数据挖掘与R语言 本书特色

本书介绍数据挖掘的基本技术和相应的算法，突出案例的示范作用，并用R语言实现.旨在紧扣重大科技突破和新兴市场对大数据分析的需求，从高维海量数据中挖掘有用的信息，形成可运行的智能算法，解决实际问题，给业界带来实际的丰厚回报，不断拓展新的产业领域，延伸产业链条，形成集群发展、多点支撑的战略性新兴产业发展格局. 全书共9章，分别介绍了R语言基础、关联规则的挖掘、感知机、朴素贝叶斯算法、K近邻法、决策树、支持向量机、提升算法和隐马尔可夫模型.本书为专业学位研究生所编写，也可以作为统计、金融数学、计算机科学和计算机软件专业的本科生教材，还可以作为零基础读者的自学教材.各章自成体系，读者可以从头逐章学习，也可随意挑选自己所需要的章节学习.

数据挖掘与R语言 目录

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

教材 研究生/本科/专科教材 工学

在线阅读