基于R的统计分析与数据挖掘

第1章  关于R1.1  为什么选择R1.2  如何学习R1.3  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