文本是一种特殊的非结构化数据，在当今的大数据时代，其价值日趋凸显。本书利用开源而强大的R软件，对文本数据挖掘的概念、技术及技巧进行了系统的介绍。本书共11章，内容包括：走进文本数据挖掘，R语言快速入门，字符串的基本处理，用好正则表达式，导入各类文本数据，对各类文本数据进行预处理，文本特征提取的4种方法，基于机器学习的文本分类方法，文本情感分析，文本可视化，文本数据挖掘项目实践。本书还提供了丰富的应
电子书
内容简介
本书以深入浅出的语言系统地讲解了数据挖掘的框架和基本方法，主要内容包括：数据挖掘与R语言概述、数据理解、数据准备、关联规则挖掘、聚类分析、线性模型与广义线性模型、神经网络的基本方法、决策树、基于决策树的模型组合、模型评估与比较。本书使用基于R语言的数据挖掘案例贯穿全书，并辅以上机实验和习题，帮助读者熟练使用R语言进行数据挖掘。
章节目录
- 扉页
- 版权页
- 丛书序
- 前言
- 微课视频列表说明
- 目录
- 第1 章数据挖掘与R 语言概述
- 1.1 数据挖掘的定义及基本流程
- 1.2 关于数据挖掘项目的3 个基本问题
- 1.2.1 建模数据集对预测数据集的代表性
- 1.2.2 自变量和因变量之间关系的因果性解释
- 1.2.3 模型预测精度对于实际应用的价值
- 1.3 CRISP-DM 数据挖掘方法论
- 1.4 SEMMA 数据挖掘方法论
- 1.5 R 语言简介
- 习题
- 第2 章数据理解
- 2.1 收集初始数据
- 2.2 描述数据
- 2.2.1 数据的准确含义
- 2.2.2 数据粒度
- 2.2.3 变量类型
- 2.2.4 冗余变量
- 2.2.5 缺省值
- 2.2.6 数据链接
- 2.3 检查数据质量
- 2.3.1 抽样偏差
- 2.3.2 数据取值检查
- 2.3.3 数据缺失模式
- 2.4 初步探索数据
- 2.5 R 语言分析示例：数据理解
- 上机实验
- 习题
- 第3 章数据准备
- 3.1 数据整合
- 3.2 处理分类自变量
- 3.3 处理时间信息
- 3.4 清除变量
- 3.5 处理异常值
- 3.6 处理极值
- 3.7 处理缺失数据
- 3.8 过抽样与欠抽样
- 3.9 降维
- 3.9.1 变量选择
- 3.9.2 主成分分析
- 3.10 R 语言分析示例：数据准备
- 3.10.1 数据整合
- 3.10.2 其他数据准备
- 上机实验
- 习题
- 第4 章关联规则挖掘
- 4.1 关联规则的基本概念
- 4.2 Apriori 算法简介
- 4.3 序列关联规则挖掘
- 4.4 R 语言分析示例：关联规则挖掘
- 4.4.1 购物篮分析
- 4.4.2 泰坦尼克号存活情况分析
- 上机实验
- 习题
- 第5 章聚类分析
- 5.1 观测之间的距离度量
- 5.2 k 均值聚类法
- 5.3 层次聚类法
- 5.3.1 层次聚类法的具体步骤
- 5.3.2 类别之间距离的度量
- 5.4 确定最优类别数
- 5.5 R 语言分析示例：聚类
- 上机实验
- 习题
- 第6 章线性模型与广义线性模型
- 6.1 线性模型
- 6.1.1 模型假设与估计
- 6.1.2 模型解释
- 6.1.3 一些理论结果
- 6.1.4 模型诊断
- 6.2 广义线性模型
- 6.2.1 广义线性模型简介
- 6.2.2 因变量为二值变量或比例的情形
- 6.2.3 因变量为多种取值的定类变量的情形
- 6.2.4 因变量为定序变量的情形
- 6.2.5 其他情形
- 6.3 线性模型与广义线性模型中的变量选择
- 6.3.1 逐步回归
- 6.3.2 LASSO
- 6.4 R 语言分析示例：线性模型与广义线性模型
- 6.4.1 线性模型示例
- 6.4.2 逻辑回归及Lasso 示例：印第安女性糖尿病数据
- 6.4.3 逻辑回归及Lasso 示例：移动运营商数据
- 上机实验
- 习题
- 第7 章神经网络的基本方法
- 7.1 神经元及神经网络介绍
- 7.1.1 单个神经元
- 7.1.2 多层感知器架构
- 7.2 神经网络模型训练
- 7.2.1 误差函数
- 7.2.2 神经网络训练算法
- 7.3 提高神经网络模型的泛化能力
- 7.4 数据预处理
- 7.5 R 语言分析示例：神经网络
- 7.5.1 红葡萄酒数据
- 7.5.2 移动运营商数据
- 上机实验
- 习题
- 第8 章决策树
- 8.1 决策树简介
- 8.2 决策树建模过程
- 8.2.1 决策树建模的一般过程
- 8.2.2 分类树的建模过程
- 8.2.3 回归树的建模过程
- 8.3 决策树的优缺点
- 8.3.1 决策树的优点
- 8.3.2 决策树的缺点
- 8.4 R 语言分析示例：决策树
- 上机实验
- 习题
- 第9 章基于决策树的模型组合
- 9.1 袋装决策树
- 9.2 梯度提升决策树
- 9.3 随机森林
- 9.4 贝叶斯可加回归树
- 9.5 R 语言分析示例：基于决策树的模型组合
- 9.5.1 袋装决策树示例
- 9.5.2 梯度提升决策树示例
- 9.5.3 随机森林示例
- 9.5.4 贝叶斯可加回归树示例
- 9.5.5 模型结果总结
- 上机实验
- 习题
- 第10 章模型评估与比较
- 10.1 因变量为二值变量
- 10.2 因变量为多种取值的分类变量
- 10.3 因变量为连续变量
- 10.4 R 语言分析示例：模型评估与比较
- 上机实验
- 习题
- 第11 章R 语言数据挖掘大案例
- 11.1 数据理解与数据准备
- 11.2 建模及模型评估
- 习题
- 参考文献
展开全部
数据挖掘——基于R语言的实战是2021年由人民邮电出版社出版,作者张俊妮。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《数据挖掘——基于R语言的实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书以R语言为实现工具，以数据可视化分析为导向，结合实际案例介绍数据可视化方法。全书共8章，第1章介绍数据可视化概述以及R语言数据处理的基本技能；第2章介绍R语言绘图基础，重点介绍R语言传统绘图包graphics中的绘图函数及基本使用方法；第3章介绍类别数据的可视化方法；第4章介绍数据分布特征的可视化方法；第5章介绍变量间关系的可视化方法；第6章介绍样本相似性的可视化方法；第7章介绍时间序列的可视
电子书
本书共13章，主要包括：数据分析概述及R语言环境，R语言的数据对象及其类型，R语言数据存储与读取，R语言编程，R语言可视化，R语言描述性统计，R语言参数估计，R语言参数假设检验等内容。
电子书
本书由浅入深，内容丰富。全书共11章，主要内容包括第1章R语言数据分析概述、第2章R语言数据操作基础、第3章数据读写、第4章数据预处理、第5章数据的描述统计分析、第6章数据相关性分析、第7章R语言可视化基础、第8章高级可视化工具、第9章聚类分析、第10章关联规则、第11章分类及预测。
电子书
本专著主要基于软件领域数据的特性和预测模型的不同应用场景，对软件缺陷预测前言的若干关键技术进行了研究和总结。主要内容包括迁移学习环境下的缺陷预测技术，半监督环境下的缺陷预测技术，主动学习环境下的缺陷预测技术，基于核理论的缺陷预测技术，所应用的理论、算法及应用成果的介绍和展示。
电子书
本书全面地讲解了在科学领域运用广泛的数据微积分、线性代数、统计学、数值计算、多元统计分析等数学基础知识。全书共6章：第1章介绍了大数据与数学、数学与R语言的关系；第2章介绍了微积分的基础知识，包括函数、极限、导数、微分、不定积分与定积分及其应用；第3章介绍了线性代数的基础知识，包括矩阵的运算、行列式、特征分解、奇异值分解；第4章介绍了统计学的基础知识，包括数据分布特征、概率论、随机变量的数字特征、
电子书
本书着力于介绍数据挖掘基础知识、基本原理、常用算法，主要内容包括数据挖掘概述、数据的描述与可视化、数据的采集和预处理、数据的归约、关联规则挖掘、分类与预测、非线性预测模型、聚类分析、深度学习简介、使用Weka进行数据挖掘。本书通俗易懂，注重基础知识、基本原理和基本方法，注重启发和引申，以培养学生独立思考和独立发现的能力。 本书适合作为数据科学与大数据、信息管理、统计等专业的本科层次基础课教材，也
电子书
本书共11章，分为基础篇(第1-5章)和实战篇(第6-11章)，基础篇包括数据挖掘基础、Python数据挖掘编程基础、数据探索、数据预处理、数据挖掘算法基础等基础知识：实战篇包括6个案例，分别为信用卡高风险客户识别、餐饮企业菜品关联分析、金融服务机构资金流量预测、O2O优惠券使用预测、电视产品个性化推荐，以及基于TipDM大数据挖掘建模平台实现金融服务机构资金流量预测。本书大部分章节包含实训和课后
