基于R的统计分析与数据挖掘

　　本书聚焦当今备受国内外数据分析师和数据应用者关注的R语言，关注如何借助R实现统计分析和数据挖掘。它既不是仅侧重理论讲解的统计分析和数据挖掘教科书，也不是仅侧重R编程操作的使用手册，而是以数据分析贯穿全书的两者的有机结合。本书特色在于：以数据模拟的直观方式论述方法原理的同时，通过案例强化R的操作实践性；在以解决应用问题为目标讨论R操作的同时，通过原理论述强化模型结果的解读理解。本书定位于统计分析和数据挖掘的学习者、实践者和研究者，旨在使读者理解统计分析原理，熟练操控R软件，拓展数据应用，提升研究水平。

　　薛薇，工学硕士，经济学博士，中国人民大学应用统计科学研究中心副主任，中国人民大学统计学院副教授。关注数据挖掘及统计建模、统计和数据挖掘软件应用、统计数据库系统研发等方面。涉足网络新媒体舆论传播和互动建模、政府和官方微博分析、电商数据分析、学科学术热点跟踪等文本挖掘，以及社会网络分析和以数据挖掘为依托的客户关系管理等领域。主要著作：《SPSS统计分析方法及应用》、《SPSS Modeler数据挖掘方法及应用》、《基于R的统计分析和数据挖掘》、《基于信息技术的统计信息系统》等。

第1章 关于R
1．1 为什么选择R
1．2 如何学习R
1．3 R入门必备
1．4 小 结
第2章 R的数据组织
2．1 R的数据对象
2．2 创建和访问R的数据对象
2．3 从文本文件读数据
2．4 外部数据的导入
2．5 R数据组织的其他问题
2．6 小 结
第3章 R的数据管理
3．1 数据合并
3．2 数据排序
3．3 缺失数据报告
3．4 变量计算
3．5 变量值的重编码
3．6 数据筛选
3．7 数据保存
3．8 数据管理中控制流程
3．9 小 结
第4章 R的基本数据分析：描述和相关
4．1 数值型单变量的描述
4．2 分类型单变量的描述
4．3 两数值型变量相关性的分析
4．4 两分类型变量相关性的分析
4．5 小 结
第5章 R的基本数据分析：可视化
5．1 绘图基础
5．2 数值型单变量分布的可视化
5．3 分类型变量分布和相关性的可视化
5．4 两数值型变量相关性的可视化
5．5 lattice绘图
5．6 小 结
第6章 R的两均值比较检验
6．1 两独立样本的均值检验
6．2 两配对样本的均值检验
6．3 样本均值检验的功效分析
6．4 两总体分布差异的非参数检验
6．5 两样本均值差的置换检验
6．6 两样本均值差的自举法检验
6．7 小 结
第7章 R的方差分析
7．1 单因素方差分析
7．2 单因素协方差分析
7．3 多因素方差分析
7．4 小 结
第8章 R的回归分析：一般线性模型
8．1 回归分析概述
8．2 建立线性回归模型
8．3 线性回归方程的检验
8．4 回归诊断：误差项是否满足高斯马尔科夫假定
8．5 回归诊断：诊断数据中的异常观测点
8．6 回归诊断：多重共线性的诊断
8．7 回归建模策略
8．8 回归模型验证
8．9 带虚拟变量的线性回归分析
8．10 小 结
第9章 R的回归分析：广义线性模型
9．1 广义线性模型概述
9．2 logistic回归分析：连接函数和参数估计
9．3 logistic回归分析：解读模型和模型检验
9．4 logistic回归分析：R函数和示例
9．5 logistic回归分析：回归诊断
9．6 泊松回归分析
9．7 广义线性模型的交叉验证
9．8 小 结
第10章 R的聚类分析
10．1 聚类分析概述
10．2 K-Means聚类
10．3 层次聚类
10．4 两步聚类
10．5 小 结
第11章 R的因子分析：变量降维
11．1 因子分析概述
11．2 构造因子变量：基于主成分分析法
11．3 构造因子变量：基于主轴因子法
11．4 因子变量的命名
11．5 计算因子得分
11．6 小 结
第12章 R的线性判别分析：分类模型
12．1 距离判别
12．2 Fisher判别
12．3 小 结
第13章 R的决策树：预测模型
13．1 决策树算法概述
13．2 分类回归树的生长过程
13．3 分类回归树的剪枝
13．4 建立分类回归树的R函数和示例
13．5 建立分类回归树的组合预测模型
13．6 随机森林
13．7 小 结
第14章 R的人工神经网络：预测和聚类
14．1 人工神经网络概述
14．2 B-P反向传播网络
14．3 B-P反向传播网络的R函数和示例
14．4 SOM自组织映射网络
14．5 小 结