基于R语言的机器学习

　　■ 介绍机器学习领域的模型、算法和数据训练。 \n■ 了解监督和非监督机器学习算法。 \n■ 针对模型使用的数据进行统计验证。 \n■ 深入了解商业和科学中使用的线性回归模型。 \n■ 使用单层和多层神经网络计算结果。 \n■ 介绍基于树的模型的工作原理，以及流行的决策树。 \n■ 了解R语言中机器学习的生态环境。 \n■ 介绍R语言提供的强大的工具caret包。

暂缺《基于R语言的机器学习》作者简介

前言 1 \n
第1章 什么是模型？ 5 \n
算法与模型有什么不同？ 10 \n
术语说明 12 \n
模型的局限性 13 \n
建模中的统计与计算 15 \n
数据训练 16 \n
交叉验证 17 \n
为什么使用R语言？ 18 \n
优点 19 \n
缺点 22 \n
小结 23 \n
第2章 监督学习与无监督机器学习 25 \n
监督模型 26 \n
回归 26 \n
训练数据与测试数据 28 \n
分类 30 \n
混合方法 37 \n
无监督学习 47 \n
无监督聚类方法 48 \n
小结 50 \n
第3章 R语言中的采样统计和模型训练 52 \n
偏差 53 \n
R语言中的采样 58 \n
训练与测试 61 \n
交叉验证 74 \n
小结 76 \n
第4章 全面解析回归 78 \n
线性回归 79 \n
多项式回归 88 \n
拟合数据的优点——过度拟合的风险 95 \n
逻辑回归 98 \n
小结 112 \n
第5章 全面解析神经网络 115 \n
单层神经网络 115 \n
用R语言建立一个简单的神经网络 116 \n
多层神经网络 125 \n
回归神经网络 131 \n
神经网络分类 136 \n
使用caret的神经网络 137 \n
小结 139 \n
第6章 基于树的方法 141 \n
简单的树模型 141 \n
决定树的分割方式 143 \n
决策树的优点和缺点 147 \n
条件推理树 158 \n
随机森林 161 \n
小结 164 \n
第7章 其他高级方法 165 \n
朴素贝叶斯分类 165 \n
主成分分析 169 \n
支持向量机 179 \n
k最近邻算法 185 \n
小结 191 \n
第8章 使用caret包实现机器学习 192 \n
泰坦尼克号数据集 193 \n
使用caret 196 \n
小结 207 \n
附录A caret机器学习模型大全 209