具体描述
数据挖掘技术是当下大数据时代最关键的技术，其应用领域及前景不可估量。R 是一款极其优秀的统计分析和数据挖掘软件，《数据挖掘：R语言实战》侧重使用R 进行数据挖掘，重点讲述了R 的数据挖掘流程、算法包的使用及相关工具的应用，同时结合大量精选的数据挖掘实例对R 软件进行深入潜出和全面的介绍，以便读者能深刻理解R 的精髓并能快速、高效和灵活地掌握使用R 进行数据挖掘的技巧。
通过《数据挖掘：R语言实战》，读者不仅能掌握使用R 及相关的算法包来快速解决实际问题的方法，而且能得到从实际问题分析入手，到利用R 进行求解，以及对挖掘结果进行分析的全面训练。
《数据挖掘：R语言实战》适用于计算机、互联网、机器学习、信息、数学、经济金融、管理、运筹、统计以及有关理工科专业的本科生、研究生使用，也能帮助市场营销、金融、财务、人力资源管理人员及产品经理解决实际问题，还能帮助从事咨询、研究、分析行业的人士及各级管理人士提高专业水平。
进阶数据科学之旅：Python驱动的现代数据分析与机器学习实战 本书聚焦于利用Python语言生态系统，构建从数据获取、清洗、探索性分析（EDA）到高级机器学习模型部署的完整数据科学流程。 旨在为已经掌握基础编程概念，希望深化技能栈，并全面拥抱Python在现代数据科学领域主导地位的读者提供一份详尽的实战指南。 本书结构围绕数据科学项目的生命周期展开，强调代码的效率、可读性以及模型的可解释性。我们不会局限于单一的分析工具，而是深入探讨如何整合当前业界最前沿的库和框架，解决真实世界中复杂的数据挑战。 --- 第一部分：Python数据科学基础与高效数据处理 本部分奠定坚实的基础，确保读者能够熟练驾驭Python进行高效的数据操作。我们将侧重于性能优化和处理大规模数据集的能力。 1. Python环境搭建与性能优化： 涵盖Anaconda/Miniconda环境管理，虚拟环境的创建与维护。深入探讨JupyterLab/VS Code在数据科学工作流中的最佳实践。重点讲解Python的底层执行机制（如GIL），以及如何利用Numba和Cython进行关键代码段的加速，确保处理PB级数据时仍能保持响应速度。 2. NumPy深度解析：向量化计算的艺术： 超越基础的数组操作，本章详细解析NumPy的内存布局、广播机制（Broadcasting）的深层原理，以及如何使用高级索引和视图来避免不必要的内存复制，从而编写出更贴近硬件效率的代码。我们将通过多个性能对比实验，展示纯Python循环与NumPy向量化操作之间的巨大差距。 3. Pandas的魔力：复杂数据结构的重塑与管理： Pandas是数据处理的核心，本书将着重于其高级功能： MultiIndex（多级索引）的应用与优化： 如何高效地对多维度数据进行切片、聚合和重塑，尤其在时间序列和面板数据分析中的应用。 性能提升秘籍： 探讨`apply()`的性能陷阱，推广使用`.loc`/`.iloc`以及专门的字符串方法（`.str`）和Categorical数据类型来显著降低内存占用和处理时间。 数据清洗的自动化： 专注于缺失值的高级插补策略（如基于模型或时间序列的预测性插补），以及处理不一致的文本数据和日期格式的统一化流程。 4. 数据可视化：从静态到交互式的叙事： 本书摒弃对基础图表的简单罗列，转而专注于利用`Matplotlib`的高级定制能力和`Seaborn`的统计映射。更重要的是，我们将引入`Plotly`和`Bokeh`，教授如何构建可嵌入Web应用的交互式仪表板组件，使用户能够动态探索数据分布和模型结果。 --- 第二部分：探索性数据分析（EDA）与特征工程的精进 高质量的特征是优秀模型的前提。本部分将数据探索提升到特征工程的战略层面。 5. 统计思维驱动的EDA： 不仅仅是画图，而是通过统计检验（如假设检验、方差分析ANOVA）来验证数据中的观察结果是否具有统计学意义。学习如何使用`Statsmodels`库来建立初步的回归模型，用残差分析来反哺数据理解和模型选择。 6. 高级特征构建技术： 时间序列特征工程： 深度挖掘日期时间信息，包括滞后特征（Lags）、滚动窗口统计量（Rolling Statistics）、傅里叶变换提取周期性。 文本特征工程（NLP基础）： 介绍现代的词嵌入（Word Embeddings）技术，如使用预训练的`Word2Vec`或`FastText`模型，将其输出作为数值特征输入到传统机器学习模型中。 高维稀疏数据处理： 针对分类变量和文本数据，深入探讨One-Hot编码的局限性，并重点讲解目标编码（Target Encoding）和特征哈希（Feature Hashing）在减少维度爆炸方面的应用。 7. 维度缩减与数据可视化压缩： 除了基础的PCA，本章将详细讲解非线性降维技术，如t-SNE和UMAP。重点在于如何正确解释这些降维后的嵌入空间，以及如何将其应用于特征选择和数据质量的快速诊断。 --- 第三部分：现代机器学习：模型选择、训练与评估的实战艺术 本部分完全聚焦于Python中最流行的机器学习库——`Scikit-learn`及其生态系统，并引入深度学习框架的桥接。 8. 健壮的模型训练流程：`Scikit-learn`的最佳实践： 深入理解`Pipeline`和`ColumnTransformer`的强大组合，实现特征预处理、模型训练和评估的无缝集成，确保训练过程的可复现性。探讨交叉验证策略的细微差别（如分组K折、时间序列分割）。 9. 集成学习的深入探索：超越基础的随机森林： 详细剖析梯度提升（Gradient Boosting）算法的底层机制，包括XGBoost、LightGBM和CatBoost的优化点和适用场景对比。重点讲解如何调优这些复杂模型的学习率、树的深度和正则化参数，以防止过拟合。 10. 模型可解释性（XAI）：打开“黑箱”： 在工业界，模型的可解释性至关重要。本章不依赖于简单的特征重要性得分，而是深入应用LIME（局部可解释模型无关解释）和SHAP（SHapley Additive exPlanations）值。读者将学会如何为单一预测生成详细的解释报告，并全局性地理解模型决策的驱动因素。 11. 深度学习模型的桥接与迁移学习： 虽然本书不专注于深度学习的架构设计，但会教授如何将预训练的深度学习模型（如使用`TensorFlow`或`PyTorch`加载的图像或文本特征提取器）作为“特征生成器”，无缝接入到`Scikit-learn`的分类或回归流程中。探讨如何使用迁移学习策略加速小数据集上的深度预测任务。 --- 第四部分：生产部署与MLeOps基础概念 数据科学项目的终点不是模型预测，而是模型在生产环境中的稳定运行。 12. 模型性能的量化与鲁棒性评估： 超越准确率（Accuracy），详细讨论针对不平衡数据集的F1分数、AUC-PR（Precision-Recall 曲线）的意义，以及如何使用校准曲线（Calibration Plots）评估概率输出的可靠性。引入概念漂移（Concept Drift）的检测方法。 13. 模型序列化与轻量级部署： 学习如何使用`Joblib`和`Pickle`安全地保存训练好的模型和整个`Pipeline`对象。介绍如何利用`Flask`或`FastAPI`搭建一个轻量级的RESTful API来封装模型服务，实现实时预测功能。 14. 容器化与可复现性：Docker的初步应用： 为了确保模型在不同环境中表现一致，本章将引导读者使用Docker对整个分析环境（包括Python版本、依赖库和模型文件）进行打包。理解容器化如何简化模型从开发到测试再到生产的迁移过程，为后续的MLeOps实践打下基础。 目标读者： 具备Python基础编程能力，希望系统性掌握现代数据科学工具链，并追求模型性能与可解释性平衡的初中级数据科学家、分析师以及希望转型该领域的工程师。本书提供的是一套完整的、工业级的Python驱动的数据科学方法论。
作者简介
目录信息
第0 章 致敬，R！.............................. 1
致敬，肩膀！..................... 1
致敬，时代！................................... 3
致敬，人才！................................... 4
致敬，R 瑟！................................. 5
上篇 数据预处理
第1 章 数据挖掘导引........................10
1.1 数据挖掘概述..............................10
1.1.1 数据挖掘的过程.............................10
1.1.2 数据挖掘的对象....................................12
1.1.3 数据挖掘的方法........................................12
1.1.4 数据挖掘的应用...................................13
1.2 数据挖掘的算法.................................................14
1.3 数据挖掘的工具.................................................17
1.3.1 工具的分类.............................................17
1.3.2 工具的选择.............................................18
1.3.3 商用的工具...........................................19
1.3.4 开源的工具............................................21
1.4 R 在数据挖掘中的优势....................................23
第2 章 数据概览................................25
2.1 n×m 数据集....................................25
2.2 数据的分类......................................28
2.2.1 一般的数据分类...................................28
2.2.2 R 的数据分类......................................29
2.2.3 用R 简单处理数据..............................31
2.3 数据抽样及R 实现....................................34
2.3.1 简单随机抽样........................................34
2.3.2 分层抽样.................................................36
2.3.3 整群抽样.................................................38
2.4 训练集与测试集................................................40
2.5 本章汇总.............................................40
第3 章 用R 获取数据.......................................42
3.1 获取内置数据集..................................42
3.1.1 datasets 数据集..........................42
3.1.2 包的数据集....................................43
3.2 获取其他格式的数据...............................45
3.2.1 CSV 与TXT 格式.........................45
3.2.2 从Excel 直接获取数据........................47
3.2.3 从其他统计软件中获取数据................48
3.3 获取数据库数据............................................50
3.4 获取网页数据....................................52
3.5 本章汇总.................................55
第4 章 探索性数据分析...........................56
4.1 数据集.......................................56
4.2 数字化探索...................................57
4.2.1 变量概况...................................57
4.2.2 变量详情.....................................58
4.2.3 分布指标......................................61
4.2.4 稀疏性.............................................62
4.2.5 缺失值............................................63
4.2.6 相关性...........................................65
4.3 可视化探索.......................................68
4.3.1 直方图.........................................68
4.3.2 累积分布图.........................................71
4.3.3 箱形图.........................................73
4.3.4 条形图........................................78
4.3.5 点阵图.........................................81
4.3.6 饼图..............................................82
4.5 本章汇总.......................................................84
第5 章 数据预处理.............................................86
5.1 数据集加载........................................86
5.2 数据清理..............................................88
5.2.1 缺失值处理.....................................90
5.2.2 噪声数据处理..................................95
5.2.3 数据不一致的处理................................97
5.3 数据集成..........................................99
5.4 数据变换....................................101
5.5 数据归约..............................................102
5.6 本章汇总...........................................104
中篇 基本算法及应用
第6 章 关联分析.......................................106
6.1 概述..............................................106
6.2 R 中的实现.............................................109
6.2.1 相关软件包....................................109
6.2.2 核心函数.......................................109
6.2.3 数据集........................................110
6.3 应用案例...........................................111
6.3.1 数据初探........................................111
6.3.2 对生成规则进行强度控制.........................112
6.3.3 一个实际应用.....................................114
6.3.4 改变输出结果形式.............................115
6.3.5 关联规则的可视化..............................116
6.4 本章汇总............................................................120
第7 章 聚类分析.....................................121
7.1 概述.........................121
7.1.1 K-均值聚类...........................................122
7.1.2 K-中心点聚类....................................122
7.1.3 系谱聚类.......................................122
7.1.4 密度聚类........................................124
7.1.5 期望最大化聚类..............................125
7.2 R 中的实现......................................................126
7.2.1 相关软件包.......................................126
7.2.2 核心函数.............................................127
7.2.3 数据集................................................129
7.3 应用案例.......................................................131
7.3.1 K-均值聚类........................................131
7.3.2 K-中心点聚类..................................135
7.3.3 系谱聚类..............................................137
7.3.4 密度聚类...............................................140
7.3.5 期望最大化聚类.................................145
7.4 本章汇总...........................................................150
第8 章 判别分析.........................................151
8.1 概述.................................151
8.1.1 费希尔判别.......................152
8.1.2 贝叶斯判别.........................153
8.1.3 距离判别................................153
8.2 R 中的实现......................................154
8.2.1 相关软件包............................154
8.2.2 核心函数..........................................155
8.2.3 数据集..........................................157
8.3 应用案例.................................................161
8.3.1 线性判别分析......................161
8.3.2 朴素贝叶斯分类........................167
8.3.3 K 最近邻.................................172
8.3.4 有权重的K 最近邻算法...................174
8.4 推荐系统综合实例..............................175
8.4.1 kNN 与推荐........................................176
8.4.2 MovieLens 数据集说明....................176
8.4.3 综合运用..............................................177
8.5 本章汇总.......................................182
第9 章 决策树................................................183
9.1 概述...................................................183
9.1.1 树形结构........................................183
9.1.2 树的构建.......................................184
9.1.3 常用算法..........................................185
9.2 R 中的实现...................................................185
9.2.1 相关软件包......................................185
9.2.2 核心函数.............................................186
9.2.3 数据集............................................187
9.3 应用案例.......................................................190
9.3.1 CART 应用..........................................191
9.3.2 C4.5 应用............................................202
9.4 本章汇总......................................................205
下篇 高级算法及应用
第10 章 集成学习......................................................208
10.1 概述..........................................................208
10.1.1 一个概率论小计算........................208
10.1.2 Bagging 算法.................................209
10.1.3 AdaBoost 算法................................209
10.2 R 中的实现.............................................209
10.2.1 相关软件包...........................209
10.2.2 核心函数.......................210
10.2.3 数据集............................210
10.3 应用案例......................................213
10.3.1 Bagging 算法..........................213
10.3.2 Adaboost 算法..........................218
10.4 本章汇总.................................................219
第11 章 随机森林.....................................220
11.1 概述...........................................................220
11.1.1 基本原理..........................................220
11.1.2 重要参数.........................................222
11.2 R 中的实现.................................................223
11.2.1 相关软件包...................................223
11.2.2 核心函数....................................223
11.2.3 可视化分析....................................231
11.3 应用案例................................................232
11.3.1 数据处理....................................233
11.3.2 建立模型.....................................234
11.3.3 结果分析...................................235
11.3.4 自变量的重要程度..........................236
11.3.5 优化建模...............................237
11.4 本章汇总...................................................241
第12 章 支持向量机........................................242
12.1 概述........................................................242
12.1.1 结构风险最小原理......................243
12.1.2 函数间隔与几何间隔....................244
12.1.3 核函数............................................245
12.2 R 中的实现.............................................245
12.2.1 相关软件包..................................245
12.2.2 核心函数....................................246
12.2.3 数据集..............................248
12.3 应用案例..................................248
12.3.1 数据初探..........................249
12.3.2 建立模型.......................................249
12.3.3 结果分析......................................249
12.3.4 预测判别..............................250
12.3.5 综合建模....................................251
12.3.6 可视化分析................................252
12.3.7 优化建模......................................254
12.4 本章汇总....................................256
第13 章 神经网络.......................................257
13.1 概述......................................257
13.2 R 中的实现......................................258
13.2.1 相关软件包.............................258
13.2.2 核心函数...............................258
13.3 应用案例..................................261
13.3.1 数据初探...........................261
13.3.2 数据处理....................................262
13.3.3 建立模型.............................263
13.3.4 结果分析..............................264
13.3.5 预测判别.............................264
13.3.6 模型差异分析.......................266
13.3.7 优化建模..............................268
13.4 本章汇总....................................272
第14 章 模型评估与选择............................273
14.1 评估过程概述..........................273
14.2 安装Rattle 包.............................274
14.3 Rattle 功能简介...........................275
14.3.1 Data——选取数据....................275
14.3.2 Explore——数据探究................276
14.3.3 Test——数据相关检验....................276
14.3.4 Transform——数据预处理..............277
14.3.5 Cluster——数据聚类.......................277
14.3.6 Model——模型评估......................277
14.3.7 Evaluate——模型评估.....................280
14.3.8 Log——模型评估记录...................281
14.4 模型评估相关概念................................281
14.4.1 误判率.........................................281
14.4.2 正确/错误的肯定判断、正确/错误的否定判断...............281
14.4.3 精确度、敏感度及特异性........................282
14.5 Rattle 在模型评估中的应用................................282
14.5.1 混淆矩阵..................................282
14.5.2 风险图............................283
14.5.3 ROC 图及相关图表.......................286
14.5.4 模型得分数据集.................287
14.6 综合实例................................288
14.6.1 数据介绍............................288
14.6.2 模型建立.................................288
14.6.3 模型结果分析......................289
· · · · · · (收起)
致敬，肩膀！..................... 1
致敬，时代！................................... 3
致敬，人才！................................... 4
致敬，R 瑟！................................. 5
上篇 数据预处理
第1 章 数据挖掘导引........................10
1.1 数据挖掘概述..............................10
1.1.1 数据挖掘的过程.............................10
1.1.2 数据挖掘的对象....................................12
1.1.3 数据挖掘的方法........................................12
1.1.4 数据挖掘的应用...................................13
1.2 数据挖掘的算法.................................................14
1.3 数据挖掘的工具.................................................17
1.3.1 工具的分类.............................................17
1.3.2 工具的选择.............................................18
1.3.3 商用的工具...........................................19
1.3.4 开源的工具............................................21
1.4 R 在数据挖掘中的优势....................................23
第2 章 数据概览................................25
2.1 n×m 数据集....................................25
2.2 数据的分类......................................28
2.2.1 一般的数据分类...................................28
2.2.2 R 的数据分类......................................29
2.2.3 用R 简单处理数据..............................31
2.3 数据抽样及R 实现....................................34
2.3.1 简单随机抽样........................................34
2.3.2 分层抽样.................................................36
2.3.3 整群抽样.................................................38
2.4 训练集与测试集................................................40
2.5 本章汇总.............................................40
第3 章 用R 获取数据.......................................42
3.1 获取内置数据集..................................42
3.1.1 datasets 数据集..........................42
3.1.2 包的数据集....................................43
3.2 获取其他格式的数据...............................45
3.2.1 CSV 与TXT 格式.........................45
3.2.2 从Excel 直接获取数据........................47
3.2.3 从其他统计软件中获取数据................48
3.3 获取数据库数据............................................50
3.4 获取网页数据....................................52
3.5 本章汇总.................................55
第4 章 探索性数据分析...........................56
4.1 数据集.......................................56
4.2 数字化探索...................................57
4.2.1 变量概况...................................57
4.2.2 变量详情.....................................58
4.2.3 分布指标......................................61
4.2.4 稀疏性.............................................62
4.2.5 缺失值............................................63
4.2.6 相关性...........................................65
4.3 可视化探索.......................................68
4.3.1 直方图.........................................68
4.3.2 累积分布图.........................................71
4.3.3 箱形图.........................................73
4.3.4 条形图........................................78
4.3.5 点阵图.........................................81
4.3.6 饼图..............................................82
4.5 本章汇总.......................................................84
第5 章 数据预处理.............................................86
5.1 数据集加载........................................86
5.2 数据清理..............................................88
5.2.1 缺失值处理.....................................90
5.2.2 噪声数据处理..................................95
5.2.3 数据不一致的处理................................97
5.3 数据集成..........................................99
5.4 数据变换....................................101
5.5 数据归约..............................................102
5.6 本章汇总...........................................104
中篇 基本算法及应用
第6 章 关联分析.......................................106
6.1 概述..............................................106
6.2 R 中的实现.............................................109
6.2.1 相关软件包....................................109
6.2.2 核心函数.......................................109
6.2.3 数据集........................................110
6.3 应用案例...........................................111
6.3.1 数据初探........................................111
6.3.2 对生成规则进行强度控制.........................112
6.3.3 一个实际应用.....................................114
6.3.4 改变输出结果形式.............................115
6.3.5 关联规则的可视化..............................116
6.4 本章汇总............................................................120
第7 章 聚类分析.....................................121
7.1 概述.........................121
7.1.1 K-均值聚类...........................................122
7.1.2 K-中心点聚类....................................122
7.1.3 系谱聚类.......................................122
7.1.4 密度聚类........................................124
7.1.5 期望最大化聚类..............................125
7.2 R 中的实现......................................................126
7.2.1 相关软件包.......................................126
7.2.2 核心函数.............................................127
7.2.3 数据集................................................129
7.3 应用案例.......................................................131
7.3.1 K-均值聚类........................................131
7.3.2 K-中心点聚类..................................135
7.3.3 系谱聚类..............................................137
7.3.4 密度聚类...............................................140
7.3.5 期望最大化聚类.................................145
7.4 本章汇总...........................................................150
第8 章 判别分析.........................................151
8.1 概述.................................151
8.1.1 费希尔判别.......................152
8.1.2 贝叶斯判别.........................153
8.1.3 距离判别................................153
8.2 R 中的实现......................................154
8.2.1 相关软件包............................154
8.2.2 核心函数..........................................155
8.2.3 数据集..........................................157
8.3 应用案例.................................................161
8.3.1 线性判别分析......................161
8.3.2 朴素贝叶斯分类........................167
8.3.3 K 最近邻.................................172
8.3.4 有权重的K 最近邻算法...................174
8.4 推荐系统综合实例..............................175
8.4.1 kNN 与推荐........................................176
8.4.2 MovieLens 数据集说明....................176
8.4.3 综合运用..............................................177
8.5 本章汇总.......................................182
第9 章 决策树................................................183
9.1 概述...................................................183
9.1.1 树形结构........................................183
9.1.2 树的构建.......................................184
9.1.3 常用算法..........................................185
9.2 R 中的实现...................................................185
9.2.1 相关软件包......................................185
9.2.2 核心函数.............................................186
9.2.3 数据集............................................187
9.3 应用案例.......................................................190
9.3.1 CART 应用..........................................191
9.3.2 C4.5 应用............................................202
9.4 本章汇总......................................................205
下篇 高级算法及应用
第10 章 集成学习......................................................208
10.1 概述..........................................................208
10.1.1 一个概率论小计算........................208
10.1.2 Bagging 算法.................................209
10.1.3 AdaBoost 算法................................209
10.2 R 中的实现.............................................209
10.2.1 相关软件包...........................209
10.2.2 核心函数.......................210
10.2.3 数据集............................210
10.3 应用案例......................................213
10.3.1 Bagging 算法..........................213
10.3.2 Adaboost 算法..........................218
10.4 本章汇总.................................................219
第11 章 随机森林.....................................220
11.1 概述...........................................................220
11.1.1 基本原理..........................................220
11.1.2 重要参数.........................................222
11.2 R 中的实现.................................................223
11.2.1 相关软件包...................................223
11.2.2 核心函数....................................223
11.2.3 可视化分析....................................231
11.3 应用案例................................................232
11.3.1 数据处理....................................233
11.3.2 建立模型.....................................234
11.3.3 结果分析...................................235
11.3.4 自变量的重要程度..........................236
11.3.5 优化建模...............................237
11.4 本章汇总...................................................241
第12 章 支持向量机........................................242
12.1 概述........................................................242
12.1.1 结构风险最小原理......................243
12.1.2 函数间隔与几何间隔....................244
12.1.3 核函数............................................245
12.2 R 中的实现.............................................245
12.2.1 相关软件包..................................245
12.2.2 核心函数....................................246
12.2.3 数据集..............................248
12.3 应用案例..................................248
12.3.1 数据初探..........................249
12.3.2 建立模型.......................................249
12.3.3 结果分析......................................249
12.3.4 预测判别..............................250
12.3.5 综合建模....................................251
12.3.6 可视化分析................................252
12.3.7 优化建模......................................254
12.4 本章汇总....................................256
第13 章 神经网络.......................................257
13.1 概述......................................257
13.2 R 中的实现......................................258
13.2.1 相关软件包.............................258
13.2.2 核心函数...............................258
13.3 应用案例..................................261
13.3.1 数据初探...........................261
13.3.2 数据处理....................................262
13.3.3 建立模型.............................263
13.3.4 结果分析..............................264
13.3.5 预测判别.............................264
13.3.6 模型差异分析.......................266
13.3.7 优化建模..............................268
13.4 本章汇总....................................272
第14 章 模型评估与选择............................273
14.1 评估过程概述..........................273
14.2 安装Rattle 包.............................274
14.3 Rattle 功能简介...........................275
14.3.1 Data——选取数据....................275
14.3.2 Explore——数据探究................276
14.3.3 Test——数据相关检验....................276
14.3.4 Transform——数据预处理..............277
14.3.5 Cluster——数据聚类.......................277
14.3.6 Model——模型评估......................277
14.3.7 Evaluate——模型评估.....................280
14.3.8 Log——模型评估记录...................281
14.4 模型评估相关概念................................281
14.4.1 误判率.........................................281
14.4.2 正确/错误的肯定判断、正确/错误的否定判断...............281
14.4.3 精确度、敏感度及特异性........................282
14.5 Rattle 在模型评估中的应用................................282
14.5.1 混淆矩阵..................................282
14.5.2 风险图............................283
14.5.3 ROC 图及相关图表.......................286
14.5.4 模型得分数据集.................287
14.6 综合实例................................288
14.6.1 数据介绍............................288
14.6.2 模型建立.................................288
14.6.3 模型结果分析......................289
· · · · · · (收起)
读后感
评分
数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
评分数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59 课程出自学途无忧网：http://www.xuetuwuyou.com 课程介绍 一、课程所用软件：R 3.2.2（64位） RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3...
用户评价
评分
在有一定R语言的基础上引入了机器学习的几个经典算法 手把手的教了一遍 感觉循序渐进而又有所提高 还是以前在豪哥那看过实体书 我也打算买一本
评分这本书，框架很不错，加一颗星，只是光会用包并不代表学会了数据挖掘或者机器学习。推荐以该书章节作为框架，通过网络资源将每个一笔带过的概念，参数，算法，逻辑查清楚，会更有收获。
评分会有所收获，但太注重实战以至于太简单粗暴，不说高深的算法原理，某些专有名词至少解释下吧，随机森林的importance函数生成的两列值，到底是个什么意思？rattle包里的某张图片也看的稀里糊涂。真正的数据挖掘的部分每种算法几乎都讲相同的流程，函数介绍完全翻译帮助文档，一点也没有延伸。R本身自带那么多数据集不用，不知道哪里搞来的数据，跟着操作都不成。也有好的地方，比如说关联算法，之前没接触到，感觉比较新颖，讲的也不深，适合初学者。
评分这本书其实还是不错的，就是R语言现在已经不是主流的数据处理语言，所以不是很推荐大家阅读。
评分这本书其实还是不错的，就是R语言现在已经不是主流的数据处理语言，所以不是很推荐大家阅读。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.wenda123.org All Rights Reserved. 图书目录大全 版权所有