大話數(shù)據(jù)科學：大數(shù)據(jù)與機器學習實戰(zhàn)（基于R語言）

第一篇 基礎(chǔ)篇
第1章　大數(shù)據(jù)概述 3
1.1 大數(shù)據(jù)與相關(guān)學科的定義 4
1.1.1 大數(shù)據(jù)的定義 4
1.1.2 數(shù)據(jù)挖掘 6
1.1.3 數(shù)據(jù)挖掘標準過程 7
1.1.4 機器學習 9
1.1.5 知識管理 12
1.1.6 數(shù)據(jù)科學 14
1.1.7 商業(yè)智能 15
1.1.8 人工智能 17
1.1.9 統(tǒng)計學與大數(shù)據(jù)比較 19
1.1.10 數(shù)據(jù)名詞的定義 21
1.2 系統(tǒng)與模型概念 22
1.2.1 系統(tǒng)定義與成分 22
1.2.2 輸入，處理，輸出與黑箱 23
1.2.3 環(huán)境 24
1.2.4 反饋 25
1.2.5 效率與效果 25
1.2.6 模型與建模 26
1.2.7 模型的假定與參數(shù) 27
1.2.8 敏感，穩(wěn)健或魯棒 28
1.2.9 模型的過擬合 28
1.3 大數(shù)據(jù)分析模型的分類 30
1.3.1 后設(shè)模型 30
1.3.2 關(guān)系與因果 31
1.3.3 基于因果關(guān)系的統(tǒng)計學分類 32
1.3.4 基于因果關(guān)系的大數(shù)據(jù)分類 32
1.3.5 基于數(shù)據(jù)類型的分類 34
1.3.6 基于測量的分類 35
1.3.7 數(shù)據(jù)科學模型的其他分類 36
1.4 大數(shù)據(jù)的江湖傳奇 36
1.5 R語言“詞云圖”代碼 40
1.6 本章思維導圖 42
第2 章　大數(shù)據(jù)與R 語言 43
2.1 大數(shù)據(jù)進位 44
2.2 R語言介紹 45
2.2.1 安裝 R 語言軟件 45
2.2.2 下載R語言程序包 45
2.3 R數(shù)據(jù)對象的屬性與結(jié)構(gòu) 46
2.3.1 數(shù)值 47
2.3.2 整數(shù) 47
2.3.3 字符串 47
2.3.4 邏輯 47
2.3.5 向量 48
2.3.6 因子 49
2.3.7 矩陣 50
2.3.8 數(shù)據(jù)框 52
2.3.9 數(shù)組 52
2.3.10 列表 53
2.3.11 時間序列 54
2.3.12 訪問數(shù)據(jù)類型和結(jié)構(gòu) 54
2.3.13 遺失值 55
2.3.14 讀入Excel CSV數(shù)據(jù) 55
2.3.15 編輯數(shù)據(jù) 55
2.3.16 保存Excel CSV數(shù)據(jù) 55
2.3.17 數(shù)據(jù)輸入窗口 56
2.3.18 R 的數(shù)據(jù)結(jié)構(gòu)和函數(shù)表 56
2.4 R的函數(shù)包 56
2.5 R的數(shù)據(jù)繪圖 59
2.6 本章思維導圖 64
第二篇 非監(jiān)督式學習
第3 章　關(guān)聯(lián)分析 67
3.1 關(guān)聯(lián)分析介紹 68
3.1.1 事務(wù)與項目的定義 68
3.1.2 項集的關(guān)聯(lián)規(guī)則 69
3.2 關(guān)聯(lián)規(guī)則數(shù)據(jù)格式 71
3.3 關(guān)聯(lián)規(guī)則的算法 72
3.3.1 Apriori算法 73
3.3.2 關(guān)聯(lián)規(guī)則其他測度值 74
3.3.3 負關(guān)聯(lián)規(guī)則 75
3.4 關(guān)聯(lián)規(guī)則的優(yōu)點和缺點 76
3.4.1 Apriori算法的優(yōu)點 76
3.4.2 Apriori算法的缺點 76
3.4.3 關(guān)聯(lián)規(guī)則的評估 76
3.5 關(guān)聯(lián)規(guī)則的實例計算 77
3.5.1 尿布與啤酒 77
3.5.2 豆?jié){、燒餅與飯團 79
3.5.3 評估與應(yīng)用 82
3.6 R語言實戰(zhàn) 82
3.6.1 泰坦尼克號 82
3.6.2 商店數(shù)據(jù) 86
3.6.3 食品雜貨數(shù)據(jù) 90
3.6.4 人口收入數(shù)據(jù) 92
3.6.5 鳶尾花數(shù)據(jù) 93
3.7 本章思維導圖 96
第4 章　聚類分析 97
4.1 聚類分析介紹 98
4.2 距離與相似度衡量 99
4.2.1 數(shù)值數(shù)據(jù)距離 99
4.2.2 標準化與歸一化 100
4.2.3 0-1數(shù)據(jù)距離和相似度 100
4.2.4 混合數(shù)據(jù)的距離 102
4.2.5 顧客數(shù)據(jù)的距離 102
4.2.6 距離和相似度的轉(zhuǎn)換 104
4.2.7 計算距離的R函數(shù) 104
4.3 層次聚類分析 106
4.3.1 兩類連接 106
4.3.2 顧客數(shù)據(jù)的聚類 107
4.3.3 層次聚類的優(yōu)點和缺點 110
4.4 非層次聚類分析 110
4.4.1 K-mean聚類 110
4.4.2 PAM 聚類 112
4.4.3 K-mean聚類的優(yōu)點和缺點 113
4.5 聚類分析的評價 113
4.6 R語言實戰(zhàn) 115
4.6.1 歐洲語言的聚類 115
4.6.2 美國電力公司數(shù)據(jù) 118
4.6.3 歐州人蛋白質(zhì)數(shù)據(jù) 120
4.6.4 紅酒數(shù)據(jù) 124
4.6.5 汽車數(shù)據(jù) 126
4.7 本章思維導圖 128
第5 章　降維分析 129
5.1 降維分析介紹 130
5.2 主成分分析 131
5.2.1 主成分分析的計算理論 132
5.2.2 主成分分析的計算步驟 134
5.2.3 主成分分析的優(yōu)點和缺點 134
5.3 R語言程序 135
5.4 R語言實戰(zhàn) 138
5.4.1 鳶尾花數(shù)據(jù) 138
5.4.2 美國罪犯數(shù)據(jù) 138
5.4.3 美國法官數(shù)據(jù) 145
5.4.4 國家冰球聯(lián)盟資料 146
5.4.5 美國職業(yè)棒球數(shù)據(jù) 149
5.4.6 早餐麥片數(shù)據(jù) 151
5.4.7 紅酒數(shù)據(jù) 151
5.4.8 心理學數(shù)據(jù) 152
5.5 本章思維導圖 154
第三篇 監(jiān)督式學習
第6 章　模型選擇與評價 157
6.1 模型選擇與評價步驟 158
6.2 大數(shù)據(jù)的抽樣方法 159
6.2.1 保留方法抽樣 160
6.2.2 自助抽樣法 162
6.2.3 632自助法 163
6.2.4 過采樣 164
6.3 交叉驗證 165
6.3.1 k-折交叉驗證 165
6.3.2 留一交叉驗證 166
6.4 模型選擇 167
6.4.1 參數(shù)和非參數(shù)學習 168
6.4.2 偏差和方差 169
6.4.3 模型的復雜度 170
6.4.4 正則化 171
6.4.5 認真學習和懶惰學習 171
6.5 模型評價 172
6.5.1 二元0-1分類器的評價——混淆矩陣 172
6.5.2 混淆矩陣的舉例說明 174
6.5.3 二元分類器的成本計算 176
6.5.4 二元分類器例題數(shù)據(jù)R語言 176
6.5.5 多標簽分類器的評價 179
6.5.6 多標簽分類器評價R 語言 181
6.5.7 交叉驗證分類的評價 183
6.5.8 分類學習的ROC曲線 183
6.5.9 連續(xù)型目標變量回歸模型的評價 187
6.6 R語言實戰(zhàn) 189
6.6.1 R語言自動調(diào)模與調(diào)參 189
6.6.2 汽車數(shù)據(jù) 190
6.6.3 乳腺癌診斷數(shù)據(jù) 190
6.7 本章思維導圖 192
第7 章　回歸分析 193
7.1 多元線性回歸 194
7.1.1 多元線性回歸模型 194
7.1.2 參數(shù)估計 195
7.1.3 適合性檢驗 196
7.1.4 實例計算 197
7.1.5 R語言的實例計算 199
7.2 變量（特征）選擇 200
7.2.1 偏相關(guān)系數(shù) 200
7.2.2 逐步回歸 203
7.2.3 部分子集回歸 204
7.2.4 壓縮方法 205
7.3 Logistic邏輯回歸 207
7.4 R語言實戰(zhàn) 209
7.4.1 股票數(shù)據(jù) 209
7.4.2 乳腺癌病理數(shù)據(jù) 210
7.4.3 醫(yī)療保險數(shù)據(jù) 213
7.4.4 棒球數(shù)據(jù) 215
7.4.5 波士頓房價數(shù)據(jù) 218
7.4.6 皮瑪數(shù)據(jù) 221
7.5 本章思維導圖 224
第8 章　近鄰法 225
8.1 學習器 226
8.1.1 認真學習器和懶惰學習器 226
8.1.2 基于實例學習器 227
8.1.3 參數(shù)學習器和非參數(shù)學習器 228
8.2 近鄰法介紹 229
8.2.1 k-近鄰法算法步驟 229
8.2.2 k-近鄰法分類器 230
8.2.3 k-近鄰法回歸 231
8.2.4 自變量是分類變量 232
8.3 近鄰法的優(yōu)點和缺點 232
8.4 R語言實戰(zhàn) 233
8.4.1 食材數(shù)據(jù) 233
8.4.2 鳶尾花數(shù)據(jù) 234
8.4.3 乳癌檢查數(shù)據(jù) 236
8.4.4 美國總統(tǒng)候選人數(shù)據(jù) 238
8.4.5 玻璃數(shù)據(jù) 240
8.4.6 波士頓房價數(shù)據(jù) 241
8.4.7 皮瑪數(shù)據(jù) 242
8.5 本章思維導圖 244
第9 章　貝葉斯分類 245
9.1 貝葉斯公式 246
9.2 貝葉斯分類 247
9.2.1 樸素貝葉斯分類 247
9.2.2 特征值是連續(xù)變量 248
9.2.3 樸素貝葉斯分類的優(yōu)點和缺點 249
9.3 貝葉斯分類的實例計算 249
9.3.1 天氣和打網(wǎng)球 249
9.3.2 驗前概率與似然概率 251
9.3.3 拉普拉斯校準 251
9.3.4 R 語言實例計算 252
9.4 R語言實戰(zhàn) 255
9.4.1 泰坦尼克號數(shù)據(jù) 255
9.4.2 鳶尾花數(shù)據(jù) 256
9.4.3 垃圾郵件數(shù)據(jù) 258
9.4.4 皮瑪數(shù)據(jù) 261
9.5 本章思維導圖 262
第10 章　決策樹 263
10.1 決策樹概述 264
10.1.1 圖形表示 264
10.1.2 邏輯表示 265
10.1.3 規(guī)則表示 265
10.1.4 數(shù)學公式表示 265
10.2 決策樹的信息計算 266
10.2.1 信息計算 266
10.2.2 熵與信息 267
10.2.3 信息增益 267
10.2.4 信息增益比 268
10.2.5 基尼系數(shù)與基尼增益 268
10.2.6 卡方統(tǒng)計量 269
10.2.7 分枝法則的選擇 269
10.2.8 回歸樹 269
10.3 決策樹的實例計算 270
10.4 決策樹的剪枝 277
10.4.1 貪婪算法 277
10.4.2 決策樹剪枝 278
10.5 決策樹的優(yōu)點和缺點 279
10.6 R語言實戰(zhàn) 280
10.6.1 決策樹R語言包 280
10.6.2 打網(wǎng)球數(shù)據(jù) 280
10.6.3 泰坦尼克號數(shù)據(jù) 283
10.6.4 鳶尾花數(shù)據(jù) 284
10.6.5 皮瑪數(shù)據(jù) 289
10.6.6 汽車座椅銷售數(shù)據(jù) 292
10.6.7 波士頓房價數(shù)據(jù) 295
10.6.8 貓數(shù)據(jù) 297
10.6.9 駝背數(shù)據(jù) 300
10.6.10 美國總統(tǒng)選舉投票數(shù)據(jù) 301
10.6.11 員工離職數(shù)據(jù) 302
10.7 本章思維導圖 306
第11 章　支持向量機 307
11.1 支持向量機概述 308
11.2 最大間隔分類（硬間隔） 310
11.3 支持向量分類（軟間隔） 311
11.4 支持向量機（核函數(shù)） 313
11.4.1 支持向量機的核函數(shù) 313
11.4.2 多元分類支持向量機 315
11.5 支持向量機的優(yōu)點和缺點 315
11.6 支持向量機R語言應(yīng)用 316
11.6.1 隨機正態(tài)分布數(shù)據(jù)線性核函數(shù) 317
11.6.2 隨機正態(tài)分布數(shù)據(jù)徑向基核函數(shù) 318
11.6.3 三分類數(shù)據(jù)徑向基核函數(shù) 321
11.7 R語言實戰(zhàn) 322
11.7.1 基因表達數(shù)據(jù) 322
11.7.2 鳶尾花數(shù)據(jù) 322
11.7.3 貓數(shù)據(jù) 323
11.7.4 皮瑪數(shù)據(jù) 325
11.7.5 字符數(shù)據(jù) 328
11.7.6 玻璃數(shù)據(jù) 329
11.8 本章思維導圖 332
第12 章　集成學習 333
12.1 集成學習介紹 334
12.2 個別分類方法評價 335
12.3 Bagging學習 337
12.4 隨機森林 338
12.4.1 隨機森林介紹 338
12.4.2 隨機森林算法步驟 339
12.4.3 R 語言 339
12.4.4 隨機森林的優(yōu)點和缺點 340
12.4.5 非監(jiān)督式學習-鳶尾花數(shù)據(jù) 340
12.4.6 美國大學數(shù)據(jù) 341
12.5 Boosting學習 342
12.6 Stacking學習 343
12.6.1 皮瑪數(shù)據(jù) 343
12.6.2 員工離職數(shù)據(jù) 344
12.7 R語言實戰(zhàn) 345
12.7.1 紅酒數(shù)據(jù) 345
12.7.2 信用數(shù)據(jù) 347
12.7.3 皮瑪數(shù)據(jù) 348
12.7.4 波士頓房價數(shù)據(jù) 349
12.7.5 汽車座椅數(shù)據(jù) 352
12.7.6 顧客流失數(shù)據(jù) 353
12.8 本章思維導圖 356
第13 章　推薦系統(tǒng) 357
13.1 推薦系統(tǒng)概述 358
13.2 過濾推薦 359
13.2.1 相似度 360
13.2.2 基于用戶的協(xié)同過濾 360
13.2.3 基于項目的協(xié)同過濾 361
13.2.4 協(xié)同過濾的評價 362
13.2.5 協(xié)同過濾的優(yōu)點和缺點 363
13.2.6 混合的推薦機制 364
13.3 R語言應(yīng)用 365
13.3.1 推薦系統(tǒng)R語言包 365
13.3.2 recommenderlab 函數(shù)程序 366
13.3.3 模擬數(shù)據(jù) 367
13.4 R語言實戰(zhàn) 369
13.4.1 電影數(shù)據(jù) 369
13.4.2 笑話數(shù)據(jù) 373
13.5 本章思維導圖 378
結(jié)語 379
參考文獻 381