R統(tǒng)計(jì)應(yīng)用開(kāi)發(fā)實(shí)戰(zhàn)

譯者序
前言
第1章　數(shù)據(jù)特征
　1.1　問(wèn)卷調(diào)查及其組成部分
　1.2　在計(jì)算機(jī)科學(xué)中的不確定性研究
　1.3　R安裝
　　1.3.1　使用R包
　　1.3.2　RSADBE——本書(shū)的R包
　　1.3.3　離散分布
　　1.3.4　離散均勻分布
　　1.3.5　二項(xiàng)分布
　　1.3.6　超幾何分布
　　1.3.7　負(fù)二項(xiàng)分布
　　1.3.8　泊松分布
　1.4　連續(xù)分布
　　1.4.1　均勻分布
　　1.4.2　指數(shù)分布
　　1.4.3　正態(tài)分布
　1.5　本章小結(jié)
第2章　數(shù)據(jù)導(dǎo)入和導(dǎo)出
　2.1　data.frame和其他格式數(shù)據(jù)
　　2.1.1　常數(shù)、向量和矩陣
　　2.1.2　列表對(duì)象
　　2.1.3　data.frame對(duì)象
　　2.1.4　表對(duì)象
　2.2　函數(shù)read.csv、read.xls以及外來(lái)程序包
　2.3　導(dǎo)出數(shù)據(jù)/圖表
　　2.3.1　導(dǎo)出R對(duì)象
　　2.3.2　導(dǎo)出圖表
　2.4　管理一個(gè)R會(huì)話
　2.5　本章小結(jié)
第3章　數(shù)據(jù)可視化
　3.1　分類(lèi)數(shù)據(jù)的可視化技術(shù)
　　3.1.1　條形圖
　　3.1.2　點(diǎn)圖
　　3.1.3　脊柱圖、馬賽克圖
　　3.1.4　餅圖和四折圖
　3.2　連續(xù)型變量數(shù)據(jù)的可視化
　　3.2.1　箱線圖
　　3.2.2　直方圖
　　3.2.3　散點(diǎn)圖
　　3.2.4　帕累托圖
　3.3　ggplot概述
　3.4　本章小結(jié)
第4章　探索性分析
　4.1　基本匯總統(tǒng)計(jì)量
　　4.1.1　百分位數(shù)、四分位數(shù)和中位數(shù)
　　4.1.2　折頁(yè)數(shù)
　　4.1.3　四分位極差
　4.2　莖葉圖
　4.3　字母值
　4.4　數(shù)據(jù)變換
　4.5　袋狀圖：二元箱線圖
　4.6　耐抗線
　4.7　平滑數(shù)據(jù)
　4.8　中位數(shù)平滑
　4.9　本章小結(jié)
第5章　統(tǒng)計(jì)推斷
　5.1　極大似然估計(jì)
　　5.1.1　可視化似然函數(shù)
　　5.1.2　尋找極大似然估計(jì)
　　5.1.3　使用fitdistr函數(shù)
　5.2　置信區(qū)間
　5.3　假設(shè)檢驗(yàn)
　　5.3.1　二項(xiàng)式檢驗(yàn)
　　5.3.2　比例檢驗(yàn)和卡方檢驗(yàn)
　　5.3.3　基于正態(tài)分布檢驗(yàn)：?jiǎn)螛颖?
　　5.3.4　基于正態(tài)分布檢驗(yàn)：兩樣本
　5.4　本章小結(jié)
第6章　線性回歸分析
　6.1　簡(jiǎn)單線性回歸模型
　　6.1.1　隨意選擇參數(shù)會(huì)發(fā)生什么
　　6.1.2　建立一個(gè)簡(jiǎn)單線性回歸模型
　　6.1.3　ANOVA及置信區(qū)間
　　6.1.4　模型驗(yàn)證
　6.2　多元線性回歸模型
　　6.2.1　平均K個(gè)簡(jiǎn)單線性回歸模型或建立一個(gè)多元回歸模型
　　6.2.2　建立一個(gè)多元線性回歸模型
　　6.2.3　多元線性回歸模型的ANOVA和置信區(qū)間
　　6.2.4　有用的殘差圖
　6.3　回歸診斷
　　6.3.1　杠桿點(diǎn)
　　6.3.2　影響點(diǎn)
　　6.3.3　DFFITS 和DFBETAS
　6.4　多重共線性問(wèn)題
　6.5　選擇模型
　　6.5.1　逐步選擇
　　6.5.2　基于準(zhǔn)則的方法
　6.6　本章小結(jié)
第7章　logistic回歸模型
　7.1　二元回歸問(wèn)題
　7.2　probit回歸模型
　7.3　logistic 回歸模型
　7.4　模型驗(yàn)證和診斷
　　7.4.1　廣義線性模型的殘差圖
　　7.4.2　廣義線性模型的影響點(diǎn)和控制點(diǎn)
　7.5　接收操作曲線
　7.6　德國(guó)的信用甄別數(shù)據(jù)集的logistic回歸
　7.7　本章小結(jié)
第8章　正規(guī)化回歸模型
　8.1　過(guò)度擬合問(wèn)題
　8.2　回歸樣條
　　8.2.1　基函數(shù)
　　8.2.2　分段線性回歸模型
　　8.2.3　自然三次樣條函數(shù)和一般的B樣條曲線
　8.3　線性模型的嶺回歸
　8.4　 logistic回歸模型的嶺回歸
　8.5　再看模型評(píng)估
　8.6　本章小結(jié)
第9章　分類(lèi)與回歸樹(shù)
　9.1　遞歸劃分法
　　9.1.1　劃分?jǐn)?shù)據(jù)
　　9.1.2　第一個(gè)樹(shù)
　9.2　構(gòu)造回歸樹(shù)
　9.3　構(gòu)造分類(lèi)樹(shù)
　9.4　德國(guó)信用數(shù)據(jù)集的分類(lèi)樹(shù)
　9.5　樹(shù)的修剪和完善
　9.6　本章小結(jié)
第10章　分類(lèi)與回歸樹(shù)及其他
　10.1　分類(lèi)與回歸樹(shù)的改進(jìn)
　10.2　Bagging
　　10.2.1　bootstrap算法
　　10.2.2　bagging算法
　10.3　隨機(jī)森林
　10.4　整合
　10.5　本章小結(jié)
　參考文獻(xiàn)