R語言數(shù)據(jù)挖掘方法及應(yīng)用

目錄第一篇 起步篇：R語言數(shù)據(jù)挖掘入門并不難第1章 數(shù)據(jù)挖掘與R語言概述【本章學習目標】1.1 為什么要學習數(shù)據(jù)挖掘和R語言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)挖掘能解決什么問題1.4.1 數(shù)據(jù)預測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)挖掘在營銷響應(yīng)分析中的應(yīng)用1.6.4 數(shù)據(jù)挖掘在交叉銷售中的應(yīng)用1.6.5 數(shù)據(jù)挖掘在欺詐甄別中的應(yīng)用1.7 R語言入門需要知道什么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語言數(shù)據(jù)挖掘起步：R對象和數(shù)據(jù)組織 【本章學習目標】2.1 什么是R的數(shù)據(jù)對象2.1.1 R的數(shù)據(jù)對象有哪些類型2.1.2 如何創(chuàng)建和訪問R的數(shù)據(jù)對象2.2 如何用R的向量組織數(shù)據(jù)2.2.1 創(chuàng)建只包含一個元素的向量2.2.2 創(chuàng)建包含多個元素的向量2.2.3 訪問向量中的元素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)建和訪問數(shù)組2.5.2 創(chuàng)建和訪問列表2.6 R數(shù)據(jù)對象的相互轉(zhuǎn)換2.6.1 不同存儲類型之間的轉(zhuǎn)換2.6.2 不同結(jié)構(gòu)類型之間的轉(zhuǎn)換2.7 如何將外部數(shù)據(jù)組織到R數(shù)據(jù)對象中2.7.1 將文本數(shù)據(jù)組織到R對象中2.7.2 將SPSS數(shù)據(jù)組織到R對象中2.7.3 將數(shù)據(jù)庫和Excel表數(shù)據(jù)組織到R對象中2.7.4 將網(wǎng)頁表格數(shù)據(jù)組織到R對象中2.7.5 R有哪些自帶的數(shù)據(jù)包2.7.6 如何將R對象中的數(shù)據(jù)保存起來2.8 R程序設(shè)計需哪些必備知識2.8.1 R程序設(shè)計涉及哪些基本概念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語言數(shù)據(jù)挖掘初體驗：對數(shù)據(jù)的直觀印象【本章學習目標】【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：車險理賠次數(shù)的分布特點是什么？3.2.2 小提琴圖：不同車型車險理賠次數(shù)的分布有差異嗎？3.2.3克利夫蘭點圖：車險理賠次數(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：投保人年齡和車險理賠次數(shù)的聯(lián)合分布特點是什么？3.3.3 雷達圖：不同區(qū)域氣候特點有差異嗎？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：車型和車齡有相關(guān)性嗎？3.4.2 散點圖：這些因素會影響空氣濕度嗎？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地圖3.5.2 繪制中國行政區(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：政府工作報告中有哪些高頻詞?【本章附錄】第二篇 數(shù)據(jù)預測篇：立足數(shù)據(jù)預測未知第4章 基于近鄰的分類預測：與近鄰有趨同的選擇！【本章學習目標】【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預測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：天貓成交顧客預測中的重要變量4.4基于觀測相似性的加權(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實現(xiàn)4.4.4加權(quán)K-近鄰法應(yīng)用：天貓成交顧客的分類預測【本章附錄】第5章 基于規(guī)則的分類和組合預測：給出易懂且穩(wěn)健的預測！【本章學習目標】【案例與思考】5.1決策樹概述5.1.1 什么是決策樹？5.1.2 決策樹的幾何意義是什么？5.1.3 決策樹的核心問題5.2 分類回歸樹的生長過程5.2.1 分類樹的生長過程5.2.2 回歸樹的生長過程5.2.3損失矩陣對分類樹的影響5.3 分類回歸樹的剪枝5.3.1 最小代價復雜度的測度5.3.2 分類回歸樹后剪枝過程5.3.3 分類回歸樹的交叉驗證剪枝5.4 分類回歸樹的R實現(xiàn)和應(yīng)用5.4.1 分類回歸樹的R實現(xiàn)5.4.2 分類回歸樹的應(yīng)用：提煉不同消費行為顧客的主要特征5.5 建立分類回歸樹的組合預測模型：給出穩(wěn)健的預測5.5.1 袋裝技術(shù)5.5.2 袋裝技術(shù)的R實現(xiàn)5.5.3 袋裝技術(shù)的應(yīng)用：穩(wěn)健定位目標客戶5.5.4 推進技術(shù)5.5.5 推進技術(shù)的R實現(xiàn)5.5.6 推進技術(shù)的應(yīng)用：穩(wěn)健定位目標客戶5.6 隨機森林：具有隨機性的組合預測5.6.1 什么是隨機森林？5.6.2 隨機森林的R實現(xiàn)5.6.3 隨機森林的應(yīng)用：穩(wěn)健定位目標客戶【本章附錄】第6章 基于神經(jīng)網(wǎng)絡(luò)的分類預測：給出高精確的預測！【本章學習目標】【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6.1.2 節(jié)點：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6.2.2 B-P反向傳播算法：確定連接權(quán)重6.2.3 學習率：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：精準預測顧客的消費行為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預測：給出最大把握的預測！【本章學習目標】【案例與思考】7.1 支持向量分類概述7.1.1支持向量分類的基本思路：確保把握程度7.1.2支持向量分類的三種情況7.2理想條件下的分類：線性可分時的支持向量分類7.2.1如何求解超平面7.2.1如何利用超平面進行分類預測7.3 一般條件下的分類：廣義線性可分時的支持向量分類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 復雜條件下的分類：線性不可分時支持向量分類7.4.1 線性不可分的一般解決途徑和維災難問題7.4.2 支持向量分類克服維災難的途徑7.5 多分類的支持向量分類：二分類的拓展7.6 支持向量回歸：解決數(shù)值預測問題7.6.1 支持向量回歸與一般線性回歸：目標和策略7.6.2 支持向量回歸的基本思路7.7 支持向量機的R實現(xiàn)及應(yīng)用7.7.1支持向量機的R實現(xiàn)7.7.2 利用R模擬線性可分下的支持向量分類7.7.3 利用R模擬線性不可分下的支持向量分類7.7.4 利用R模擬多分類的支持向量分類7.7.5 支持向量分類應(yīng)用：天貓成交顧客的預測【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：直觀的數(shù)據(jù)全方位自動分組【本章學習目標】【案例與思考】8.1 聚類分析概述8.1.1聚類分析目標：發(fā)現(xiàn)數(shù)據(jù)中的“自然小類”8.1.2 有哪些主流的聚類算法？8.2基于質(zhì)心的聚類：K-Means聚類8.2.1 K-Means聚類中的距離測度：體現(xiàn)全方位性8.2.2 K-Means聚類過程：多次自動分組8.2.3 K-Means聚類的R實現(xiàn)和模擬分析8.2.4 K-Means聚類的應(yīng)用：環(huán)境污染的區(qū)域劃分8.3 PAM聚類：改進的K- Means聚類8.3.1 PAM聚類過程8.3.2 PAM聚類的R實現(xiàn)和模擬分析8.3基于聯(lián)通性的聚類：層次聚類8.3.1 層次聚類的基本過程：循序漸進的自動分組8.3.2 層次聚類的R實現(xiàn)和應(yīng)用：環(huán)境污染的區(qū)域劃分8.4基于統(tǒng)計分布的聚類：EM聚類8.4.1 基于統(tǒng)計分布的聚類出發(fā)點：有限混合分布8.4.2 EM聚類：如何估計類參數(shù)和聚類解8.4.3 EM聚類的R實現(xiàn)和模擬分析8.4.4 EM聚類的應(yīng)用：環(huán)境污染的區(qū)域劃分【本章附錄】第9章 特色聚類：數(shù)據(jù)分組還可以這樣做！【本章學習目標】【案例與思考】9.1 BIRCH聚類概述9.1.1 BRICH聚類有哪些特點？9.1.2 聚類特征和聚類特征樹：BIRCH聚類的重要策略9.1.3 BIRCH的聚類過程：由存儲空間決定的動態(tài)聚類9.1.4 BRICH聚類的R實現(xiàn)9.1.5 BRICH聚類應(yīng)用：兩期崗位培訓的比較9.2 SOM網(wǎng)絡(luò)聚類概述9.2.1 SOM網(wǎng)絡(luò)聚類設(shè)計出發(fā)點9.2.2 SOM網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和聚類原理9.2.3 SOM網(wǎng)絡(luò)聚類的R實現(xiàn)9.2.4 SOM網(wǎng)絡(luò)聚類應(yīng)用：手寫郵政編碼識別9.2.5 拓展SOM網(wǎng)絡(luò)：紅酒品質(zhì)預測9.3基于密度的聚類模型：DBSCAN聚類9.3.1 DBSCAN聚類原理：密度可達性是核心9.3.2 DBSCAN聚類的R實現(xiàn)9.3.3 DBSCAN聚類的模擬分析【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)！【本章學習目標】【案例與思考】10.1 簡單關(guān)聯(lián)規(guī)則及其測度10.1.1 什么是簡單關(guān)聯(lián)規(guī)則？10.1.2 如何評價簡單關(guān)聯(lián)規(guī)則的有效性？10.1.3如何評價簡單關(guān)聯(lián)規(guī)則的實用性？10.2 Apri