最新章節

• 封底
• 參考文獻
• ◎ 本章小結
• 12.6 對策與建議
• 12.5.2 聚類及可視化
• 12.5.1 K值確定

• 封底 更新時間：2024-05-10 11:13:19
• 參考文獻
• ◎ 本章小結
• 12.6 對策與建議
• 12.5.2 聚類及可視化
• 12.5.1 K值確定
• 12.5 K均值聚類
• 12.4.5 Binary編碼
• 12.4.4 One-Hot編碼
• 12.4.3 標準化處理
• 12.4.2 離群值處理
• 12.4.1 數據清洗與整理
• 12.4 數據預處理
• 12.3.2 客戶價值數據
• 12.3.1 客戶意愿數據
• 12.3 數據收集
• 12.2.2 客戶價值細分變量
• 12.2.1 客戶意愿細分變量
• 12.2 客戶細分變量提取
• 12.1 案例介紹
• ■ 案例背景
• ■ 學習目標
• 第12章 案例分析之K均值聚類
• ◎ 本章小結
• 11.4 結果分析
• 11.3 模型構建
• 11.2 描述分析
• 11.1 案例介紹
• ■ 案例背景
• ■ 學習目標
• 第11章 案例分析之隨機森林
• ◎ 課后習題
• ◎ 本章小結
• 10.4.5 疾病數據分析
• 10.4.4 結果分析
• 10.4.3 Apriori算法建模
• 10.4.2 數據預處理
• 10.4.1 數據導入
• 10.4 R語言編程
• 10.3.4 規則生成
• 10.3.3 Fk-1×Fk-1方法的備用方式
• 10.3.2 Fk-1×Fk-1方法
• 10.3.1 Apriori算法的基本框架
• 10.3 Apriori算法原理
• 10.2.2 關聯規則的挖掘
• 10.2.1 關聯規則的基本概念
• 10.2 關聯規則的挖掘
• 10.1 關聯分析與概率統計
• ■ 應用背景介紹
• ■ 學習目標
• 第10章 關聯規則分析
• ◎ 課后習題
• ◎ 本章小結
• 9.4.4 聚類及可視化
• 9.4.3 確定最佳K值
• 9.4.2 數據預處理
• 9.4.1 數據導入
• 9.4 R語言編程
• 9.3 模型理解
• 9.2 算法示例
• 9.1.4 K均值聚類算法延伸
• 9.1.3 距離度量
• 9.1.2 最優K值選擇
• 9.1.1 算法步驟
• 9.1 算法原理
• ■ 應用背景介紹
• ■ 學習目標
• 第9章 K均值聚類
• ◎ 課后習題
• ◎ 本章小結
• 8.4.4 結果分析
• 8.4.3 聚類分組
• 8.4.2 數據預處理
• 8.4.1 數據導入
• 8.4 R語言編程
• 8.3.2 距離度量的選擇
• 8.3.1 層次聚類的優缺點
• 8.3 模型理解
• 8.2 算法示例
• 8.1.2 分裂層次聚類
• 8.1.1 凝聚層次聚類
• 8.1 算法原理
• ■ 應用背景介紹
• ■ 學習目標
• 第8章 層次聚類
• ◎ 課后習題
• ◎ 本章小結
• 7.4.2 貝葉斯網絡應用示例
• 7.4.1 樸素貝葉斯分類器應用實例
• 7.4 R語言編程
• 7.3.4 貝葉斯網絡的特征
• 7.3.3 BBN案例分析
• 7.3.2 構建BBN模型
• 7.3.1 模型表示
• 7.3 貝葉斯信念網絡
• 7.2.4 樸素貝葉斯分類器的特征
• 7.2.3 Laplace校準
• 7.2.2 估計類別下屬性劃分的條件概率
• 7.2.1 樸素貝葉斯分類器的工作流程
• 7.2 樸素貝葉斯分類器
• 7.1 貝葉斯定理
• ■ 應用背景介紹
• ■ 學習目標
• 第7章 貝葉斯分類器
• ◎ 課后習題
• ◎ 本章小結
• 6.3.4 隨機森林模型驗證
• 6.3.3 隨機森林模型訓練
• 6.3.2 數據預處理
• 6.3.1 數據導入
• 6.3 R語言編程
• 6.2.2 隨機森林模型應用
• 6.2.1 隨機森林模型的優缺點
• 6.2 模型理解
• 6.1.2 隨機森林介紹
• 6.1.1 bagging介紹
• 6.1 隨機森林方法原理
• ■ 應用背景介紹
• ■ 學習目標
• 第6章 隨機森林
• ◎ 課后習題
• ◎ 本章小結
• 5.4.4 決策樹模型驗證
• 5.4.3 決策樹模型訓練
• 5.4.2 數據預處理
• 5.4.1 數據導入
• 5.4 R語言編程
• 5.3.3 連續屬性離散化
• 5.3.2 決策樹模型實踐建議
• 5.3.1 決策樹模型的優缺點
• 5.3 模型理解
• 5.2 CART算法示例
• 5.1.2 決策樹剪枝
• 5.1.1 決策樹生成
• 5.1 CART算法原理
• ■ 應用背景介紹
• ■ 學習目標
• 第5章 決策樹與回歸樹
• ◎ 課后習題
• ◎ 本章小結
• 4.4.4 邏輯回歸模型驗證
• 4.4.3 邏輯回歸模型訓練
• 4.4.2 數據預處理
• 4.4.1 數據導入
• 4.4 R語言編程
• 4.3 模型理解
• 4.2 邏輯回歸算法示例
• 4.1.3 邏輯回歸推導
• 4.1.2 邏輯回歸函數
• 4.1.1 邏輯回歸模型簡介
• 4.1 邏輯回歸原理
• ■ 應用背景介紹
• ■ 學習目標
• 第4章 邏輯回歸
• ◎ 課后習題
• ◎ 本章小結
• 3.8 線性回歸的R語言實現
• 3.7.3 殘差的正態性檢驗
• 3.7.2 線性關系檢驗
• 3.7.1 異常點識別
• 3.7 回歸診斷
• 3.6 線性回歸模型的擬合優度
• 3.5 線性回歸中的多重共線性
• 3.4 線性回歸模型的顯著性檢驗
• 3.3 自變量為分類變量的處理
• 3.2 線性回歸模型參數的估計
• 3.1 線性回歸模型的基本形式
• ■ 應用背景介紹
• ■ 學習目標
• 第3章 線性回歸
• ◎ 課后習題
• ◎ 本章小結
• 2.4.5 QQ圖
• 2.4.4 箱線圖與小提琴圖
• 2.4.3 餅圖
• 2.4.2 折線圖與路線圖
• 2.4.1 條形圖與直方圖
• 2.4 常用工具圖的繪制
• 2.3.4 主題
• 2.3.3 分面
• 2.3.2 坐標系
• 2.3.1 標度
• 2.3 圖像細節調整
• 2.2.4 位置調整
• 2.2.3 統計變換
• 2.2.2 幾何對象
• 2.2.1 繪圖對象
• 2.2 圖層
• 2.1.2 散點圖示例
• 2.1.1 圖像的組成
• 2.1 ggplot2的圖層語法
• ■ 應用背景介紹
• ■ 學習目標
• 第2章 R語言可視化技術
• ◎ 課后習題
• ◎ 本章小結
• 1.5.2 tidyr包
• 1.5.1 dplyr包
• 1.5 R包
• 1.4.14 table()函數
• 1.4.13 數據合并
• 1.4.12 文本數據排序
• 1.4.11 數據聚合
• 1.4.10 數據類型轉換
• 1.4.9 apply()函數集合
• 1.4.8 隨機抽樣
• 1.4.7 子集數據
• 1.4.6 數字的四舍五入
• 1.4.5 變量的重命名
• 1.4.4 替換現有字段中的數據
• 1.4.3 運算符
• 1.4.2 缺失信息處理
• 1.4.1 從數據集中提取信息
• 1.4 R語言中的數據處理
• 1.3.6 R語言中的內置函數
• 1.3.5 自定義函數
• 1.3.4 switch語句
• 1.3.3 while循環
• 1.3.2 for循環
• 1.3.1 if分支
• 1.3 R語言中的控制語句及函數
• 1.2.6 R語言中的因子
• 1.2.5 R語言中的列表
• 1.2.4 R語言中的數據框
• 1.2.3 R語言中的矩陣
• 1.2.2 R語言中的向量
• 1.2.1 數據類型
• 1.2 R語言中的數據類型和對象
• 1.1.5 導出數據
• 1.1.4 從R語言的包中獲取數據
• 1.1.3 從文件中讀取數據
• 1.1.2 變量賦值
• 1.1.1 第一個R會話
• 1.1 R語言中的數據讀取和數據導出
• ■ 應用背景介紹
• ■ 學習目標
• 第1章 R語言基礎
• 前言
• 版權信息
• 封面

• 封面
• 版權信息
• 前言
• 第1章 R語言基礎
• ■ 學習目標
• ■ 應用背景介紹
• 1.1 R語言中的數據讀取和數據導出
• 1.1.1 第一個R會話
• 1.1.2 變量賦值
• 1.1.3 從文件中讀取數據
• 1.1.4 從R語言的包中獲取數據
• 1.1.5 導出數據
• 1.2 R語言中的數據類型和對象
• 1.2.1 數據類型
• 1.2.2 R語言中的向量
• 1.2.3 R語言中的矩陣
• 1.2.4 R語言中的數據框
• 1.2.5 R語言中的列表
• 1.2.6 R語言中的因子
• 1.3 R語言中的控制語句及函數
• 1.3.1 if分支
• 1.3.2 for循環
• 1.3.3 while循環
• 1.3.4 switch語句
• 1.3.5 自定義函數
• 1.3.6 R語言中的內置函數
• 1.4 R語言中的數據處理
• 1.4.1 從數據集中提取信息
• 1.4.2 缺失信息處理
• 1.4.3 運算符
• 1.4.4 替換現有字段中的數據
• 1.4.5 變量的重命名
• 1.4.6 數字的四舍五入
• 1.4.7 子集數據
• 1.4.8 隨機抽樣
• 1.4.9 apply()函數集合
• 1.4.10 數據類型轉換
• 1.4.11 數據聚合
• 1.4.12 文本數據排序
• 1.4.13 數據合并
• 1.4.14 table()函數
• 1.5 R包
• 1.5.1 dplyr包
• 1.5.2 tidyr包
• ◎ 本章小結
• ◎ 課后習題
• 第2章 R語言可視化技術
• ■ 學習目標
• ■ 應用背景介紹
• 2.1 ggplot2的圖層語法
• 2.1.1 圖像的組成
• 2.1.2 散點圖示例
• 2.2 圖層
• 2.2.1 繪圖對象
• 2.2.2 幾何對象
• 2.2.3 統計變換
• 2.2.4 位置調整
• 2.3 圖像細節調整
• 2.3.1 標度
• 2.3.2 坐標系
• 2.3.3 分面
• 2.3.4 主題
• 2.4 常用工具圖的繪制
• 2.4.1 條形圖與直方圖
• 2.4.2 折線圖與路線圖
• 2.4.3 餅圖
• 2.4.4 箱線圖與小提琴圖
• 2.4.5 QQ圖
• ◎ 本章小結
• ◎ 課后習題
• 第3章 線性回歸
• ■ 學習目標
• ■ 應用背景介紹
• 3.1 線性回歸模型的基本形式
• 3.2 線性回歸模型參數的估計
• 3.3 自變量為分類變量的處理
• 3.4 線性回歸模型的顯著性檢驗
• 3.5 線性回歸中的多重共線性
• 3.6 線性回歸模型的擬合優度
• 3.7 回歸診斷
• 3.7.1 異常點識別
• 3.7.2 線性關系檢驗
• 3.7.3 殘差的正態性檢驗
• 3.8 線性回歸的R語言實現
• ◎ 本章小結
• ◎ 課后習題
• 第4章 邏輯回歸
• ■ 學習目標
• ■ 應用背景介紹
• 4.1 邏輯回歸原理
• 4.1.1 邏輯回歸模型簡介
• 4.1.2 邏輯回歸函數
• 4.1.3 邏輯回歸推導
• 4.2 邏輯回歸算法示例
• 4.3 模型理解
• 4.4 R語言編程
• 4.4.1 數據導入
• 4.4.2 數據預處理
• 4.4.3 邏輯回歸模型訓練
• 4.4.4 邏輯回歸模型驗證
• ◎ 本章小結
• ◎ 課后習題
• 第5章 決策樹與回歸樹
• ■ 學習目標
• ■ 應用背景介紹
• 5.1 CART算法原理
• 5.1.1 決策樹生成
• 5.1.2 決策樹剪枝
• 5.2 CART算法示例
• 5.3 模型理解
• 5.3.1 決策樹模型的優缺點
• 5.3.2 決策樹模型實踐建議
• 5.3.3 連續屬性離散化
• 5.4 R語言編程
• 5.4.1 數據導入
• 5.4.2 數據預處理
• 5.4.3 決策樹模型訓練
• 5.4.4 決策樹模型驗證
• ◎ 本章小結
• ◎ 課后習題
• 第6章 隨機森林
• ■ 學習目標
• ■ 應用背景介紹
• 6.1 隨機森林方法原理
• 6.1.1 bagging介紹
• 6.1.2 隨機森林介紹
• 6.2 模型理解
• 6.2.1 隨機森林模型的優缺點
• 6.2.2 隨機森林模型應用
• 6.3 R語言編程
• 6.3.1 數據導入
• 6.3.2 數據預處理
• 6.3.3 隨機森林模型訓練
• 6.3.4 隨機森林模型驗證
• ◎ 本章小結
• ◎ 課后習題
• 第7章 貝葉斯分類器
• ■ 學習目標
• ■ 應用背景介紹
• 7.1 貝葉斯定理
• 7.2 樸素貝葉斯分類器
• 7.2.1 樸素貝葉斯分類器的工作流程
• 7.2.2 估計類別下屬性劃分的條件概率
• 7.2.3 Laplace校準
• 7.2.4 樸素貝葉斯分類器的特征
• 7.3 貝葉斯信念網絡
• 7.3.1 模型表示
• 7.3.2 構建BBN模型
• 7.3.3 BBN案例分析
• 7.3.4 貝葉斯網絡的特征
• 7.4 R語言編程
• 7.4.1 樸素貝葉斯分類器應用實例
• 7.4.2 貝葉斯網絡應用示例
• ◎ 本章小結
• ◎ 課后習題
• 第8章 層次聚類
• ■ 學習目標
• ■ 應用背景介紹
• 8.1 算法原理
• 8.1.1 凝聚層次聚類
• 8.1.2 分裂層次聚類
• 8.2 算法示例
• 8.3 模型理解
• 8.3.1 層次聚類的優缺點
• 8.3.2 距離度量的選擇
• 8.4 R語言編程
• 8.4.1 數據導入
• 8.4.2 數據預處理
• 8.4.3 聚類分組
• 8.4.4 結果分析
• ◎ 本章小結
• ◎ 課后習題
• 第9章 K均值聚類
• ■ 學習目標
• ■ 應用背景介紹
• 9.1 算法原理
• 9.1.1 算法步驟
• 9.1.2 最優K值選擇
• 9.1.3 距離度量
• 9.1.4 K均值聚類算法延伸
• 9.2 算法示例
• 9.3 模型理解
• 9.4 R語言編程
• 9.4.1 數據導入
• 9.4.2 數據預處理
• 9.4.3 確定最佳K值
• 9.4.4 聚類及可視化
• ◎ 本章小結
• ◎ 課后習題
• 第10章 關聯規則分析
• ■ 學習目標
• ■ 應用背景介紹
• 10.1 關聯分析與概率統計
• 10.2 關聯規則的挖掘
• 10.2.1 關聯規則的基本概念
• 10.2.2 關聯規則的挖掘
• 10.3 Apriori算法原理
• 10.3.1 Apriori算法的基本框架
• 10.3.2 Fk-1×Fk-1方法
• 10.3.3 Fk-1×Fk-1方法的備用方式
• 10.3.4 規則生成
• 10.4 R語言編程
• 10.4.1 數據導入
• 10.4.2 數據預處理
• 10.4.3 Apriori算法建模
• 10.4.4 結果分析
• 10.4.5 疾病數據分析
• ◎ 本章小結
• ◎ 課后習題
• 第11章 案例分析之隨機森林
• ■ 學習目標
• ■ 案例背景
• 11.1 案例介紹
• 11.2 描述分析
• 11.3 模型構建
• 11.4 結果分析
• ◎ 本章小結
• 第12章 案例分析之K均值聚類
• ■ 學習目標
• ■ 案例背景
• 12.1 案例介紹
• 12.2 客戶細分變量提取
• 12.2.1 客戶意愿細分變量
• 12.2.2 客戶價值細分變量
• 12.3 數據收集
• 12.3.1 客戶意愿數據
• 12.3.2 客戶價值數據
• 12.4 數據預處理
• 12.4.1 數據清洗與整理
• 12.4.2 離群值處理
• 12.4.3 標準化處理
• 12.4.4 One-Hot編碼
• 12.4.5 Binary編碼
• 12.5 K均值聚類
• 12.5.1 K值確定
• 12.5.2 聚類及可視化
• 12.6 對策與建議
• ◎ 本章小結
• 參考文獻
• 封底 更新時間：2024-05-10 11:13:19