用商业案例学R语言数据挖掘PDF电子书下载

第1章 商业数据分析基础 1

1.1 商业数据分析的本质 1

1.2 商业数据分析中心的建设 3

第2章 数据分析的武器库 5

2.1 数据挖掘简介 5

2.2 R语言简介 13

2.3 R与RStudio的下载和安装 15

2.4 在RStudio中安装包 20

2.5 练习题 22

第3章 R语言编程 23

3.1 R的基本数据类型 23

3.2 R的基本数据结构 24

3.3 R的程序控制 34

3.4 R的函数 41

3.5 R的日期与时间数据类型 42

3.6 在R中读写数据 43

3.7 练习题 47

第4章 R描述性统计分析与绘图 48

4.1 描述性统计分析 48

4.2 制图的步骤 60

4.3 R基础绘图包 63

4.4 ggplot2绘图 74

4.5 练习题 79

第5章 数据整合和数据清洗 80

5.1 数据整合 80

5.2 R中的高级数据整合 96

5.3 R中的抽样 101

5.4 R的数据清洗 103

5.5 练习题 110

第6章 统计推断基础 111

6.1 基本的统计学概念 111

6.2 假设检验与单样本t检验 116

6.3 双样本t检验 119

6.4 方差分析（分类变量和连续变量关系检验） 121

6.5 相关分析（两连续变量关系检验） 127

6.6 卡方检验（二分类变量关系检验） 134

6.7 练习题 137

第7章 客户价值预测：线性回归模型与诊断 139

7.1 相关性分析 139

7.2 线性回归 139

7.3 线性回归诊断 150

7.4 正则化方法 159

7.5 练习题 169

第8章 Logistic回归构建初始信用评级 170

8.1 Logistic回归的相关关系分析 170

8.2 Logistic回归模型及实现 171

8.3 最大熵模型与极大似然法估计 179

8.4 模型评估 187

8.5 练习题 193

第9章 使用决策树进行信用评级 195

9.1 决策树建模思路 195

9.2 决策树算法 197

9.3 在R中实现决策树 209

9.4 组合算法（Ensemble Learning） 214

9.5 练习题 234

第10章 神经网络 235

10.1 神经元模型 235

10.2 人工神经网络模型 237

10.3 单层感知器 239

10.4 BP神经网络 242

10.5 RBF神经网络 246

10.6 神经网络设计与R代码实现 253

10.7 练习题 261

第11章 分类器入门：最近邻域与贝叶斯网络 263

11.1 分类器的概念 263

11.2 KNN算法 264

11.3 朴素贝叶斯 269

11.4 贝叶斯网络 273

11.5 练习题 281

第12章 高级分类器：支持向量机 282

12.1 线性可分与线性不可分 282

12.2 线性可分支持向量机 283

12.3 线性支持向量机 291

12.4 非线性支持向量机 297

12.5 R中的支持向量机 303

12.6 练习题 306

第13章 连续变量的维度归约 307

13.1 维度归约方法概述 307

13.2 主成分分析 308

13.3 因子分析 314

13.4 奇异值分解 320

13.5 对应分析和多维尺度分析 326

13.6 练习题 334

第14章 聚类 336

14.1 聚类分析概述 337

14.2 聚类算法逻辑 337

14.3 层次聚类 339

14.4 k-means聚类 342

14.5 基于密度的聚类 346

14.6 聚类模型的评估 349

14.7 高斯混合模型（Gaussian Mixture Model） 352

14.8 客户分群 364

14.9 练习题 379

第15章 关联规则与推荐算法 380

15.1 长尾理论 380

15.2 关联规则 383

15.3 序贯模型 390

15.4 推荐算法与推荐系统 395

15.5 练习题 406

第16章 时间序列建模 407

16.1 认识时间序列 407

16.2 简单时间序列分析 409

16.3 平稳时间序列分析ARMA模型 419

16.4 非平稳时间序列分析ARIMA模型 434

第17章 特征工程（Feature Engineering）（博文视点官方网站下载） 446

17.1 特征工程概述 446

17.2 数据预处理（Data Preprocessing） 447

17.3 特征构造（Feature Construction） 460

17.4 特征抽取（Feature Extraction） 461

17.5 特征选择（Feature Selection） 466

第18章 R文本挖掘（博文视点官方网站下载） 471

18.1 文本挖掘 471

18.2 文本清洗 473

18.3 中文分词与文档模型 476

18.4 文本的特征选择及相关性度量 481

18.5 文本分类 487

18.6 主题模型 489

18.7 综合案例 495

附录A 数据说明（博文视点官方网站下载） 500