R語(yǔ)言數(shù)據(jù)挖掘方法及應(yīng)用

目錄第一篇 起步篇：R語(yǔ)言數(shù)據(jù)挖掘入門(mén)并不難第1章 數(shù)據(jù)挖掘與R語(yǔ)言概述【本章學(xué)習(xí)目標(biāo)】1.1 為什么要學(xué)習(xí)數(shù)據(jù)挖掘和R語(yǔ)言1.2 什么是數(shù)據(jù)挖掘1.3數(shù)據(jù)挖掘能給出什么1.3.1數(shù)據(jù)挖掘結(jié)果有哪些呈現(xiàn)方式1.3.2 數(shù)據(jù)挖掘結(jié)果有哪些基本特征1.4 數(shù)據(jù)挖掘能解決什么問(wèn)題1.4.1 數(shù)據(jù)預(yù)測(cè)1.4.2 發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)1.4.3 發(fā)現(xiàn)關(guān)聯(lián)性1.4.4 模式診斷1.5 數(shù)據(jù)挖掘解決問(wèn)題的思路1.6數(shù)據(jù)挖掘有哪些典型的商業(yè)應(yīng)用1.6.1 數(shù)據(jù)挖掘在客戶細(xì)分中的應(yīng)用1.6.2 數(shù)據(jù)挖掘在客戶流失分析中的應(yīng)用1.6.3 數(shù)據(jù)挖掘在營(yíng)銷(xiāo)響應(yīng)分析中的應(yīng)用1.6.4 數(shù)據(jù)挖掘在交叉銷(xiāo)售中的應(yīng)用1.6.5 數(shù)據(jù)挖掘在欺詐甄別中的應(yīng)用1.7 R語(yǔ)言入門(mén)需要知道什么1.7.1 什么是R的包1.7.2 如何獲得 R1.7.3 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(yǔ)言數(shù)據(jù)挖掘起步：R對(duì)象和數(shù)據(jù)組織 【本章學(xué)習(xí)目標(biāo)】2.1 什么是R的數(shù)據(jù)對(duì)象2.1.1 R的數(shù)據(jù)對(duì)象有哪些類(lèi)型2.1.2 如何創(chuàng)建和訪問(wèn)R的數(shù)據(jù)對(duì)象2.2 如何用R的向量組織數(shù)據(jù)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 如何用R的矩陣組織數(shù)據(jù)2.3.1 創(chuàng)建矩陣2.3.2 訪問(wèn)矩陣中的元素2.4 如何用R的數(shù)據(jù)框組織數(shù)據(jù)2.4.1 創(chuàng)建數(shù)據(jù)框2.4.2 訪問(wèn)數(shù)據(jù)框2.5 如何用R的數(shù)組、列表組織數(shù)據(jù)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 R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 如何將外部數(shù)據(jù)組織到R數(shù)據(jù)對(duì)象中2.7.1 將文本數(shù)據(jù)組織到R對(duì)象中2.7.2 將SPSS數(shù)據(jù)組織到R對(duì)象中2.7.3 將數(shù)據(jù)庫(kù)和Excel表數(shù)據(jù)組織到R對(duì)象中2.7.4 將網(wǎng)頁(yè)表格數(shù)據(jù)組織到R對(duì)象中2.7.5 R有哪些自帶的數(shù)據(jù)包2.7.6 如何將R對(duì)象中的數(shù)據(jù)保存起來(lái)2.8 R程序設(shè)計(jì)需哪些必備知識(shí)2.8.1 R程序設(shè)計(jì)涉及哪些基本概念2.8.2 R有哪些常用的系統(tǒng)函數(shù)2.8.3 用戶自定義函數(shù)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(shè)計(jì)與數(shù)據(jù)整理綜合應(yīng)用2.9.1 綜合應(yīng)用一：數(shù)據(jù)的基本處理2.9.2 綜合應(yīng)用二：如何將匯總數(shù)據(jù)還原為原始數(shù)據(jù)【本章附錄】第3章 R語(yǔ)言數(shù)據(jù)挖掘初體驗(yàn)：對(duì)數(shù)據(jù)的直觀印象【本章學(xué)習(xí)目標(biāo)】【案例與思考】3.1 數(shù)據(jù)的直觀印象3.1.1 R的數(shù)據(jù)可視化平臺(tái)是什么?3.1.3 R的圖形邊界和布局3.1.2 R的圖形組成和圖形參數(shù)3.1.4 如何修改R的圖形參數(shù)？3.2如何獲得單變量分布特征的直觀印象3.2.1核密度圖：車(chē)險(xiǎn)理賠次數(shù)的分布特點(diǎn)是什么？3.2.2 小提琴圖：不同車(chē)型車(chē)險(xiǎn)理賠次數(shù)的分布有差異嗎？3.2.3克利夫蘭點(diǎn)圖：車(chē)險(xiǎn)理賠次數(shù)存在異常嗎？3.3如何獲得多變量聯(lián)合分布的直觀印象3.3.1 曲面圖和等高線圖3.3.2 二元核密度曲面圖：投保人年齡和車(chē)險(xiǎn)理賠次數(shù)的聯(lián)合分布特點(diǎn)是什么？3.3.3 雷達(dá)圖：不同區(qū)域氣候特點(diǎn)有差異嗎？3.4如何獲得變量間相關(guān)性的直觀印象3.4.1 馬賽克圖：車(chē)型和車(chē)齡有相關(guān)性嗎？3.4.2 散點(diǎn)圖：這些因素會(huì)影響空氣濕度嗎？3.4.3 相關(guān)系數(shù)圖：淘寶各行業(yè)商品成交指數(shù)有相關(guān)性嗎？3.5如何獲得GIS數(shù)據(jù)的直觀印象3.5.1 繪制世界地圖和美國(guó)地圖3.5.2 繪制中國(guó)行政區(qū)劃地圖3.5.3 依據(jù)地圖繪制熱力圖：不同省市的淘寶女裝成交指數(shù)有差異嗎？3.7如何獲得文本詞頻數(shù)據(jù)的直觀印象：政府工作報(bào)告中有哪些高頻詞?【本章附錄】第二篇 數(shù)據(jù)預(yù)測(cè)篇：立足數(shù)據(jù)預(yù)測(cè)未知第4章 基于近鄰的分類(lèi)預(yù)測(cè)：與近鄰有趨同的選擇！【本章學(xué)習(xí)目標(biāo)】【案例與思考】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)4.1.3 R的K-近鄰法和模擬分析4.1.4 K-近鄰法應(yīng)用：天貓成交顧客的分類(lèi)預(yù)測(cè)4.2 K-近鄰法的適用性及特征選擇4.2.1 K-近鄰法的適用性4.2.2 特征選擇：找到重要變量4.3基于變量重要性的加權(quán)K-近鄰法4.3.1 基于變量重要性的加權(quán)K-近鄰法的基本原理4.3.2 變量重要性判斷應(yīng)用：天貓成交顧客預(yù)測(cè)中的重要變量4.4基于觀測(cè)相似性的加權(quán)K-近鄰法4.4.1 加權(quán)K-近鄰法的權(quán)重設(shè)計(jì)4.4.2 加權(quán)K-近鄰法的距離和相似性變換4.4.3 加權(quán)K-近鄰法的R實(shí)現(xiàn)4.4.4加權(quán)K-近鄰法應(yīng)用：天貓成交顧客的分類(lèi)預(yù)測(cè)【本章附錄】第5章 基于規(guī)則的分類(lèi)和組合預(yù)測(cè)：給出易懂且穩(wěn)健的預(yù)測(cè)！【本章學(xué)習(xí)目標(biāo)】【案例與思考】5.1決策樹(shù)概述5.1.1 什么是決策樹(shù)？5.1.2 決策樹(shù)的幾何意義是什么？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實(shí)現(xiàn)和應(yīng)用5.4.1 分類(lèi)回歸樹(shù)的R實(shí)現(xiàn)5.4.2 分類(lèi)回歸樹(shù)的應(yīng)用：提煉不同消費(fèi)行為顧客的主要特征5.5 建立分類(lèi)回歸樹(shù)的組合預(yù)測(cè)模型：給出穩(wěn)健的預(yù)測(cè)5.5.1 袋裝技術(shù)5.5.2 袋裝技術(shù)的R實(shí)現(xiàn)5.5.3 袋裝技術(shù)的應(yīng)用：穩(wěn)健定位目標(biāo)客戶5.5.4 推進(jìn)技術(shù)5.5.5 推進(jìn)技術(shù)的R實(shí)現(xiàn)5.5.6 推進(jìn)技術(shù)的應(yīng)用：穩(wěn)健定位目標(biāo)客戶5.6 隨機(jī)森林：具有隨機(jī)性的組合預(yù)測(cè)5.6.1 什么是隨機(jī)森林？5.6.2 隨機(jī)森林的R實(shí)現(xiàn)5.6.3 隨機(jī)森林的應(yīng)用：穩(wěn)健定位目標(biāo)客戶【本章附錄】第6章 基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)預(yù)測(cè)：給出高精確的預(yù)測(cè)！【本章學(xué)習(xí)目標(biāo)】【案例與思考】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)和種類(lèi)6.1.2 節(jié)點(diǎn)：人工神經(jīng)網(wǎng)絡(luò)的核心處理器6.1.3 建立人工神經(jīng)網(wǎng)絡(luò)的一般步驟6.1.4感知機(jī)模型：確定連接權(quán)重的基本策略6.2 B-P反向傳播網(wǎng)絡(luò)：最常見(jiàn)的人工神經(jīng)網(wǎng)絡(luò)6.2.1 B-P反向傳播網(wǎng)絡(luò)的三大特點(diǎn)6.2.2 B-P反向傳播算法：確定連接權(quán)重6.2.3 學(xué)習(xí)率：影響連接權(quán)重調(diào)整的重要因素6.3 B-P反向傳播網(wǎng)絡(luò)的R實(shí)現(xiàn)和應(yīng)用6.3.1 neuralnet包中的neuralnet函數(shù)6.3.2 neuralnet函數(shù)的應(yīng)用：精準(zhǔn)預(yù)測(cè)顧客的消費(fèi)行為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)【本章附錄】第7章 基于支持向量的分類(lèi)預(yù)測(cè)：給出最大把握的預(yù)測(cè)！【本章學(xué)習(xí)目標(biāo)】【案例與思考】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：確保把握程度7.1.2支持向量分類(lèi)的三種情況7.2理想條件下的分類(lèi)：線性可分時(shí)的支持向量分類(lèi)7.2.1如何求解超平面7.2.1如何利用超平面進(jìn)行分類(lèi)預(yù)測(cè)7.3 一般條件下的分類(lèi)：廣義線性可分時(shí)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：把握程度和精度的權(quán)衡7.4 復(fù)雜條件下的分類(lèi)：線性不可分時(shí)支持向量分類(lèi)7.4.1 線性不可分的一般解決途徑和維災(zāi)難問(wèn)題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)：二分類(lèi)的拓展7.6 支持向量回歸：解決數(shù)值預(yù)測(cè)問(wèn)題7.6.1 支持向量回歸與一般線性回歸：目標(biāo)和策略7.6.2 支持向量回歸的基本思路7.7 支持向量機(jī)的R實(shí)現(xiàn)及應(yīng)用7.7.1支持向量機(jī)的R實(shí)現(xiàn)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)7.7.5 支持向量分類(lèi)應(yīng)用：天貓成交顧客的預(yù)測(cè)【本章附錄】第三篇 數(shù)據(jù)分組篇：發(fā)現(xiàn)數(shù)據(jù)中的自然群組第8章 常規(guī)聚類(lèi)：直觀的數(shù)據(jù)全方位自動(dòng)分組【本章學(xué)習(xí)目標(biāo)】【案例與思考】8.1 聚類(lèi)分析概述8.1.1聚類(lèi)分析目標(biāo)：發(fā)現(xiàn)數(shù)據(jù)中的“自然小類(lèi)”8.1.2 有哪些主流的聚類(lèi)算法？8.2基于質(zhì)心的聚類(lèi)：K-Means聚類(lèi)8.2.1 K-Means聚類(lèi)中的距離測(cè)度：體現(xiàn)全方位性8.2.2 K-Means聚類(lèi)過(guò)程：多次自動(dòng)分組8.2.3 K-Means聚類(lèi)的R實(shí)現(xiàn)和模擬分析8.2.4 K-Means聚類(lèi)的應(yīng)用：環(huán)境污染的區(qū)域劃分8.3 PAM聚類(lèi)：改進(jìn)的K- Means聚類(lèi)8.3.1 PAM聚類(lèi)過(guò)程8.3.2 PAM聚類(lèi)的R實(shí)現(xiàn)和模擬分析8.3基于聯(lián)通性的聚類(lèi)：層次聚類(lèi)8.3.1 層次聚類(lèi)的基本過(guò)程：循序漸進(jìn)的自動(dòng)分組8.3.2 層次聚類(lèi)的R實(shí)現(xiàn)和應(yīng)用：環(huán)境污染的區(qū)域劃分8.4基于統(tǒng)計(jì)分布的聚類(lèi)：EM聚類(lèi)8.4.1 基于統(tǒng)計(jì)分布的聚類(lèi)出發(fā)點(diǎn)：有限混合分布8.4.2 EM聚類(lèi)：如何估計(jì)類(lèi)參數(shù)和聚類(lèi)解8.4.3 EM聚類(lèi)的R實(shí)現(xiàn)和模擬分析8.4.4 EM聚類(lèi)的應(yīng)用：環(huán)境污染的區(qū)域劃分【本章附錄】第9章 特色聚類(lèi)：數(shù)據(jù)分組還可以這樣做！【本章學(xué)習(xí)目標(biāo)】【案例與思考】9.1 BIRCH聚類(lèi)概述9.1.1 BRICH聚類(lèi)有哪些特點(diǎn)？9.1.2 聚類(lèi)特征和聚類(lèi)特征樹(shù)：BIRCH聚類(lèi)的重要策略9.1.3 BIRCH的聚類(lèi)過(guò)程：由存儲(chǔ)空間決定的動(dòng)態(tài)聚類(lèi)9.1.4 BRICH聚類(lèi)的R實(shí)現(xiàn)9.1.5 BRICH聚類(lèi)應(yīng)用：兩期崗位培訓(xùn)的比較9.2 SOM網(wǎng)絡(luò)聚類(lèi)概述9.2.1 SOM網(wǎng)絡(luò)聚類(lèi)設(shè)計(jì)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實(shí)現(xiàn)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)：紅酒品質(zhì)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：密度可達(dá)性是核心9.3.2 DBSCAN聚類(lèi)的R實(shí)現(xiàn)9.3.3 DBSCAN聚類(lèi)的模擬分析【本章附錄】第四篇 數(shù)據(jù)關(guān)聯(lián)篇：發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在關(guān)聯(lián)性第10章 發(fā)現(xiàn)數(shù)據(jù)中的關(guān)聯(lián)特征：關(guān)聯(lián)是推薦的依據(jù)！【本章學(xué)習(xí)目標(biāo)】【案例與思考】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 如何評(píng)價(jià)簡(jiǎn)單關(guān)聯(lián)規(guī)則的有效性？10.1.3如何評(píng)價(jià)簡(jiǎn)單關(guān)聯(lián)規(guī)則的實(shí)用性？10.2 Apri