想门机器学习，用R语言搞定数据分析与预测建模？《机器学习与R语言（原书第4版）》经典升级！从数据处理、特征工程到监督/无监督学习，从基础算法到阶优化，全流程拆解核心逻辑。搭配泰坦尼克号、野生蘑菇等真实数据集，本书新增超参数调优、高维数据处理等实战内容，配套代码与工具实操方案。不管你是学生、数据分析师还是行业从业者，都能通过本书搭建完整知识体系，夯实算法基础，轻松应对数据分析与建模任务，在AI浪潮中站稳脚跟！
售 价：¥
纸质售价：¥107.30购买纸书
6.7
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前折页
书名页
版权
译者序
前言
关于作者
关于审校者
第1章 机器学习概述
1.1 机器学习起源
1.2 机器学习的应用与滥用
1.2.1 机器学习能做什么
1.2.2 机器学习的局限性
1.2.3 机器学习伦理
1.3 机器如何学习
1.3.1 数据存储
1.3.2 抽象
1.3.3 泛化
1.3.4 评估
1.4 机器学习实践
1.4.1 输入数据类型
1.4.2 机器学习算法分类
1.4.3 选择合适的算法
1.5 基于R语言的机器学习
1.5.1 安装R软件包
1.5.2 加载和卸载R软件包
1.5.3 安装RStudio
1.5.4 为何选择R语言
1.6 小结
第2章 管理与解读数据
2.1 R语言中的数据结构
2.1.1 向量
2.1.2 因子
2.1.3 列表
2.1.4 数据框
2.1.5 矩阵和数组
2.2 管理数据
2.2.1 保存、加载、删除数据结构
2.2.2 从CSV文件导入和保存数据集
2.2.3 用RStudio导入数据集
2.3 探索和解读数据
2.3.1 数据结构分析
2.3.2 数值型特征分析
2.3.3 类别型特征分析
2.3.4 特征间的关系
2.4 小结
第3章 懒惰学习——最近邻分类
3.1 最近邻分类
3.1.1 k-NN算法
3.1.2 何为“懒惰”算法
3.2 示例：用k-NN算法诊断乳腺癌
3.2.1 第1步：收集数据
3.2.2 第2步：探索并准备数据
3.2.3 第3步：训练模型
3.2.4 第4步：评估模型性能
3.2.5 第5步：优化模型性能
3.3 小结
第4章 概率学习——朴素贝叶斯分类
4.1 朴素贝叶斯算法
4.1.1 贝叶斯算法的基本概念
4.1.2 朴素贝叶斯算法简介
4.2 示例：用朴素贝叶斯算法过滤手机垃圾短信
4.2.1 第1步：收集数据
4.2.2 第2步：探索并准备数据
4.2.3 第3步：训练模型
4.2.4 第4步：评估模型性能
4.2.5 第5步：优化模型性能
4.3 小结
第5章 分而治之——用决策树和规则分类
5.1 决策树
5.1.1 分而治之
5.1.2 C5.0决策树算法
5.2 示例：使用C5.0决策树识别高风险银行贷款
5.2.1 第1步：收集数据
5.2.2 第2步：探索并准备数据
5.2.3 第3步：训练模型
5.2.4 第4步：评估模型性能
5.2.5 第5步：优化模型性能
5.3 分类规则
5.3.1 离而治之
5.3.2 1R算法
5.3.3 RIPPER算法
5.3.4 决策树中的规则
5.3.5 何为决策树和规则的贪婪
5.4 示例：用规则学习器识别毒蘑菇
5.4.1 第1步：收集数据
5.4.2 第2步：探索并准备数据
5.4.3 第3步：训练模型
5.4.4 第4步：评估模型性能
5.4.5 第5步：优化模型性能
5.5 小结
第6章 预测数值型数据——回归法
6.1 回归
6.1.1 简单线性回归
6.1.2 普通最小二乘估计
6.1.3 相关性
6.1.4 多重线性回归
6.1.5 广义线性模型与逻辑回归
6.2 示例：用线性回归预测汽车保险理赔成本
6.2.1 第1步：收集数据
6.2.2 第2步：探索并准备数据
6.2.3 第3步：训练模型
6.2.4 第4步：评估模型性能
6.2.5 第5步：优化模型性能
6.2.6 更进一步：用逻辑回归预测保险客户流失
6.3 回归树和模型树
6.4 示例：用回归树和模型树评估葡萄酒的品质
6.4.1 第1步：收集数据
6.4.2 第2步：探索并准备数据
6.4.3 第3步：训练模型
6.4.4 第4步：评估模型性能
6.4.5 第5步：优化模型性能
6.5 小结
第7章 黑盒法——神经网络和支持向量机
7.1 神经网络
7.1.1 从生物神经元到人工神经元
7.1.2 激活函数
7.1.3 网络拓扑结构
7.1.4 用反向传播训练神经网络
7.2 示例：用ANN对混凝土强度进行建模
7.2.1 第1步：收集数据
7.2.2 第2步：探索并准备数据
7.2.3 第3步：训练模型
7.2.4 第4步：评估模型性能
7.2.5 第5步：优化模型性能
7.3 支持向量机
7.3.1 用超平面分类
7.3.2 使用核函数处理非线性空间
7.4 示例：使用SVM进行OCR识别
7.4.1 第1步：收集数据
7.4.2 第2步：探索并准备数据
7.4.3 第3步：训练模型
7.4.4 第4步：评估模型性能
7.4.5 第5步：优化模型性能
7.5 小结
第8章 发掘模式——用关联规则进行购物篮分析
8.1 关联规则
8.1.1 Apriori算法
8.1.2 衡量规则的兴趣度——支持度和置信度
8.1.3 用先验原则建立规则
8.2 示例：用关联规则识别热销商品
8.2.1 第1步：收集数据
8.2.2 第2步：探索并准备数据
8.2.3 第3步：训练模型
8.2.4 第4步：评估模型性能
8.2.5 第5步：优化模型性能
8.3 小结
第9章 寻找数据分组——k均值聚类
9.1 聚类
9.1.1 基于聚类的机器学习
9.1.2 聚类算法中的簇
9.1.3 k均值聚类算法
9.2 用k均值聚类找出青少年用户细分市场
9.2.1 第1步：收集数据
9.2.2 第2步：探索并准备数据
9.2.3 第3步：训练模型
9.2.4 第4步：评估模型性能
9.2.5 第5步：优化模型性能
9.3 小结
第10章 评估模型性能
10.1 衡量分类性能
10.1.1 分类器预测
10.1.2 进一步了解混淆矩阵
10.1.3 用混淆矩阵衡量性能
10.1.4 除准确率之外的其他性能衡量指标
10.1.5 用ROC曲线可视化性能权衡
10.2 估算未来性能
10.2.1 留出法
10.2.2 交叉验证
10.2.3 自助抽样
10.3 小结
第11章 机器学习成功之道
11.1 机器学习从业指南
11.2 何为成功的机器学习模型
11.2.1 规避浅显的预测
11.2.2 进行公平的评估
11.2.3 考虑现实影响
11.2.4 建立对模型的信任
11.3 为数据科学注入“科学”元素
11.3.1 使用R笔记本和R标记
11.3.2 高级数据探索
11.4 小结
第12章 高级数据准备
12.1 特征工程简介
12.1.1 人机角色
12.1.2 大数据和深度学习的影响
12.2 特征工程实践
12.2.1 建议1：集思广益构建新特征
12.2.2 建议2：找出文本中蕴含的信息
12.2.3 建议3：转换数值范围
12.2.4 建议4：观测相邻数据
12.2.5 建议5：利用相关行
12.2.6 建议6：分解时间序列
12.2.7 建议7：引入外部数据
12.3 探索tidyverse
12.3.1 用tibble构建清晰的表结构
12.3.2 用readr和readxl快速读取数据表
12.3.3 用dplyr准备并传输数据
12.3.4 用stringr转换文本
12.3.5 用lubridate处理日期数据
12.4 小结
第13章 难以处理的数据——过多、太少，或过于复杂
13.1 高维数据
13.1.1 特征选择
13.1.2 特征提取
13.2 稀疏数据
13.2.1 识别稀疏数据
13.2.2 示例：重映射稀疏分类数据
13.2.3 示例：划分数值型稀疏数据区间
13.3 缺失数据
13.3.1 缺失数据的类型
13.3.2 缺失值填补
13.4 数据不平衡问题
13.4.1 平衡数据的简单策略
13.4.2 用SMOTE生成合成平衡数据集
13.4.3 平衡的取舍
13.5 小结
第14章 构建更好的学习器
14.1 优化现有模型以提升性能
14.1.1 确定超参数调优范围
14.1.2 示例：用caret进行自动调优
14.2 用集成法提高模型性能
14.2.1 集成学习
14.2.2 常用的集成算法
14.3 元学习模型堆叠
14.3.1 模型堆叠与融合
14.3.2 用R语言实现融合与堆叠
14.4 小结
第15章 利用大数据
15.1 深度学习应用
15.1.1 深度学习简介
15.1.2 卷积神经网络
15.2 无监督学习和大数据
15.2.1 用嵌入表示高维概念
15.2.2 高维数据可视化
15.3 用R语言处理大型数据集
15.3.1 SQL数据库查询
15.3.2 用并行处理提升性能
15.3.3 利用专用硬件和算法
15.4 小结
推荐阅读
后折页
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
