數(shù)據(jù)分析與R

定　價：￥38.00

作　者：	韓忠明,段大高
出版社：	北京郵電大學出版社
叢編項：
標　簽：	計算機/網(wǎng)絡行業(yè)軟件及應用

購買這本書可以去

ISBN：	9787563540648	出版時間：	2014-08-01	包裝：
開本：		頁數(shù)：		字數(shù)：

內容簡介

　　信息系統(tǒng)、互聯(lián)網(wǎng)、移動通信等的快速發(fā)展催生了海量的數(shù)據(jù)。從數(shù)據(jù)中分析、挖掘隱藏在其中的模式、規(guī)律等是發(fā)揮數(shù)據(jù)價值的根本途徑。采用有效的工具、方法是分析挖掘數(shù)據(jù)的基礎。R 是一個開放、高效的數(shù)據(jù)分析平臺，韓忠明、段大高著的《數(shù)據(jù)分析與R》介紹了R的基本功能、數(shù)據(jù)管理功能、詳細描述了R實現(xiàn) 各種分析圖形的方法。本書詳細地介紹了數(shù)據(jù)分析的整體流程，涵蓋了數(shù)據(jù)獲取、數(shù)據(jù)預處理和常見的數(shù)據(jù)分析方法。采用R實現(xiàn)了主流的數(shù)據(jù)預處理方法，詳細介紹了方差分析、Logistic回歸、聚類和分類以及用于數(shù)據(jù)分析的EM算法和McMC模擬，分析了這些技術的基本原理和實現(xiàn) 算法，應用R實現(xiàn)了分析模型與應用過程。本書采用大量真實數(shù)據(jù)和案例作為驅動，分析了在實際問題中如何利用相關技術解決分析問題。本書既可供從事數(shù)據(jù)分析、數(shù)據(jù)挖掘等的研究者、應用者參考，也可供在市場營銷、金融、醫(yī)療等行業(yè)從事數(shù)據(jù)分析的人士參考。

作者簡介

暫缺《數(shù)據(jù)分析與R》作者簡介

圖書目錄

第1章數(shù)據(jù)分析基礎
1.1 統(tǒng)計基礎
1.1.1 概率與統(tǒng)計
1.1.2 統(tǒng)計量與分布
1.1.3 參數(shù)估計
1.1.4 假設檢驗
1.2 軟件與開發(fā)工具介紹
1.2.1 數(shù)據(jù)庫軟件
1.2.2 計算軟件
1.2.3 開發(fā)軟件
第2章數(shù)據(jù)預處理
2.1 數(shù)據(jù)獲取
2.2 數(shù)據(jù)預處理過程
2.3 數(shù)據(jù)清洗
2.3.1 缺失值處理
2.3.2 重復值處理
2.4 數(shù)據(jù)集成
2.5 數(shù)據(jù)變換
2.6 數(shù)據(jù)規(guī)約
第3章 R使用入門
3.1 R的獲取和安裝
3.2 R的使用
3.3 R的包
3.4 R的數(shù)據(jù)對象與數(shù)據(jù)操作
3.5 R數(shù)據(jù)的導入與導出
3.6 R的條件控制與循環(huán)
3.7 R數(shù)據(jù)預處理
3.8 R的概率分布
第4章 R圖形分析
4.1 初始化圖形
4.1.1 圖形的建立與保存
4.1.2 圖形的組合
4.1.3 一個實例
4.2 高級繪圖命令
4.3 低級繪圖命令
4.4 繪圖參數(shù)
4.4.1 顏色
4.4.2 文本屬性
4.4.3 符號和線條
4.4.4 標題
4.4.5 圖例
4.4.6 坐標軸
4.5 圖形庫
4.5.1 直方圖
4.5.2 條形圖
4.5.3 散點圖
4.5.4 餅圖
4.5.5 箱線圖
4.5.6 矩陣圖
4.5.7 馬賽克圖
4.5.8 熱圖
4.5.9 QQ圖
4.5.10 平行坐標圖
第5章方差分析
5.1 方差分析的基本過程
5.1.1 單因素方差分析
5.1.2 雙因素方差分析
5.2 方差分析的R實現(xiàn)
5.2.1 單因素方差分析R實現(xiàn)
5.2.2 雙因素方差分析
5.3 多因素方差分析的R實現(xiàn)
第6章回歸分析
6.1 線性回歸模型
6.2 線性回歸模型的統(tǒng)計分析
6.3 線性回歸分析在R中的實現(xiàn)
6.4 Logistic回歸原理
6.5 Logistic模型的求解
6.6 Logistic回歸模型的評價和檢驗
6.7 多Logistic回歸的分類與應用
6.8 逐步Logistic回歸分析
6.9 Logistic回歸的R實踐
第7章聚類與分類分析
7.1 聚類分析
7.2 聚類中的距離度量
7.2.1 連續(xù)性數(shù)值變量的距離度量方法
7.2.2 離散型屬性變量的距離度量方法
7.2.3 R距離度量的實現(xiàn)
7.3 層次聚類法
7.3.1 凝聚式聚類
7.3.2 層次聚類R實現(xiàn)
7.4 K一均值聚類
7.5 數(shù)據(jù)分類
7.5.1 決策樹方法
7.5.2 貝葉斯分類
7.5.3 SVM方法
7.5.4 KNN分類
第8章 EM算法和MCMC方法
8.1 EM算法
8.1.1 初識EM算法
8.1.2 EM算法簡述
8.1.3 經典例題
8.1.4 兩個重要的定理
8.2 MCMC方法
8.2.1 初識MCMC方法
8.2.2 Metropolis-Hastings方法
8.2.3 Gibbs Sampling方法