第1章R语言基础 1
1.1 R的安装 1
1.2 R数据结构 5
1.3数据输入 11
1.4程序控制流语句 12
1.5用户自编函数 14
1.6运算符 15
1.7数学统计函数 16
第2章 关联规则的挖掘 18
2.1关联规则模型 19
2.2关联规则的支持度、可信度和提升度 20
2.3关联规则Apriori算法 22
第3章 感知机 26
3.1数据集的线性可分性 26
3.2感知机模型 28
3.3感知机学习策略 29
3.4感知机学习算法 29
第4章 朴素贝叶斯算法 39
4.1朴素贝叶斯频次表 39
4.2朴素贝叶斯条件概率表 40
4.3朴素贝叶斯分类器 43
4.4拉普拉斯校准子 46
4.5连续型数据特征的处理 49
第5章K近邻法 53
5.1近邻的距离度量方法 53
5.2 Kd树——寻找K近邻 57
5.3分类决策规则 70
5.4 K值的选择 70
5.5 K近邻算法 71
第6章 决策树 74
6.1决策树模型 74
6.2决策树学习 75
6.3决策树的生成 84
6.4决策树的剪枝 91
6.5分类与回归树模型 96
第7章 支持向量机 111
7.1线性可分支持向量机与硬间隔最大化 111
7.2线性支持向量机与软间隔最大化 124
7.3非线性支持向量机与核函数 130
7.4序列最小最优化算法 137
第8章 提升算法 146
8.1 AdaBoost提升算法 146
8.2 AdaBoost算法解释 152
8.3提升树 154
第9章 隐马尔可夫模型 160
9.1基本概念 160
9.2概率计算算法 162
9.3学习算法 168
9.4预测算法 169
参考文献 174