基于R的統(tǒng)計分析與數(shù)據(jù)挖掘

第1章 關于R
1．1 為什么選擇R
1．2 如何學習R
1．3 R入門必備
1．4 小 結(jié)
第2章 R的數(shù)據(jù)組織
2．1 R的數(shù)據(jù)對象
2．2 創(chuàng)建和訪問R的數(shù)據(jù)對象
2．3 從文本文件讀數(shù)據(jù)
2．4 外部數(shù)據(jù)的導入
2．5 R數(shù)據(jù)組織的其他問題
2．6 小 結(jié)
第3章 R的數(shù)據(jù)管理
3．1 數(shù)據(jù)合并
3．2 數(shù)據(jù)排序
3．3 缺失數(shù)據(jù)報告
3．4 變量計算
3．5 變量值的重編碼
3．6 數(shù)據(jù)篩選
3．7 數(shù)據(jù)保存
3．8 數(shù)據(jù)管理中控制流程
3．9 小 結(jié)
第4章 R的基本數(shù)據(jù)分析：描述和相關
4．1 數(shù)值型單變量的描述
4．2 分類型單變量的描述
4．3 兩數(shù)值型變量相關性的分析
4．4 兩分類型變量相關性的分析
4．5 小 結(jié)
第5章 R的基本數(shù)據(jù)分析：可視化
5．1 繪圖基礎
5．2 數(shù)值型單變量分布的可視化
5．3 分類型變量分布和相關性的可視化
5．4 兩數(shù)值型變量相關性的可視化
5．5 lattice繪圖
5．6 小 結(jié)
第6章 R的兩均值比較檢驗
6．1 兩獨立樣本的均值檢驗
6．2 兩配對樣本的均值檢驗
6．3 樣本均值檢驗的功效分析
6．4 兩總體分布差異的非參數(shù)檢驗
6．5 兩樣本均值差的置換檢驗
6．6 兩樣本均值差的自舉法檢驗
6．7 小 結(jié)
第7章 R的方差分析
7．1 單因素方差分析
7．2 單因素協(xié)方差分析
7．3 多因素方差分析
7．4 小 結(jié)
第8章 R的回歸分析：一般線性模型
8．1 回歸分析概述
8．2 建立線性回歸模型
8．3 線性回歸方程的檢驗
8．4 回歸診斷：誤差項是否滿足高斯馬爾科夫假定
8．5 回歸診斷：診斷數(shù)據(jù)中的異常觀測點
8．6 回歸診斷：多重共線性的診斷
8．7 回歸建模策略
8．8 回歸模型驗證
8．9 帶虛擬變量的線性回歸分析
8．10 小 結(jié)
第9章 R的回歸分析：廣義線性模型
9．1 廣義線性模型概述
9．2 logistic回歸分析：連接函數(shù)和參數(shù)估計
9．3 logistic回歸分析：解讀模型和模型檢驗
9．4 logistic回歸分析：R函數(shù)和示例
9．5 logistic回歸分析：回歸診斷
9．6 泊松回歸分析
9．7 廣義線性模型的交叉驗證
9．8 小 結(jié)
第10章 R的聚類分析
10．1 聚類分析概述
10．2 K-Means聚類
10．3 層次聚類
10．4 兩步聚類
10．5 小 結(jié)
第11章 R的因子分析：變量降維
11．1 因子分析概述
11．2 構造因子變量：基于主成分分析法
11．3 構造因子變量：基于主軸因子法
11．4 因子變量的命名
11．5 計算因子得分
11．6 小 結(jié)
第12章 R的線性判別分析：分類模型
12．1 距離判別
12．2 Fisher判別
12．3 小 結(jié)
第13章 R的決策樹：預測模型
13．1 決策樹算法概述
13．2 分類回歸樹的生長過程
13．3 分類回歸樹的剪枝
13．4 建立分類回歸樹的R函數(shù)和示例
13．5 建立分類回歸樹的組合預測模型
13．6 隨機森林
13．7 小 結(jié)
第14章 R的人工神經(jīng)網(wǎng)絡：預測和聚類
14．1 人工神經(jīng)網(wǎng)絡概述
14．2 B-P反向傳播網(wǎng)絡
14．3 B-P反向傳播網(wǎng)絡的R函數(shù)和示例
14．4 SOM自組織映射網(wǎng)絡
14．5 小 結(jié)