 依密度偵測(cè)模式：LOF方法及 R應(yīng)用示例
11．3 模式甄別的有監(jiān)督偵測(cè)方法及應(yīng)用示例
11．3．1 樸素貝葉斯分類(lèi)法
11．3．2 Logistic回歸及示例
11．3．3 非平衡數(shù)據(jù)集的SMOTE處理
11．4 模式甄別的半監(jiān)督偵測(cè)方法及應(yīng)用示例
11．4．1 半監(jiān)督分類(lèi)：自訓(xùn)練分類(lèi)模型
11．4．2 自訓(xùn)練分類(lèi)模型的R函數(shù)及應(yīng)用示例
11．5 本章函數(shù)列表
第12章 R的網(wǎng)絡(luò)分析初步
12．1 網(wǎng)絡(luò)的定義、表示及構(gòu)建
12．1．1 網(wǎng)絡(luò)的圖論定義及R函數(shù)
12．1．2 網(wǎng)絡(luò)的矩陣表示方式及 R函數(shù)
12．1．3 R的網(wǎng)絡(luò)數(shù)據(jù)文件和建立網(wǎng)絡(luò)對(duì)象
12．1．4 R的網(wǎng)絡(luò)可視化
12．2 網(wǎng)絡(luò)節(jié)點(diǎn)重要性的測(cè)度
12．2．1 度和測(cè)地線距離
12．2．2 節(jié)點(diǎn)“中心”作用的測(cè)度：點(diǎn)度中心度和接近中心度
12．2．3 節(jié)點(diǎn)“樞紐”作用的測(cè)度：中間中心度
12．2．4 節(jié)點(diǎn)重要性的其他方面：結(jié)構(gòu)洞和關(guān)節(jié)點(diǎn)、特征向量中心度和 PageRank得分
12．3 網(wǎng)絡(luò)子群構(gòu)成特征研究
12．3．1 二元關(guān)系和三元關(guān)系及 R函數(shù)
12．3．2 派系和 k核及R函數(shù)
12．3．3 社區(qū)和組件及R函數(shù)
12．4 網(wǎng)絡(luò)整體特征刻畫(huà)
12．4．1 網(wǎng)絡(luò)整體特征的測(cè)度
12．4．2 網(wǎng)絡(luò)特征的各種分布和度量
12．5 主要網(wǎng)絡(luò)類(lèi)型及特點(diǎn)
12．5．1 規(guī)則網(wǎng)絡(luò)
12．5．2 隨機(jī)網(wǎng)絡(luò)
12．5．3 小世界網(wǎng)絡(luò)
12．5．4 無(wú)標(biāo)度網(wǎng)絡(luò)
12．6 本章函數(shù)列表