R语言实战——机器学习与数据分析

目录

第1章  初识R语言 1
1.1  R语言简介 1
1.2  安装与运行 3
1.3  开始使用R 5
1.4  包的使用 7
1.5  使用帮助 8
第2章  探索R数据 10
2.1  向量的创建 10
2.2  向量的运算 13
2.3  向量的筛选 15
2.4  矩阵的创建 17
2.5  矩阵的使用 20
2.5.1  矩阵的代数运算 20
2.5.2  修改矩阵的行列 22
2.5.3  对行列调用函数 23
2.6  矩阵的筛选 25
第3章  编写R程序 28
3.1  流程的控制 28
3.1.1  条件选择结构的概念 28
3.1.2  条件选择结构的语法 29
3.1.3  循环结构的基本概念 30
3.1.4  循环结构的基本语法 31
3.2  算术与逻辑 33
3.3  使用函数 34
3.3.1  函数式语言 34
3.3.2  默认参数值 35
3.3.3  自定义函数 36
3.3.4  递归的实现 38
3.4  编写代码 40
第4章  概率统计基础 42
4.1  概率论的基本概念 42
4.2  随机变量数字特征 45
4.2.1  期望 45
4.2.2  方差 46
4.3  基本概率分布模型 48
4.3.1  离散概率分布 48
4.3.2  连续概率分布 52
4.3.3  使用内嵌分布 55
4.4  大数定理及其意义 59
4.5  中央极限定理 62
4.6  随机采样分布 65
第5章  实用统计图形 71
5.1  饼状图 71
5.2  直方图 74
5.3  核密图 78
5.4  箱线图 81
5.4.1  箱线图与分位数 81
5.4.2  使用并列箱线图 84
5.5  条形图 87
5.5.1  基本条形图及调整 87
5.5.2  堆砌与分组条形图 88
5.6  分位数与QQ图 91
第6章  数据输入/输出 99
6.1  数据的载入 99
6.1.1  基本的数据导入方法 99
6.1.2  处理其他软件的格式 103
6.1.3  读取来自网页的数据 104
6.1.4  从数据库中读取数据 106
6.2  数据的保存 108
6.3  数据预处理 109
6.3.1  常用数学函数 110
6.3.2  修改数据标签 113
6.3.3  缺失值的处理 114
第7章  高级数据结构 118
7.1  列表 118
7.1.1  列表的创建 118
7.1.2  列表元素的访问 120
7.1.3  增删列表元素 121
7.1.4  拼接列表 123
7.1.5  列表转化为向量 123
7.1.6  列表上的运算 124
7.1.7  列表的递归 125
7.2  数据框 126
7.2.1  数据框的创建 126
7.2.2  数据框元素的访问 128
7.2.3  提取子数据框 129
7.2.4  数据框行列的添加 130
7.2.5  数据框的合并 132
7.2.6  数据框的其他操作 134
7.3  因子 135
7.3.1  因子的创建 136
7.3.2  因子中插入水平 137
7.3.3  因子和常用函数 138
7.4  表 140
7.4.1  表的创建 141
7.4.2  表中元素的访问 143
7.4.3  表中变量的边际值 143
第8章  统计推断 146
8.1  参数估计 146
8.1.1  参数估计的基本原理 146
8.1.2  单总体参数区间估计 149
8.1.3  双总体均值差的估计 155
8.1.4  双总体比例差的估计 161
8.2  假设检验 162
8.2.1  基本概念 162
8.2.2  两类错误 166
8.2.3  均值检验 167
8.3  极大似然估计 172
8.3.1  极大似然法的基本原理 172
8.3.2  求极大似然估计的方法 174
8.3.3  极大似然估计应用举例 176
第9章  非参数检验方法 181
9.1  列联分析 181
9.1.1  类别数据与列联表 181
9.1.2  皮尔逊（Pearson）的卡方检验 182
9.1.3  列联分析应用条件 186
9.1.4  费希尔（Fisher）的确切检验 188
9.2  符号检验 190
9.3  威尔科克森（Wilcoxon）符号秩检验 195
9.4  威尔科克森（Wilcoxon）的秩和检验 199
9.5  克鲁斯卡尔-沃利斯（Kruskal-Wallis）检验 204
第10章  一元线性回归 208
10.1  回归分析的性质 208
10.2  回归的基本概念 210
10.2.1  总体的回归函数 210
10.2.2  随机干扰的意义 211
10.2.3  样本的回归函数 213
10.3  回归模型的估计 214
10.3.1  普通最小二乘法原理 214
10.3.2  一元线性回归的应用 216
10.3.3  经典模型的基本假定 218
10.3.4  总体方差的无偏估计 222
10.3.5  估计参数的概率分布 225
10.4  正态条件下的模型检验 227
10.4.1  拟合优度的检验 227
10.4.2  整体性假定检验 231
10.4.3  单个参数的检验 233
10.5  一元线性回归模型预测 234
10.5.1  点预测 234
10.5.2  区间预测 235
第11章  线性回归进阶 239
11.1  多元线性回归模型 239
11.2  多元回归模型估计 241
11.2.1  最小二乘估计量 241
11.2.2  多元回归的实例 242
11.2.3  总体参数估计量 245
11.3  多元回归模型检验 247
11.3.1  线性回归的显著性 247
11.3.2  回归系数的显著性 249
11.4  多元线性回归模型预测 250
11.5  其他回归模型函数形式 253
11.5.1  双对数模型以及生产函数 253
11.5.2  倒数模型与菲利普斯曲线 255
11.5.3  多项式回归模型及其分析 258
11.6  回归模型的评估与选择 260
11.6.1  嵌套模型选择 261
11.6.2  赤池信息准则 262
11.6.3  逐步回归方法 265
11.7  现代回归方法的新进展 269
11.7.1  多重共线性 269
11.7.2  岭回归 270
11.7.3  从岭回归到Lasso 271
第12章  方差分析方法 275
12.1  方差分析的基本概念 275
12.2  单因素方差分析方法 278
12.2.1  基本原理 278
12.2.2  分析步骤 279
12.2.3  强度测量 280
12.3  双因素方差分析方法 281
12.3.1  无交互作用的分析 281
12.3.2  有交互作用的分析 286
12.4  多重比较 289
12.4.1  多重t检验 290
12.4.2  "Dunnett" 检验 291
12.4.3  "Tukey" 的"HSD" 检验 294
12.4.4  "Newman" -"Keuls" 检验 298
12.5  方差齐性的检验方法 301
12.5.1  "Bartlett" 检验法 301
12.5.2  "Levene" 检验法 303
第13章  聚类分析 307
13.1  聚类的概念 307
13.2  K均值算法 308
13.2.1  距离度量 309
13.2.2  算法描述 310
13.2.3  应用实例 312
13.3  最大期望算法 314
13.3.1  算法原理 314
13.3.2  收敛探讨 319
13.4  高斯混合模型 320
13.4.1  模型推导 320
13.4.2  应用实例 323
第14章  支持向量机 326
14.1  从逻辑回归到线性分类 326
14.2  线性可分的支持向量机 330
14.2.1  函数距离与几何距离 330
14.2.2  最大间隔分类器 332
14.2.3  拉格朗日乘数法 334
14.2.4  对偶问题的求解 339
14.3  松弛因子与软间隔模型 343
14.4  非线性支持向量机方法 345
14.4.1  从更高维度上分类 345
14.4.2  非线性核函数方法 347
14.4.3  默瑟定理与核函数 350
14.5  对数据进行分类的实践 350
14.5.1  基本建模函数 351
14.5.2  分析建模结果 355

第15章  人工神经网络 358
15.1  从感知机开始 358
15.1.1  感知机模型 358
15.1.2  感知机学习 360
15.1.3  多层感知机 362
15.2  基本神经网络 365
15.2.1  神经网络结构 365
15.2.2  符号标记说明 366
15.2.3  后向传播算法 368
15.3  神经网络实践 370
15.3.1  核心函数介绍 370
15.3.2  应用分析实践 372
参考文献 375