R語言數據挖掘(第2版)（簡體書）

數據挖掘，繼承和發展經典統計分析的理論成果，結合現代機器學習方法，借助大規模高性能計算不斷逼近大數據規律真相，突破了傳統數據分析方法的大數據應用局限；R語言，以其開源性、易用性、全面性、前沿性和可擴充性，是實現大數據分析實踐的有效工具。《R語言數據挖掘》努力堅持：講明白理論原理，講明白案例問題，講明白實現步驟，講明白結果含義的寫作風格，圍繞大數據分析的四大核心問題：建立數據預測模型，揭示數據內在結構，探究數據關聯性，診斷異常數據，以應用案例為線索，深入淺出地討論了眾多經典數據挖掘方法原理，完整詳細地講解了R語言實現過程。本書可作為高等院校統計學、數據科學和大數據技術、大數據管理等相關專業本科生和研究生數據挖掘、機器學習和其他數據分析課程的教材，也可作為科研機構、政府和企業經營管理部門等研究人員參考用書。

薛薇，中國人民大學應用統計中心副主任，中國人民大學統計學院副教授。主要研究領域：數據挖掘、文本挖掘、復雜網絡建模。關注統計和數據挖掘算法及軟件應用，統計數據庫系統研發等方面。涉足交通、金融、貿易等復雜網絡動態建模，電商數據分析，網絡新媒體輿論傳播、熱點事件主題跟蹤和預測建模，政府和官方微博、學科學術熱點跟蹤等文本挖掘，以及社會網絡分析和以數據挖掘為依托的客戶關系管理等領域。

第1章數據挖掘與R語言概述
1.1什麼是數據挖掘
1.2數據挖掘的結果
1.3數據挖掘能做什麼
1.4數據挖掘方法的特點
1.5數據挖掘的典型應用
1.6R語言入門必備
1.7RStudio簡介
1.8本章函數列表

第2章R的數據組織和整理
2.1R的數據物件
2.2向量的創建和訪問
2.3矩陣的創建和訪問
2.4數據框的創建和訪問
2.5數組和列表的創建和訪問
2.6數據物件的相互轉換
2.7導入外部數據和保存數據
2.8R語言程序設計基礎
2.9R語言數據整理和程序設計綜合應用
2.10本章函數列表

第3章R的數據可視化
3.1繪圖基礎
3.2單變量分布特征的可視化
3.3多變量聯合分布特征的可視化
3.4變量間相關性的可視化
3.5GIS數據的可視化
3.6文本詞頻數據的可視化
3.7本章函數列表

第4章R的近鄰分析：數據預測
4.1近鄰分析：K近鄰法
4.2基于變量重要性的加權K近鄰法
4.3基于觀測相似性的加權K近鄰法
4.4本章函數列表

第5章R的決策樹：數據預測
5.1決策樹算法概述
5.2分類回歸樹的生長過程
5.3分類回歸樹的剪枝
5.4分類回歸樹的R函數和應用示例
5.5建立分類回歸樹的組合預測模型
5.6隨機森林
5.7本章函數列表

第6章R的人工神經網絡：數據預測
6.1人工神經網絡概述
6.2BP反向傳播網絡
6.3BP反向傳播網絡的R函數和應用示例
6.4本章函數列表

第7章R的支持向量機：數據預測
7.1支持向量分類概述
7.2線性可分問題下的支持向量分類
7.3廣義線性可分問題下的支持向量分類
7.4線性不可分問題下的支持向量分類
7.5多分類的支持向量分類
7.6支持向量回歸
7.7R的支持向量機及應用示例
7.8本章函數列表

第8章R的一般聚類：揭示數據內在結構
8.1聚類分析概述
8.2基于質心的聚類模型：KMeans聚類
8.3基于質心的聚類模型：PAM聚類
8.4基于聯通性的聚類模型：層次聚類
8.5基于統計分布的聚類模型：EM聚類
8.6本章函數列表

第9章R的特色聚類：揭示數據內在結構
9.1BIRCH聚類
9.2SOM網絡聚類
9.3基于密度的聚類模型：DBSCAN聚類
9.4本章函數列表

第10章R的關聯分析：揭示數據關聯性
10.1簡單關聯規則及其測度
10.2Apriori算法及應用示例
10.3Eclat算法及應用示例
10.4簡單關聯分析的應用示例
10.5序列關聯分析及SPADE算法
10.6本章函數列表

第11章R的模式甄別：診斷異常數據
11.1模式甄別方法和評價概述
11.2模式甄別的無監督偵測方法及應用示例
11.3模式甄別的有監督偵測方法及應用示例
11.4模式甄別的半監督偵測方法及應用示例
11.5本章函數列表

第12章R的網絡分析初步
12.1網絡的定義、表示及構建
12.2網絡節點重要性的測度
12.3網絡子群構成特征研究
12.4網絡整體特征刻畫
12.5主要網絡類型及特點
12.6本章函數列表R語言數據挖掘