全书分为12章,第1章数据挖掘与R语言概述,第2章R的数据组织和整理,第3章R的数据可视化,第4章R的近邻分析:数据预测,第5章R的决策树:数据预测,第6章R的人工神经网络:数据预测,第7章R的支持向量机:数据预测,第8章R的一般聚类:揭示数据内在结构,第9章R的特色聚类:揭示数据内在结构,第10章R的关联分析:揭示数据关联性,第11章R的模式甄别:诊断异常数据,第12章R的网络分析初步。

第1章 数据挖掘与R语言概述 1.1 什么是数据挖掘 1.2 数据挖掘的结果 1.2.1 数据挖掘结果的呈现方式 1.2.2 数据挖掘结果的基本特征 1.3 数据挖掘能做什么 1.3.1 数据预测 1.3.2 发现数据的内在结构 1.3.3 发现关联性 1.3.4 模式诊断 1.4 数据挖掘方法的特点 1.4.1 对目标契合度不高的数据,怎样的建模策略能够更好地迎合分析的需要 1.4.2 对于海量、高维数据,怎样的建模策略能够更好地揭示数据特征,提高分析效率 1.4.3 对于复杂类型和关系数据,怎样的建模策略能够清晰地揭示数据的特征 1.5 数据挖掘的典型应用 1.5.1 数据挖掘在客户细分研究中的应用 1.5.2 数据挖掘在客户流失分析中的应用 1.5.3 数据挖掘在营销响应分析中的应用 1.5.4 数据挖掘在交叉销售中的应用 1.5.5 数据挖掘在欺诈甄别中的应用 1.6 R语言入门** 1.6.1 R的包 1.6.2 R的下载安装 1.6.3 R起步 1.6.4 R的运行方式和其他 1.7 RStudio简介 1.8 本章函数列表 第2章 R的数据组织和整理 2.1 R的数据对象 2.1.1 从存储角度划分R对象 2.1.2 从结构角度划分R对象 2.1.3 创建和访问R的数据对象 2.2 向量的创建和访问 2.2.1 创建只包含一个元素的向量 2.2.2 创建包含多个元素的向量 2.2.3 访问向量中的元素 2.3 矩阵的创建和访问 2.3.1 创建矩阵 2.3.2 访问矩阵中的元素 2.4 数据框的创建和访问 2.4.1 创建数据框 2.4.2 访问数据框 2.5 数组和列表的创建和访问 2.5.1 创建和访问数组 2.5.2 创建和访问列表 2.6 数据对象的相互转换 2.6.1 不同存储类型之间的转换 2.6.2 不同结构类型之间的转换 2.7 导入外部数据和保存数据 2.7.1 导入文本数据 2.7.2 导入SPSS数据 2.7.3 利用ODBC导入数据库数据和Excel表数据 2.7.4 共享R自带的数据包 2.7.5 数据保存 2.8 R语言程序设计基础 2.8.1 R程序设计基本概念 2.8.2 R的系统函数 2.8.3 用户自定义函数 2.8.4 R程序的控制结构 2.9 R语言数据整理和程序设计综合应用 2.9.1 数据整理基础综合应用 2.9.2 利用流程控制还原汇总数据 2.10 本章函数列表 第3章 R的数据可视化 3.1 绘图基础 3.1.1 图形设备和图形文件 3.1.2 图形组成和图形参数 3.2 单变量分布特征的可视化 3.2.1 核密度图 3.2.2 小提琴图 3.2.3 克利夫兰点图 3.3 多变量联合分布特征的可视化 3.3.1 曲面图和等高线图 3.3.2 二元核密度曲面图 3.3.3 雷达图 3.4 变量间相关性的可视化 3.4.1 马赛克图 3.4.2 散点图 3.4.3 相关系数图 3.5 本章函数列表 第4章 R的近邻分析:数据预测 4.1 近邻分析: K近邻法 4.1.1 K近邻法中的距离 4.1.2 K近邻法中的近邻个数 4.2 K近邻法的R函数和应用示例 4.2.1 R的K近邻法函数 4.2.2 R的K近邻法示例 4.3 K近邻法的适用性及特征选择 4.3.1 K近邻法的适用性 4.3.2 特征选择 4.4 本章函数列表 第5章 R的决策树:数据预测 5.1 决策树算法概述 5.1.1 什么是决策树 5.1.2 决策树的几何理解 5.1.3 决策树的核心问题 5.2 分类回归树的生长过程 5.2.1 分类树的生长过程 5.2.2 回归树的生长过程 5.2.3 损失矩阵对分类树的影响 5.3 分类回归树的剪枝 5.3.1 *小代价复杂度的测度 5.3.2 分类回归树后剪枝过程