計(jì)算機(jī)科學(xué)叢書(shū)：數(shù)據(jù)挖掘與R語(yǔ)言簡(jiǎn)介，目錄書(shū)摘
《計(jì)算機(jī)科學(xué)叢書(shū)：數(shù)據(jù)挖掘與R語(yǔ)言》的支持網(wǎng)站給出了案例研究的所有代碼、數(shù)據(jù)集以及R函數(shù)包
不要求讀者具有R、數(shù)據(jù)挖掘或統(tǒng)計(jì)技術(shù)的基礎(chǔ)知識(shí)
《計(jì)算機(jī)科學(xué)叢書(shū)：數(shù)據(jù)挖掘與R語(yǔ)言》利用大量給出必要步驟、代碼和數(shù)據(jù)的具體案例，詳細(xì)描述了數(shù)據(jù)挖掘的主要過(guò)程和技術(shù)
《計(jì)算機(jī)科學(xué)叢書(shū)：數(shù)據(jù)挖掘與R語(yǔ)言》首先簡(jiǎn)要介紹了R軟件的基礎(chǔ)知識(shí)（安裝、R數(shù)據(jù)結(jié)構(gòu)、R編程、R的輸入和輸出等）。然后通過(guò)四個(gè)數(shù)據(jù)挖掘的實(shí)際案例（藻類(lèi)頻率的預(yù)測(cè)、證券趨勢(shì)預(yù)測(cè)和交易系統(tǒng)仿真、交易欺詐預(yù)測(cè)、微陣列數(shù)據(jù)分類(lèi)）介紹數(shù)據(jù)挖掘技術(shù)。這四個(gè)案例基本覆蓋了常見(jiàn)的數(shù)據(jù)挖掘技術(shù)，從無(wú)監(jiān)督的數(shù)據(jù)挖掘技術(shù)、有監(jiān)督的數(shù)據(jù)挖掘技術(shù)到半監(jiān)督的數(shù)據(jù)挖掘技術(shù)。全書(shū)以實(shí)際問(wèn)題、解決方案和對(duì)解決方案的討論為主線來(lái)組織內(nèi)容，脈絡(luò)清晰，并且各章自成體系。讀者可以從頭至尾逐章學(xué)習(xí)，也可以根據(jù)自己的需要進(jìn)行學(xué)習(xí)，找到自己實(shí)際問(wèn)題的解決方案。
《計(jì)算機(jī)科學(xué)叢書(shū)：數(shù)據(jù)挖掘與R語(yǔ)言》不需要讀者具備R和數(shù)據(jù)挖掘的基礎(chǔ)知識(shí)。不管是R初學(xué)者，還是熟練的R用戶都能從書(shū)中找到對(duì)自己有用的內(nèi)容。讀者既可以把本書(shū)作為學(xué)習(xí)如何應(yīng)用R的一本優(yōu)秀教材，也可以作為數(shù)據(jù)挖掘的工具書(shū)。
Luís Torgo，葡萄牙波爾圖大學(xué)計(jì)算機(jī)科學(xué)系副教授，現(xiàn)在在LIAAD實(shí)驗(yàn)室從事研究工作。他是APPIA會(huì)員，同時(shí)還是OBEGEF的創(chuàng)辦會(huì)員。
推薦序
中文版序
譯者序
前言
致謝
第1章 簡(jiǎn)介
1.1如何閱讀本書(shū)
1.2R簡(jiǎn)介
1.2.1R起步
1.2.2R對(duì)象
1.2.3向量
1.2.4向量化
1.2.5因子
1.2.6生成序列
1.2.7數(shù)據(jù)子集
1.2.8矩陣和數(shù)組
1.2.9列表
1.2.10數(shù)據(jù)框
1.2.11構(gòu)建新函數(shù)
1.2.12對(duì)象、類(lèi)和方法
1.2.13管理R會(huì)話
1.3MySQL簡(jiǎn)介
第2章 預(yù)測(cè)海藻數(shù)量
2.1問(wèn)題描述與目標(biāo)
2.2數(shù)據(jù)說(shuō)明
2.3數(shù)據(jù)加載到R
2.4數(shù)據(jù)可視化和摘要
2.5數(shù)據(jù)缺失
2.5.1將缺失部分剔除
2.5.2用最高頻率值來(lái)填補(bǔ)缺失值
2.5.3通過(guò)變量的相關(guān)關(guān)系來(lái)填補(bǔ)缺失值
2.5.4通過(guò)探索案例之間的相似性來(lái)填補(bǔ)缺失值
2.6獲取預(yù)測(cè)模型
2.6.1多元線性回歸
2.6.2回歸樹(shù)
2.7模型的評(píng)價(jià)和選擇
2.8預(yù)測(cè)7類(lèi)海藻的頻率
2.9小結(jié)
第3章 預(yù)測(cè)股票市場(chǎng)收益
3.1問(wèn)題描述與目標(biāo)
3.2可用的數(shù)據(jù)
3.2.1在R中處理與時(shí)間有關(guān)的數(shù)據(jù)
3.2.2從CSV文件讀取數(shù)據(jù)
3.2.3從網(wǎng)站上獲取數(shù)據(jù)
3.2.4從MySQL數(shù)據(jù)庫(kù)讀取數(shù)據(jù)
3.3定義預(yù)測(cè)任務(wù)
3.3.1預(yù)測(cè)什么
3.3.2預(yù)測(cè)變量是什么
3.3.3預(yù)測(cè)任務(wù)
3.3.4模型評(píng)價(jià)準(zhǔn)則
3.4預(yù)測(cè)模型
3.4.1如何應(yīng)用訓(xùn)練集數(shù)據(jù)來(lái)建模
3.4.2建模工具
3.5從預(yù)測(cè)到實(shí)踐
3.5.1如何應(yīng)用預(yù)測(cè)模型
3.5.2與交易相關(guān)的評(píng)價(jià)準(zhǔn)則
3.5.3模型集成：仿真交易
3.6模型評(píng)價(jià)和選擇
3.6.1蒙特卡羅估計(jì)
3.6.2實(shí)驗(yàn)比較
3.6.3結(jié)果分析
3.7交易系統(tǒng)
3.7.1評(píng)估最終測(cè)試數(shù)據(jù)
3.7.2在線交易系統(tǒng)
3.8小結(jié)
第4章 偵測(cè)欺詐交易
4.1問(wèn)題描述與目標(biāo)
4.2可用的數(shù)據(jù)
4.2.1加載數(shù)據(jù)至R
4.2.2探索數(shù)據(jù)集
4.2.3數(shù)據(jù)問(wèn)題
4.3定義數(shù)據(jù)挖掘任務(wù)
4.3.1問(wèn)題的不同解決方法
4.3.2評(píng)價(jià)準(zhǔn)則
4.3.3實(shí)驗(yàn)方法
4.4計(jì)算離群值的排序
4.4.1無(wú)監(jiān)督方法
4.4.2有監(jiān)督方法
4.4.3半監(jiān)督方法
4.5小結(jié)
第5章 微陣列樣本分類(lèi)
5.1問(wèn)題描述與目標(biāo)
5.1.1微陣列實(shí)驗(yàn)背景簡(jiǎn)介
5.1.2數(shù)據(jù)集ALL
5.2可用的數(shù)據(jù)
5.3基因（特征）選擇
5.3.1基于分布特征的簡(jiǎn)單過(guò)濾方法
5.3.2ANOVA過(guò)濾
5.3.3用隨機(jī)森林進(jìn)行過(guò)濾
5.3.4用特征聚類(lèi)的組合進(jìn)行過(guò)濾
5.4遺傳學(xué)異常的預(yù)測(cè)
5.4.1定義預(yù)測(cè)任務(wù)
5.4.2模型評(píng)價(jià)標(biāo)準(zhǔn)
5.4.3實(shí)驗(yàn)過(guò)程
5.4.4建模技術(shù)
5.4.5模型比較
5.5小結(jié)
參考文獻(xiàn)
主題索引
數(shù)據(jù)挖掘術(shù)語(yǔ)索引
R函數(shù)索引
京公網(wǎng)安備 11000002000088號(hào)
