R语言数据分析与挖掘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]

R语言数据分析与挖掘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

第一部分 统计分析基础 1

第1章 概述 1

1.1 为什么使用R语言 2

1.2 R的安装 3

1.3 RStudio集成环境 4

1.4 R的基础操作 4

1.5 包 9

1.6 结果的重用性 10

1.7 综合示例 11

1.8 大数据处理 11

1.9 数据挖掘 13

小结 16

习题 16

第2章 数据访问 17

2.1 数据集合 17

2.2 数据结构 18

2.3 数据的输入 27

2.4 数据的输出 35

2.5 数据集的标注 36

2.6 处理数据对象的实用函数 36

小结 37

习题 37

第3章 数据操作 39

3.1 一个示例 39

3.2 创建新变量 41

3.3 变量的重编码 42

3.4 变量的重命名 43

3.5 缺失值 44

3.6 日期型数据 46

3.7 类型转换 48

3.8 数据排序 49

3.9 数据集的合并 49

3.10 数据集取子集 50

3.11 使用SQL语句操作数据框 53

3.12 一个数据处理难题 53

3.13 数值和字符处理函数 54

3.14 数据处理难题的一套解决方案 61

3.15 控制语句 66

3.16 自定义函数 68

3.17 重构与整合 70

小结 73

习题 73

第4章 数据可视化 75

4.1 创建图形 75

4.2 简单示例 77

4.3 图形参数 78

4.4 添加文本、自定义坐标轴和图例 83

4.5 图形的组合 89

4.6 条形图 93

4.7 饼图 97

4.8 直方图 99

4.9 核密度图 100

4.10 点图 105

4.11 ggplot2包 107

小结 116

习题 116

第5章 概率与分布 117

5.1 随机抽样 117

5.2 概率分布 118

5.3 R的概率分布 122

5.4 常用分布的概率函数图 124

5.5 中心极限定理及应用 127

小结 132

习题 132

第6章 基本统计分析 133

6.1 描述性统计分析 133

6.2 频数表和列联表 139

6.3 相关系数 148

6.4 检验 152

6.5 组间差异的非参数检验 154

小结 157

习题 157

第7章 回归分析 159

7.1 概论 160

7.2 OLS回归 161

7.3 回归诊断 170

7.4 异常观测值 179

7.5 改进方法 182

7.6 选择“最佳”的回归模型 184

7.7 深度分析 188

小结 192

习题 192

第8章 方差分析 195

8.1 基本概念 195

8.2 ANOVA模型拟合 196

8.3 单因素方差分析 198

8.4 单因素协方差分析 202

8.5 双因素方差分析 206

8.6 重复测量方差分析 208

8.7 多元方差分析 210

8.8 回归实现ANOVA 214

小结 216

习题 216

第二部分 机器学习实践 218

第9章 大数据高性能计算 218

9.1 数据选择 219

9.2 数据聚合 223

9.3 数据引用 225

9.4 键与快速筛选 228

9.5 数据连接 231

9.6 数据变形 236

小结 238

习题 238

第10章 机器学习流程 239

10.1 数据探索 240

10.2 数据划分 241

10.3 数据填充 242

10.4 特征选择 246

10.5 建模与调优 251

10.6 测试与评估 257

小结 260

习题 260

第11章 有监督学习模型 261

11.1 线性回归模型 263

11.2 逻辑回归模型 269

11.3 线性判别分析模型 275

11.4 朴素贝叶斯模型 275

11.5 k近邻模型 275

11.6 决策树模型 284

11.7 随机森林模型 299

11.8 神经网络模型 309

11.9 支持向量机模型 319

小结 330

习题 330

第12章 无监督学习模型 331

12.1 k均值聚类模型 333

12.2 DBSCAN聚类模型 341

12.3 AGNES层次聚类模型 346

12.4 关联分析模型 351

小结 357

习题 357

参考文献 358