用商業(yè)案例學(xué)R語言數(shù)據(jù)挖掘

第1 章 商業(yè)數(shù)據(jù)分析基礎(chǔ) 1
1.1 商業(yè)數(shù)據(jù)分析的本質(zhì) 1
1.2 商業(yè)數(shù)據(jù)分析中心的建設(shè) 3
第2 章 數(shù)據(jù)分析的武器庫 5
2.1 數(shù)據(jù)挖掘簡介 5
2.2 R 語言簡介 13
2.3 R 與RStudio 的下載和安裝 15
2.4 在RStudio 中安裝包 20
2.5 練習(xí)題 22
第3 章 R 語言編程 23
3.1 R 的基本數(shù)據(jù)類型 23
3.2 R 的基本數(shù)據(jù)結(jié)構(gòu) 24
3.3 R 的程序控制 34
3.4 R 的函數(shù) 41
3.5 R 的日期與時間數(shù)據(jù)類型 42
3.6 在R 中讀寫數(shù)據(jù) 43
3.7 練習(xí)題 47
第4 章 R 描述性統(tǒng)計分析與繪圖 48
4.1 描述性統(tǒng)計分析 48
4.2 制圖的步驟 60
4.3 R 基礎(chǔ)繪圖包 63
4.4 ggplot2 繪圖 74
4.5 練習(xí)題 79
第5 章 數(shù)據(jù)整合和數(shù)據(jù)清洗 80
5.1 數(shù)據(jù)整合 80
5.2 R 中的高級數(shù)據(jù)整合 96
5.3 R 中的抽樣 101
5.4 R 的數(shù)據(jù)清洗 103
5.5 練習(xí)題 110
第6 章 統(tǒng)計推斷基礎(chǔ) 111
6.1 基本的統(tǒng)計學(xué)概念 111
6.2 假設(shè)檢驗(yàn)與單樣本t 檢驗(yàn)116
6.3 雙樣本t 檢驗(yàn) 119
6.4 方差分析（分類變量和連續(xù)變量關(guān)系檢驗(yàn)） 121
6.5 相關(guān)分析（兩連續(xù)變量關(guān)系檢驗(yàn)） 127
6.6 卡方檢驗(yàn)（二分類變量關(guān)系檢驗(yàn)） 134
6.7 練習(xí)題 137
第7 章 客戶價值預(yù)測：線性回歸模型與診斷 139
7.1 相關(guān)性分析 139
7.2 線性回歸 139
7.3 線性回歸診斷 150
7.4 正則化方法 159
7.5 練習(xí)題 169
第8 章 Logistic 回歸構(gòu)建初始信用評級 170
8.1 Logistic 回歸的相關(guān)關(guān)系分析 170
8.2 Logistic 回歸模型及實(shí)現(xiàn) 171
8.3 最大熵模型與極大似然法估計 179
8.4 模型評估 187
8.5 練習(xí)題 193
第9 章 使用決策樹進(jìn)行信用評級 195
9.1 決策樹建模思路 195
9.2 決策樹算法 197
9.3 在R 中實(shí)現(xiàn)決策樹 209
9.4 組合算法（Ensemble Learning） 214
9.5 練習(xí)題 234
第10 章 神經(jīng)網(wǎng)絡(luò) 235
10.1 神經(jīng)元模型 235
10.2 人工神經(jīng)網(wǎng)絡(luò)模型 237
10.3 單層感知器 239
10.4 BP 神經(jīng)網(wǎng)絡(luò) 242
10.5 RBF 神經(jīng)網(wǎng)絡(luò) 246
10.6 神經(jīng)網(wǎng)絡(luò)設(shè)計與R 代碼實(shí)現(xiàn) 253
10.7 練習(xí)題 261
第11 章 分類器入門：最近鄰域與貝葉斯網(wǎng)絡(luò) 263
11.1 分類器的概念 263
11.2 KNN 算法 264
11.3 樸素貝葉斯 269
11.4 貝葉斯網(wǎng)絡(luò) 273
11.5 練習(xí)題 281
第12 章 高級分類器：支持向量機(jī) 282
12.1 線性可分與線性不可分 282
12.2 線性可分支持向量機(jī) 283
12.3 線性支持向量機(jī) 291
12.4 非線性支持向量機(jī) 297
12.5 R 中的支持向量機(jī) 303
12.6 練習(xí)題 306
第13 章 連續(xù)變量的維度歸約 307
13.1 維度歸約方法概述 307
13.2 主成分分析 308
13.3 因子分析 314
13.4 奇異值分解 320
13.5 對應(yīng)分析和多維尺度分析 326
13.6 練習(xí)題 334
第14 章 聚類 336
14.1 聚類分析概述 337
14.2 聚類算法邏輯 337
14.3 層次聚類 339
14.4 k-means 聚類 342
14.5 基于密度的聚類 346
14.6 聚類模型的評估 349
14.7 高斯混合模型（Gaussian Mixture Model） 352
14.8 客戶分群 364
14.9 練習(xí)題 379
第15 章 關(guān)聯(lián)規(guī)則與推薦算法 380
15.1 長尾理論 380
15.2 關(guān)聯(lián)規(guī)則 383
15.3 序貫?zāi)Ｐ? 390
15.4 推薦算法與推薦系統(tǒng) 395
15.5 練習(xí)題 406
第16 章 時間序列建模 407
16.1 認(rèn)識時間序列 407
16.2 簡單時間序列分析 409
16.3 平穩(wěn)時間序列分析ARMA 模型 419
16.4 非平穩(wěn)時間序列分析ARIMA 模型 434
第17 章 特征工程（Feature Engineering）（博文視點(diǎn)官方網(wǎng)站下載） 446
17.1 特征工程概述 446
17.2 數(shù)據(jù)預(yù)處理（Data Preprocessing） 447
17.3 特征構(gòu)造（Feature Construction） 460
17.4 特征抽?。‵eature Extraction） 461
17.5 特征選擇（Feature Selection） 466
第18 章 R 文本挖掘（博文視點(diǎn)官方網(wǎng)站下載） 471
18.1 文本挖掘 471
18.2 文本清洗 473
18.3 中文分詞與文檔模型 476
18.4 文本的特征選擇及相關(guān)性度量 481
18.5 文本分類 487
18.6 主題模型 489
18.7 綜合案例 495
附錄A 數(shù)據(jù)說明（博文視點(diǎn)官方網(wǎng)站下載） 500