基于R的统计分析与数据挖掘pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

基于R的统计分析与数据挖掘PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 关于R 1

1.1为什么选择R 1

1.2如何学习R 3

1.3 R入门必备 4

1.4小结 13

第2章 R的数据组织 15

2.1 R的数据对象 15

2.2创建和访问R的数据对象 17

2.3从文本文件读数据 42

2.4外部数据的导入 45

2.5 R数据组织的其他问题 49

2.6小结 50

第3章 R的数据管理 53

3.1数据合并 53

3.2数据排序 54

3.3缺失数据报告 55

3.4变量计算 58

3.5变量值的重编码 69

3.6数据筛选 70

3.7数据保存 72

3.8数据管理中控制流程 72

3.9小结 80

第4章 R的基本数据分析：描述和相关 82

4.1数值型单变量的描述 82

4.2分类型单变量的描述 87

4.3两数值型变量相关性的分析 88

4.4两分类型变量相关性的分析 92

4.5小结 101

第5章 R的基本数据分析：可视化 102

5.1绘图基础 102

5.2数值型单变量分布的可视化 108

5.3分类型变量分布和相关性的可视化 118

5.4两数值型变量相关性的可视化 125

5.5 lattice绘图 137

5.6小结 144

第6章 R的两均值比较检验 147

6.1两独立样本的均值检验 148

6.2两配对样本的均值检验 154

6.3样本均值检验的功效分析 158

6.4两总体分布差异的非参数检验 164

6.5两样本均值差的置换检验 168

6.6两样本均值差的自举法检验 172

6.7小结 175

第7章 R的方差分析 177

7.1单因素方差分析 177

7.2单因素协方差分析 191

7.3多因素方差分析 196

7.4小结 203

第8章 R的回归分析：一般线性模型 205

8.1回归分析概述 205

8.2建立线性回归模型 207

8.3线性回归方程的检验 210

8.4回归诊断：误差项是否满足高斯-马尔科夫假定 215

8.5回归诊断：诊断数据中的异常观测点 223

8.6回归诊断：多重共线性的诊断 229

8.7回归建模策略 231

8.8回归模型验证 241

8.9带虚拟变量的线性回归分析 246

8.10小结 248

第9章 R的回归分析：广义线性模型 250

9.1广义线性模型概述 250

9.2 logistic回归分析：连接函数和参数估计 251

9.3 logistic回归分析：解读模型和模型检验 255

9.4 logistic回归分析：R函数和示例 258

9.5 logistic回归分析：回归诊断 261

9.6泊松回归分析 265

9.7广义线性模型的交叉验证 270

9.8小结 271

第10章 R的聚类分析 272

10.1聚类分析概述 272

10.2 K-Means聚类 273

10.3层次聚类 280

10.4两步聚类 283

10.5小结 288

第11章 R的因子分析：变量降维 289

11.1因子分析概述 289

11.2构造因子变量：基于主成分分析法 293

11.3构造因子变量：基于主轴因子法 302

11.4因子变量的命名 304

11.5计算因子得分 309

11.6小结 312

第12章 R的线性判别分析：分类模型 314

12.1距离判别 314

12.2 Fisher判别 321

12.3小结 327

第13章 R的决策树：预测模型 328

13.1决策树算法概述 328

13.2分类回归树的生长过程 334

13.3分类回归树的剪枝 339

13.4建立分类回归树的R函数和示例 342

13.5建立分类回归树的组合预测模型 348

13.6随机森林 356

13.7小结 360

第14章 R的人工神经网络：预测和聚类 362

14.1人工神经网络概述 363

14.2 B-P反向传播网络 368

14.3 B-P反向传播网络的R函数和示例 377

14.4 SOM自组织映射网络 388

14.5小结 398