基於R的統計分析與數據挖掘

第1章 關於R
1.1 為什麼選擇R
1.2 如何學習R
1.3 R入門必備
1.4 小 結

第2章 R的數據組織
2.1 R的數據對象
2.2 創建和訪問R的數據對象
2.3 從文本文件讀數據
2.4 外部數據的導入
2.5 R數據組織的其他問題
2.6 小 結

第3章 R的數據管理
3.1 數據合並
3.2 數據排序
3.3 缺失數據報告
3.4 變量計算
3.5 變量值的重編碼
3.6 數據篩選
3.7 數據保存
3.8 數據管理中控制流程
3.9 小 結

第4章 R的基本數據分析：描述和相關
4.1 數值型單變量的描述
4.2 分類型單變量的描述
4.3 兩數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

第5章 R的基本數據分析：可視化
5.1 繪圖基礎
5.2 數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 兩數值型變量相關性的可視化
5.5 lattice繪圖
5.6 小 結

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

第7章 R的方差分析
7.1 單因素方差分析
7.2 單因素協方差分析
7.3 多因素方差分析
7.4 小 結

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：診斷數據中的異常觀測點
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

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：連接函數和參數估計
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

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

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：基於主成分分析法
11.3 構造因子變量：基於主軸因子法
11.4 因子變量的命名
11.5 計算因子得分
11.6 小 結

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

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

第14章 R的人工神經網絡：預測和聚類
14.1 人工神經網絡概述
14.2 B-P反向傳播網絡
14.3 B-P反向傳播網絡的R函數和示例
14.4 SOM自組織映射網絡
14.5 小 結