數(shù)據(jù)分析與R

第1章 數(shù)據(jù)分析基礎(chǔ)
1.1 統(tǒng)計(jì)基礎(chǔ)
1.1.1 概率與統(tǒng)計(jì)
1.1.2 統(tǒng)計(jì)量與分布
1.1.3 參數(shù)估計(jì)
1.1.4 假設(shè)檢驗(yàn)
1.2 軟件與開(kāi)發(fā)工具介紹
1.2.1 數(shù)據(jù)庫(kù)軟件
1.2.2 計(jì)算軟件
1.2.3 開(kāi)發(fā)軟件
第2章 數(shù)據(jù)預(yù)處理
2.1 數(shù)據(jù)獲取
2.2 數(shù)據(jù)預(yù)處理過(guò)程
2.3 數(shù)據(jù)清洗
2.3.1 缺失值處理
2.3.2 重復(fù)值處理
2.4 數(shù)據(jù)集成
2.5 數(shù)據(jù)變換
2.6 數(shù)據(jù)規(guī)約
第3章 R使用入門(mén)
3.1 R的獲取和安裝
3.2 R的使用
3.3 R的包
3.4 R的數(shù)據(jù)對(duì)象與數(shù)據(jù)操作
3.5 R數(shù)據(jù)的導(dǎo)入與導(dǎo)出
3.6 R的條件控制與循環(huán)
3.7 R數(shù)據(jù)預(yù)處理
3.8 R的概率分布
第4章 R圖形分析
4.1 初始化圖形
4.1.1 圖形的建立與保存
4.1.2 圖形的組合
4.1.3 一個(gè)實(shí)例
4.2 高級(jí)繪圖命令
4.3 低級(jí)繪圖命令
4.4 繪圖參數(shù)
4.4.1 顏色
4.4.2 文本屬性
4.4.3 符號(hào)和線條
4.4.4 標(biāo)題
4.4.5 圖例
4.4.6 坐標(biāo)軸
4.5 圖形庫(kù)
4.5.1 直方圖
4.5.2 條形圖
4.5.3 散點(diǎn)圖
4.5.4 餅圖
4.5.5 箱線圖
4.5.6 矩陣圖
4.5.7 馬賽克圖
4.5.8 熱圖
4.5.9 QQ圖
4.5.10 平行坐標(biāo)圖
第5章 方差分析
5.1 方差分析的基本過(guò)程
5.1.1 單因素方差分析
5.1.2 雙因素方差分析
5.2 方差分析的R實(shí)現(xiàn)
5.2.1 單因素方差分析R實(shí)現(xiàn)
5.2.2 雙因素方差分析
5.3 多因素方差分析的R實(shí)現(xiàn)
第6章 回歸分析
6.1 線性回歸模型
6.2 線性回歸模型的統(tǒng)計(jì)分析
6.3 線性回歸分析在R中的實(shí)現(xiàn)
6.4 Logistic回歸原理
6.5 Logistic模型的求解
6.6 Logistic回歸模型的評(píng)價(jià)和檢驗(yàn)
6.7 多Logistic回歸的分類(lèi)與應(yīng)用
6.8 逐步Logistic回歸分析
6.9 Logistic回歸的R實(shí)踐
第7章 聚類(lèi)與分類(lèi)分析
7.1 聚類(lèi)分析
7.2 聚類(lèi)中的距離度量
7.2.1 連續(xù)性數(shù)值變量的距離度量方法
7.2.2 離散型屬性變量的距離度量方法
7.2.3 R距離度量的實(shí)現(xiàn)
7.3 層次聚類(lèi)法
7.3.1 凝聚式聚類(lèi)
7.3.2 層次聚類(lèi)R實(shí)現(xiàn)
7.4 K一均值聚類(lèi)
7.5 數(shù)據(jù)分類(lèi)
7.5.1 決策樹(shù)方法
7.5.2 貝葉斯分類(lèi)
7.5.3 SVM方法
7.5.4 KNN分類(lèi)
第8章 EM算法和MCMC方法
8.1 EM算法
8.1.1 初識(shí)EM算法
8.1.2 EM算法簡(jiǎn)述
8.1.3 經(jīng)典例題
8.1.4 兩個(gè)重要的定理
8.2 MCMC方法
8.2.1 初識(shí)MCMC方法
8.2.2 Metropolis-Hastings方法
8.2.3 Gibbs Sampling方法