图书介绍
R语言数据分析与挖掘实战手册PDF|Epub|txt|kindle电子书版本网盘下载
- 荆波责任编辑；程静 著
- 出版社： 北京：中国铁道出版社
- ISBN：9787113257453
- 出版时间：2019
- 标注页数：256页
- 文件大小：67MB
- 文件页数：266页
- 主题词：程序语言－程序设计－手册；数据处理－手册
PDF下载
下载说明
R语言数据分析与挖掘实战手册PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 R语言简介1
1.1 R语言软件的安装与运行1
1.1.1 R语言软件的安装、启动与关闭1
1.1.2 R语言程辑包的安装和使用4
1.2 R语言的数据结构4
1.2.1 R语言对象和类型6
1.2.2 向量7
1.2.3 数组和矩阵12
1.2.4 列表17
1.2.5 数据框20
第2章 数据的读取与保存24
2.1 数据的读取24
2.1.1 读取内置数据集和文本文件24
2.1.2 读取Excel数据和CSV格式的数据30
2.1.3 读取R语言格式数据和网页数据33
2.1.4 读取其他格式的数据34
2.2 数据保存36
2.2.1 写出数据36
2.2.2 使用函数cat（）37
2.2.3 保存为R语言格式文件38
2.2.4 保存为其他类型文件39
第3章 数据预处理40
3.1 缺失值处理40
3.1.1 缺失值判断40
3.1.2 缺失模型判断44
3.1.3 常用处理方法48
3.2 数据整理53
3.2.1 数据合并53
3.2.2 选取子集56
3.2.3 数据转换59
第4章 数据的探索性分析66
4.1 基本绘图函数66
4.2 探索单个变量74
4.2.1 单组数据的图形描述74
4.2.2 单组数据的描述性分析79
4.3 探索多个变量81
4.3.1 两组数据的图形描述81
4.3.2 多组数据的图形描述85
4.3.3 多组数据的描述性统计88
4.4 其他图像探索90
第5章 回归分析94
5.1 一元线性回归94
5.1.1 模型简介94
5.1.2 函数介绍96
5.1.3 综合案例：iris数据集的一元回归建模97
5.2 多元线性回归99
5.2.1 模型简介99
5.2.2 综合案例：iris数据集的多元回归建模100
5.3 变量的选择105
5.3.1 逐步回归方法简介及函数介绍105
5.3.2 综合案例：swiss数据集的逐步回归建模106
5.3.3 岭回归的方法简介及函数介绍109
5.3.4 综合案例：longley数据集的岭回归探索110
5.3.5 lasso回归方法简介及函数介绍114
5.3.6 综合案例：longley数据集的lasso回归建模115
5.4 Logistic回归117
5.4.1 模型简介117
5.4.2 函数介绍119
5.4.3 综合案例：iris数据集的逻辑回归建模120
第6章 方差分析124
6.1 单因素方差分析124
6.1.1 模型介绍124
6.1.2 函数介绍126
6.1.3 综合案例：不同治疗方法下胆固醇降低效果的差异性分析127
6.2 双因素方差分析130
6.2.1 模型介绍130
6.2.2 综合案例：不同剂量下老鼠妊娠重量的差异性分析132
6.3 协方差分析136
6.3.1 模型简介136
6.3.2 函数介绍136
6.3.3 综合案例：hotdog数据集的协方差分析137
第7章 主成分分析和因子分析139
7.1 降维的基本方法：主成分分析139
7.1.1 理论基础：原始变量的线性组合139
7.1.2 模型介绍141
7.1.3 函数介绍143
7.1.4 综合案例：longley数据集的变量降维及回归144
7.1.5 综合案例：longley数据集的变量降维及回归（主成分回归）148
7.2 推广发展：因子分析150
7.2.1 理论基础：多个变量综合为少数因子150
7.2.2 模型介绍151
7.2.3 函数介绍153
7.2.4 综合案例：能力和智商测试的因子分析探索154
第8章 判别分析160
8.1 距离判别法160
8.1.1 理论基础：离谁近，就属于谁160
8.1.2 函数介绍162
8.1.3 综合案例：基于距离判别的iris数据集分类164
8.2 Bayes判别法168
8.2.1 理论基础：先验概率与错判损失168
8.2.2 函数介绍170
8.2.3 综合案例：基于iris数据集的Bayes判别分析171
8.3 Fisher判别法171
8.3.1 理论基础：投影171
8.3.2 函数介绍173
8.3.3 综合案例：基于Fisher判别的iris数据集分类174
第9章 常规聚类分析178
9.1 深入了解聚类分析178
9.1.1 差异与分类178
9.1.2 主流的聚类算法179
9.2 动态聚类180
9.2.1 聚类的基本过程180
9.2.2 函数介绍183
9.2.3 综合案例：基于随机生成序列的动态聚类184
9.3 层次聚类194
9.3.1 聚类的基本过程194
9.3.2 函数介绍197
9.3.3 综合案例：基于UScitiesD数据集的层次聚类199
9.4 密度聚类202
9.4.1 聚类的基本过程202
9.4.2 函数介绍202
9.4.3 综合案例：基于随机生成序列的密度聚类203
9.5 EM聚类204
9.5.1 聚类的基本过程205
9.5.2 函数介绍205
9.5.3 综合案例：基于iris数据集的EM聚类206
第10章 关联规则210
10.1 简单关联规则210
10.1.1 基本概念与表示形式210
10.1.2 评价简单关联规则的有效性和实用性211
10.2 序列关联规则212
10.2.1 差异与基本概念212
10.2.2 生成序列关联规则213
10.3 Apriori算法214
10.3.1 算法介绍：挖掘频繁项集214
10.3.2 函数介绍215
10.3.3 综合案例：基于Titanic数据集的关联规则挖掘216
10.4 Eclat算法224
10.4.1 算法介绍：自底向上的搜索224
10.4.2 函数介绍224
10.4.3 综合案例：基于美国人口调查数据的关联规则挖掘225
10.5 SPADE算法230
10.5.1 算法介绍：基于序列格的搜索和连接231
10.5.2 函数介绍232
10.5.3 综合案例：基于zaki数据集的序列关联规则挖掘233
第11章 神经网络239
11.1 深入了解人工神经网络239
11.1.1 生物神经元240
11.1.2 人工神经元模型241
11.1.3 人工神经网络种类244
11.1.4 建立模型的一般步骤247
11.2 B-P反向传播网络248
11.2.1 B-P反向传播网络模型248
11.2.2 算法介绍249
11.2.3 函数介绍250
11.3 综合案例：基于Boston数据的波士顿郊区房价预测建模252