- 高等教育出版社
- 9787040661552
- 1版
- 16开
内容简介
本书介绍了数据分析中常用的统计方法和数据挖掘算法，旨在为读者提供必要的理论与实践支持。全书共八章，涵盖R语言初步、探索性数据分析、回归模型、Bayes统计、决策树与KNN算法、支持向量机、Bayes分类器、时间序列分析等。本书提供丰富示例、图表、R代码，各章配有习题，并列出主要参考文献和关键词索引以满足读者查阅及进一步学习的需要。
本书可作为高等学校非统计与数据科学专业相关课程的教材或教学参考书，也可供相关人员自学与参考。
目录
目录
前辅文
第一章 R语言初步
1.1 R软件简介
1.1.1 R的安装
1.1.2 R的帮助
1.2 对象与属性
1.2.1 数字、字符与向量
1.2.2 数据
1.3 常用的概率分布
1.4 R语言编程
1.5 习题
第二章 探索性数据分析
2.1 描述性统计量
2.1.1 分布的度量
2.1.2 相关性的度量
2.2 数据可视化
2.2.1 基础绘图
2.2.2 数据分布绘图
2.3 数据的变换
2.3.1 数据的标准化
2.3.2 分类变量的数值化
2.4 数据降维
2.4.1 线性关系降维——主成分分析
2.4.2 非线性关系降维方法
2.5 自动化探索性分析R包
2.6 习题
第三章 回归模型
3.1 线性回归
3.1.1 一元线性回归
3.1.2 多元线性回归
3.1.3 最优回归方程的选择
3.1.4 回归诊断
3.1.5 多项式回归
3.2 广义线性模型
3.2.1 指数分布族
3.2.2 logistic回归
3.2.3 对数线性模型
3.3 习题
第四章 Bayes统计
4.1 逆向概率与Bayes定理
4.2 三种信息
4.3 Bayes统计基本思想
4.4 先验分布的确定
4.4.1 主观概率
4.4.2 Bayes假设
4.4.3 共轭先验分布
4.4.4 先验分布与后验分布
4.5 Bayes统计推断
4.5.1 点估计
4.5.2 区间估计
4.5.3 假设检验
4.6 习题
第五章 决策树与KNN算法
5.1 决策树
5.1.1 决策树简介
5.1.2 划分策略
5.1.3 构建过程及模型使用
5.1.4 C4.5算法
5.1.5 CART
5.1.6 决策树的R实现
5.2 KNN算法
5.2.1 基本思想
5.2.2 算法过程
5.2.3 K值的选择
5.2.4 KNN的R实现
5.3 习题
第六章 支持向量机
6.1 支持向量机基本思想
6.2 线性可分支持向量机
6.3 非线性支持向量机
6.3.1 非线性SVM
6.3.2 核技巧
6.4 线性不可分支持向量机与正则化
6.4.1 线性不可分支持向量机
6.4.2 正则化
6.4.3 支持向量机的特征
6.5 支持向量回归
6.6 习题
第七章 Bayes分类器
7.1 Bayes最优分类器
7.2 极大似然估计
7.3 朴素Bayes分类器
7.3.1 估计离散属性的类条件概率
7.3.2 估计连续属性的类条件概率
7.3.3 朴素Bayes分类器的特点
7.4 半朴素Bayes分类器
7.5 Bayes信念网络
7.5.1 定义和性质
7.5.2 构造和学习
7.5.3 推断
7.5.4 BBN的特点
7.6 习题
第八章 时间序列分析
8.1 基本概念
8.1.1 几个例子
8.1.2 基本概念
8.2 数据平稳化
8.2.1 趋势项估计法
8.2.2 消除线性及多项式趋势的差分法
8.2.3 同时消除趋势与周期项
8.3 平稳时间序列的建模与预测
8.3.1 模型识别
8.3.2 参数估计
8.3.3 模型检验
8.3.4 预测
8.4 ARCH模型及变形
8.5 习题
参考文献
索引
前辅文
第一章 R语言初步
1.1 R软件简介
1.1.1 R的安装
1.1.2 R的帮助
1.2 对象与属性
1.2.1 数字、字符与向量
1.2.2 数据
1.3 常用的概率分布
1.4 R语言编程
1.5 习题
第二章 探索性数据分析
2.1 描述性统计量
2.1.1 分布的度量
2.1.2 相关性的度量
2.2 数据可视化
2.2.1 基础绘图
2.2.2 数据分布绘图
2.3 数据的变换
2.3.1 数据的标准化
2.3.2 分类变量的数值化
2.4 数据降维
2.4.1 线性关系降维——主成分分析
2.4.2 非线性关系降维方法
2.5 自动化探索性分析R包
2.6 习题
第三章 回归模型
3.1 线性回归
3.1.1 一元线性回归
3.1.2 多元线性回归
3.1.3 最优回归方程的选择
3.1.4 回归诊断
3.1.5 多项式回归
3.2 广义线性模型
3.2.1 指数分布族
3.2.2 logistic回归
3.2.3 对数线性模型
3.3 习题
第四章 Bayes统计
4.1 逆向概率与Bayes定理
4.2 三种信息
4.3 Bayes统计基本思想
4.4 先验分布的确定
4.4.1 主观概率
4.4.2 Bayes假设
4.4.3 共轭先验分布
4.4.4 先验分布与后验分布
4.5 Bayes统计推断
4.5.1 点估计
4.5.2 区间估计
4.5.3 假设检验
4.6 习题
第五章 决策树与KNN算法
5.1 决策树
5.1.1 决策树简介
5.1.2 划分策略
5.1.3 构建过程及模型使用
5.1.4 C4.5算法
5.1.5 CART
5.1.6 决策树的R实现
5.2 KNN算法
5.2.1 基本思想
5.2.2 算法过程
5.2.3 K值的选择
5.2.4 KNN的R实现
5.3 习题
第六章 支持向量机
6.1 支持向量机基本思想
6.2 线性可分支持向量机
6.3 非线性支持向量机
6.3.1 非线性SVM
6.3.2 核技巧
6.4 线性不可分支持向量机与正则化
6.4.1 线性不可分支持向量机
6.4.2 正则化
6.4.3 支持向量机的特征
6.5 支持向量回归
6.6 习题
第七章 Bayes分类器
7.1 Bayes最优分类器
7.2 极大似然估计
7.3 朴素Bayes分类器
7.3.1 估计离散属性的类条件概率
7.3.2 估计连续属性的类条件概率
7.3.3 朴素Bayes分类器的特点
7.4 半朴素Bayes分类器
7.5 Bayes信念网络
7.5.1 定义和性质
7.5.2 构造和学习
7.5.3 推断
7.5.4 BBN的特点
7.6 习题
第八章 时间序列分析
8.1 基本概念
8.1.1 几个例子
8.1.2 基本概念
8.2 数据平稳化
8.2.1 趋势项估计法
8.2.2 消除线性及多项式趋势的差分法
8.2.3 同时消除趋势与周期项
8.3 平稳时间序列的建模与预测
8.3.1 模型识别
8.3.2 参数估计
8.3.3 模型检验
8.3.4 预测
8.4 ARCH模型及变形
8.5 习题
参考文献
索引
前辅文
第一章 R语言初步
1.1 R软件简介
1.1.1 R的安装
1.1.2 R的帮助
1.2 对象与属性
1.2.1 数字、字符与向量
1.2.2 数据
1.3 常用的概率分布
1.4 R语言编程
1.5 习题
第二章 探索性数据分析
2.1 描述性统计量
2.1.1 分布的度量
2.1.2 相关性的度量
2.2 数据可视化
2.2.1 基础绘图
2.2.2 数据分布绘图
2.3 数据的变换
2.3.1 数据的标准化
2.3.2 分类变量的数值化
2.4 数据降维
2.4.1 线性关系降维——主成分分析
2.4.2 非线性关系降维方法
2.5 自动化探索性分析R包
2.6 习题
第三章 回归模型
3.1 线性回归
3.1.1 一元线性回归
3.1.2 多元线性回归
3.1.3 最优回归方程的选择
3.1.4 回归诊断
3.1.5 多项式回归
3.2 广义线性模型
3.2.1 指数分布族
3.2.2 logistic回归
3.2.3 对数线性模型
3.3 习题
第四章 Bayes统计
4.1 逆向概率与Bayes定理
4.2 三种信息
4.3 Bayes统计基本思想
4.4 先验分布的确定
4.4.1 主观概率
4.4.2 Bayes假设
4.4.3 共轭先验分布
4.4.4 先验分布与后验分布
4.5 Bayes统计推断
4.5.1 点估计
4.5.2 区间估计
4.5.3 假设检验
4.6 习题
第五章 决策树与KNN算法
5.1 决策树
5.1.1 决策树简介
5.1.2 划分策略
5.1.3 构建过程及模型使用
5.1.4 C4.5算法
5.1.5 CART
5.1.6 决策树的R实现
5.2 KNN算法
5.2.1 基本思想
5.2.2 算法过程
5.2.3 K值的选择
5.2.4 KNN的R实现
5.3 习题
第六章 支持向量机
6.1 支持向量机基本思想
6.2 线性可分支持向量机
6.3 非线性支持向量机
6.3.1 非线性SVM
6.3.2 核技巧
6.4 线性不可分支持向量机与正则化
6.4.1 线性不可分支持向量机
6.4.2 正则化
6.4.3 支持向量机的特征
6.5 支持向量回归
6.6 习题
第七章 Bayes分类器
7.1 Bayes最优分类器
7.2 极大似然估计
7.3 朴素Bayes分类器
7.3.1 估计离散属性的类条件概率
7.3.2 估计连续属性的类条件概率
7.3.3 朴素Bayes分类器的特点
7.4 半朴素Bayes分类器
7.5 Bayes信念网络
7.5.1 定义和性质
7.5.2 构造和学习
7.5.3 推断
7.5.4 BBN的特点
7.6 习题
第八章 时间序列分析
8.1 基本概念
8.1.1 几个例子
8.1.2 基本概念
8.2 数据平稳化
8.2.1 趋势项估计法
8.2.2 消除线性及多项式趋势的差分法
8.2.3 同时消除趋势与周期项
8.3 平稳时间序列的建模与预测
8.3.1 模型识别
8.3.2 参数估计
8.3.3 模型检验
8.3.4 预测
8.4 ARCH模型及变形
8.5 习题
参考文献
索引
前辅文
第一章 R语言初步
1.1 R软件简介
1.1.1 R的安装
1.1.2 R的帮助
1.2 对象与属性
1.2.1 数字、字符与向量
1.2.2 数据
1.3 常用的概率分布
1.4 R语言编程
1.5 习题
第二章 探索性数据分析
2.1 描述性统计量
2.1.1 分布的度量
2.1.2 相关性的度量
2.2 数据可视化
2.2.1 基础绘图
2.2.2 数据分布绘图
2.3 数据的变换
2.3.1 数据的标准化
2.3.2 分类变量的数值化
2.4 数据降维
2.4.1 线性关系降维——主成分分析
2.4.2 非线性关系降维方法
2.5 自动化探索性分析R包
2.6 习题
第三章 回归模型
3.1 线性回归
3.1.1 一元线性回归
3.1.2 多元线性回归
3.1.3 最优回归方程的选择
3.1.4 回归诊断
3.1.5 多项式回归
3.2 广义线性模型
3.2.1 指数分布族
3.2.2 logistic回归
3.2.3 对数线性模型
3.3 习题
第四章 Bayes统计
4.1 逆向概率与Bayes定理
4.2 三种信息
4.3 Bayes统计基本思想
4.4 先验分布的确定
4.4.1 主观概率
4.4.2 Bayes假设
4.4.3 共轭先验分布
4.4.4 先验分布与后验分布
4.5 Bayes统计推断
4.5.1 点估计
4.5.2 区间估计
4.5.3 假设检验
4.6 习题
第五章 决策树与KNN算法
5.1 决策树
5.1.1 决策树简介
5.1.2 划分策略
5.1.3 构建过程及模型使用
5.1.4 C4.5算法
5.1.5 CART
5.1.6 决策树的R实现
5.2 KNN算法
5.2.1 基本思想
5.2.2 算法过程
5.2.3 K值的选择
5.2.4 KNN的R实现
5.3 习题
第六章 支持向量机
6.1 支持向量机基本思想
6.2 线性可分支持向量机
6.3 非线性支持向量机
6.3.1 非线性SVM
6.3.2 核技巧
6.4 线性不可分支持向量机与正则化
6.4.1 线性不可分支持向量机
6.4.2 正则化
6.4.3 支持向量机的特征
6.5 支持向量回归
6.6 习题
第七章 Bayes分类器
7.1 Bayes最优分类器
7.2 极大似然估计
7.3 朴素Bayes分类器
7.3.1 估计离散属性的类条件概率
7.3.2 估计连续属性的类条件概率
7.3.3 朴素Bayes分类器的特点
7.4 半朴素Bayes分类器
7.5 Bayes信念网络
7.5.1 定义和性质
7.5.2 构造和学习
7.5.3 推断
7.5.4 BBN的特点
7.6 习题
第八章 时间序列分析
8.1 基本概念
8.1.1 几个例子
8.1.2 基本概念
8.2 数据平稳化
8.2.1 趋势项估计法
8.2.2 消除线性及多项式趋势的差分法
8.2.3 同时消除趋势与周期项
8.3 平稳时间序列的建模与预测
8.3.1 模型识别
8.3.2 参数估计
8.3.3 模型检验
8.3.4 预测
8.4 ARCH模型及变形
8.5 习题
参考文献
索引
