●出版者的話
譯者序
縮寫詞表
章  簡介1
1.1  數據挖掘1
1.2  R1
1.3  數據集2
1.3.1  iris數據集2
1.3.2  bodyfat數據集3
第2章  數據的導入與導出4
2.1  R數據的保存與加載4
2.2  .CSV文件的導入與導出4
2.3  從SAS中導入數據5
2.4  通過ODBC導入與導出數據6
2.4.1  從數據庫中讀取數據7
2.4.2  從Excel文件中導入與導出數據7
第3章  數據探索8
3.1  查看數據8
3.2  探索單個變量10
3.3  探索多個變量12
3.4  更多探索15
3.5  將圖表保存到文件中19
第4章  決策樹與隨機森林21
4.1  使用party包構建決策樹21
4.2  使用rpart包構建決策樹24
4.3  隨機森林29
第5章  回歸分析33
5.1  線性回歸33
5.2  邏輯回歸38
5.3  廣義線性回歸38
5.4  非線性回歸40
第6章  聚類41
6.1  k-means聚類41
6.2  k-medoids聚類43
6.3  層次聚類45
6.4  基於密度的聚類46
第7章  離群點檢測50
7.1  單變量的離群點檢測50
7.2  局部離群點因子檢測53
7.3  用聚類方法進行離群點檢測56
7.4  時間序列數據的離群點檢測58
7.5  討論59
第8章  時間序列分析與挖掘60
8.1  R中的時間序列數據60
8.2  時間序列分解60
8.3  時間序列預測62
8.4  時間序列聚類63
8.4.1  動態時間規整63
8.4.2  合成控制圖的時間序列數據64
8.4.3  基於歐氏距離的層次聚類65
8.4.4  基於DTW距離的層次聚類66
8.5  時間序列分類67
8.5.1  基於原始數據的分類67
8.5.2  基於特征提取的分類68
8.5.3  k-NN分類69
8.6  討論70
8.7  延伸閱讀70
第9章  關聯規則71
9.1  關聯規則的基本概念71
9.2  Titanic數據集71
9.3  關聯規則挖掘73
9.4  消除冗餘78
9.5  解釋規則79
9.6  關聯規則的可視化80
9.7  討論與延伸閱讀82
0章  文本挖掘84
10.1  Twitter的文本檢索84
10.2  轉換文本85
10.3  提取詞干86
10.4  建立詞項-文檔矩陣88
10.5  頻繁詞項與關聯90
10.6  詞雲91
10.7  詞項聚類92
10.8  推文聚類94
10.8.1  基於k-means算法的推文聚類94
10.8.2  基於k-medoids算法的推文聚類96
10.9  程序包、延伸閱讀與討論98
1章  社交網絡分析99
11.1詞項網絡99
11.2推文網絡102
11.3雙模式網絡107
11.4討論與延伸閱讀110
2章  案例Ⅰ：房價指數的分析與預測111
12.1HPI數據導入111
12.2HPI數據探索112
12.3HPI趨勢與季節性成分118
12.4HPI預測120
12.5房地產估價122
12.6討論122
3章  案例Ⅱ：客戶回復預測與效益優選化123
13.1簡介123
13.2KDD Cup 1998的數據123
13.3數據探索131
13.4訓練決策樹137
13.5模型評估140
13.6選擇最優決策樹143
13.7評分145
13.8討論與總結148
4章  案例Ⅲ：內存受限的大數據預測模型150
14.1簡介150
14.2研究方法150
14.3數據與變量151
14.4隨機森林152
14.5內存問題153
14.6樣本數據的訓練模型154
14.7使用已選變量建立模型156
14.8評分162
14.9輸出規則168
14.9.1以文本格式輸出規則168
14.9.2輸出SAS規則的得分172
14.10總結與討論177
5章  在線資源178
15.1R參考文檔178
15.2R178
15.3數據挖掘179
15.4R的數據挖掘180
15.5R的分類與預測181
15.6R的時間序列分析181
15.7R的關聯規則挖掘181
15.8R的空間數據分析181
15.9R的文本挖掘182
15.10R的社交網絡分析182
15.11R的數據清洗與轉換182
15.12R的大數據與並行計算182
R語言數據挖掘參考文檔184
參考資料197
通用索引201
包索引203
函數索引204