數(shù)據(jù)挖掘與R語言

第1章R語言基礎(chǔ)
1.1R的安裝
1.2R數(shù)據(jù)結(jié)構(gòu)
1.3數(shù)據(jù)輸入
1.4程序控制流語句
1.5用戶自編函數(shù)
1.6運算符
1.7數(shù)學(xué)統(tǒng)計函數(shù)
第2章關(guān)聯(lián)規(guī)則的挖掘
2.1關(guān)聯(lián)規(guī)則模型
2.2關(guān)聯(lián)規(guī)則的支持度、可信度和提升度
2.3關(guān)聯(lián)規(guī)則Apriori算法
第3章感知機
3.1數(shù)據(jù)集的線性可分性
3.2感知機模型
3.3感知機學(xué)習(xí)策略
3.4感知機學(xué)習(xí)算法
第4章樸素貝葉斯算法
4.1樸素貝葉斯頻次表
4.2樸素貝葉斯條件概率表
4.3樸素貝葉斯分類器
4.4拉普拉斯校準子
4.5連續(xù)型數(shù)據(jù)特征的處理
第5章K近鄰法
5.1近鄰的距離度量方法
5.2Kd樹——尋找K近鄰
5.3分類決策規(guī)則
5.4K值的選擇
5.5K近鄰算法
第6章決策樹
6.1決策樹模型
6.2決策樹學(xué)習(xí)
6.3決策樹的生成
6.4決策樹的剪枝
6.5分類與回歸樹模型
第7章支持向量機
7.1線性可分支持向量機與硬間隔最大化
7.2線性支持向量機與軟間隔最大化
7.3非線性支持向量機與核函數(shù)
7.4序列最小最優(yōu)化算法
第8章提升算法
8.1AdaBoost提升算法
8.2AdaBoost算法解釋
8.3提升樹
第9章隱馬爾可夫模型
9.1基本概念
9.2概率計算算法
9.3學(xué)習(xí)算法
9.4預(yù)測算法
參考文獻