[套装书](特价书)R语言机器学习：实用案例分析+(特价书)R语言数据分析+(特价书)R语言数据挖掘：实用项目解析（3册）

1.2.4　数据框 16
1.3　使用函数 20
1.3.1　内置函数 20
1.3.2　用户自定义函数 20
1.3.3　以参数形式传递函数 21
1.4　控制代码流 22
1.4.1　使用if、if-else和ifelse语句 22
1.4.2　使用switch语句 23
1.4.3　循环 23
1.5　高级结构 24
1.5.1　lapply和sapply函数 25
1.5.2　apply函数 26
1.5.3　tapply函数 27
1.5.4　mapply函数 28
1.6　进一步使用R 29
1.6.1　获得帮助 29
1.6.2　处理添加包 30
1.7　机器学习基础 30
1.7.1　机器学习——真正的含义是什么 30
1.7.2　机器学习——如何应用于现实世界 31
1.7.3　机器学习算法的类型 32
1.8　总结 33
第2章　让我们进行机器学习 34
2.1　理解机器学习 35
2.2　机器学习算法 35
2.3　算法家族 40
2.3.1　有监督学习算法 41
2.3.2　无监督学习算法 52
2.4　总结 57
第3章　应用市场购物篮分析预测顾客购买趋势 58
3.1　检测和预测趋势 59
3.2　市场购物篮分析 60
3.2.1　市场购物篮分析的真正含义 60
3.2.2　核心概念和定义 60
3.2.3　用于分析的技术 62
3.2.4　制定数据驱动的决策 63
3.3　评估产品列联矩阵 63
3.3.1　获取数据 64
3.3.2　分析和可视化数据 65
3.3.3　整体推荐 66
3.3.4　高级列联矩阵 67
3.4　频繁项集的生成 69
3.4.1　开始 69
3.4.2　数据检索和转换 69
3.4.3　建立项集关联矩阵 70
3.4.4　建立频繁项集生成工作流 72
3.4.5　检测购物趋势 74
3.5　关联规则挖掘 75
3.5.1　加载添加包和数据 76
3.5.2　探索性分析 76
3.5.3　检测和预测购物趋势 77
3.5.4　关联规则可视化 80
3.6　总结 80
第4章　建立产品推荐系统 82
4.1　理解推荐系统 83
4.2　推荐系统存在的问题 83
4.3　协同过滤器 84
4.3.1　核心概念和定义 84
4.3.2　协同过滤算法 85
4.4　建立推荐引擎 87
4.4.1　矩阵分解 88
4.4.2　算法实现 90
4.4.3　解释结果 94
4.5　产品推荐引擎实战 95
4.5.1　提取、转换并分析数据 96
4.5.2　模型准备和预测 99
4.5.3　模型评价 100
4.6　总结 102
第5章　信用风险检测和预测——描述分析 103
5.1　分析的类型 104
5.2　我们将要面临的挑战 104
5.3　什么是信用风险 105
5.4　获取数据 105
5.5　数据处理 107
5.5.1　处理缺失值 107
5.5.2　数据类型转换 108
5.6　数据分析和变换 109
5.6.1　建立分析实用函数 110
5.6.2　分析数据集 113
5.6.3　保存变换后的数据集 130
5.7　接下来的步骤 130
5.7.1　建立特征集 130
5.7.2　选择机器学习算法 131
5.8　总结 131
第6章　信用风险检测和预测——预测分析 133
6.1　预测分析 134
6.2　如何预测信用风险 135
6.3　预测模型中的重要概念 137
6.3.1　准备数据 137
6.3.2　建立预测模型 137
6.3.3　评估预测模型 138
6.4　获取数据 140
6.5　数据处理 141
6.6　特征选择 142
6.7　应用逻辑回归建立模型 144
6.8　应用支持向量机建立模型 148
6.9　应用决策树建立模型 156
6.10　应用随机森林建立模型 161
6.11　应用神经网络建立模型 165
6.12　模型比较和选择 169
6.13　总结 171
第7章　社交媒体分析：分析Twitter数据 172
7.1　社交网络（Twitter） 172
7.2　数据挖掘与社交网络 174
7.2.1　挖掘社交网络数据 175
7.2.2　数据和可视化 176
7.3　从Twitter API开始 179
7.3.1　概览 179
7.3.2　注册应用 180
7.3.3　链接/认证 181
7.3.4　提取推文示例 182
7.4　Twitter数据挖掘 183
7.4.1　常用词汇和关联 186
7.4.2　广泛使用的设备 191
7.4.3　层次聚类 192
7.4.4　主题建模 194
7.5　社交网络数据挖掘带来的挑战 197
7.6　参考文献 198
7.7　总结 198
第8章　Twitter数据的情感分析 200
8.1　理解情感分析 201
8.1.1　情感分析的关键概念 201
8.1.2　方法 204
8.1.3　应用 205
8.1.4　挑战 206
8.2　推文中的情感分析 206
8.2.1　极性分析 208
8.2.2　基于分类的算法 212
8.3　总结 223



---------------------------(特价书)R语言数据分析---------------------------


Contents目　　录译者序前言第1章　你好，数据！ 11.1　导入一个大小合适的文本文件 21.2　文本文件编译测试平台 51.3　导入文本文件的子集 61.4　从数据库中导入数据 81.4.1　搭建测试环境 91.4.2　MySQL和MariaDB 111.4.3　PostgreSQL 151.4.4　Oracle数据库 171.4.5　访问ODBC数据库 221.4.6　使用图形化用户面连接数据库 231.4.7　其他数据库后台 241.5　从其他统计系统导入数据 251.6　导入Excel电子表格 261.7　小结 26第2章　从Web获取数据 282.1　从Internet导入数据集 292.2　其他流行的在线数据格式 322.3　从HTML表中读取数据 372.4　从其他在线来源获取数据 392.5　使用R包与数据源API交互 422.5.1　Socrata的开源数据API 432.5.2　金融API 442.5.3　使用Quandl获取时序数据 452.5.4　Google文档和统计数据 462.5.5　在线搜索的发展趋势 472.5.6　天气历史数据 482.5.7　其他在线数据源 492.6　小结 49第3章　数据筛选和汇总 503.1　去掉多余的数据 503.1.1　快速去掉多余数据 523.1.2　快速去掉多余数据的其他方法 533.2　聚集 543.2.1　使用基础的R命令实现快速聚集 553.2.2　方便的辅助函数 563.2.3　高性能的辅助函数 573.2.4　使用data.table完成聚集 593.3　测试 593.4　汇总函数 623.5　小结 64第4章　数据重构 654.1　矩阵转置 654.2　基于字符串匹配实现数据筛选 664.3　数据重排序 674.4　dplyr包和data.table包的比较 704.5　创建新变量 704.5.1　内存使用分析 714.5.2　同时创建多个变量 724.5.3　采用dplyr包生成新变量 734.6　数据集合并 744.7　灵活地实现数据整形 764.7.1　将宽表转换为长表 774.7.2　将长表转换为宽表 784.7.3　性能调整 804.8　reshape包的演变 804.9　小结 81第5章　建模 825.1　多元模型的由来 835.2　线性回归及连续预测变量 835.2.1　模型解释 835.2.2　多元预测 855.3　模型假定 875.4　回归线的拟合效果 905.5　离散预测变量 925.6　小结 95第6章　线性趋势直线外的知识 966.1　工作流建模 966.2　逻辑回归 976.2.1　数据思考 1006.2.2　模型拟合的好处 1016.2.3　模型比较 1026.3　计数模型 1026.3.1　泊松回归 1036.3.2　负二项回归 1076.3.3　多元非线性模型 1076.4　小结 115第7章　非结构化数据 1167.1　导入语料库 1167.2　清洗语料库 1187.3　展示语料库的高频词 1217.4　深度清洗 1217.4.1　词干提取 1227.4.2　词形还原 1247.5　词条关联说明 1247.6　其他一些度量 1257.7　文档分段 1267.8　小结 128第8章　数据平滑 1298.1　缺失值的类型和来源 1298.2　确定缺失值 1308.3　忽略缺失值 1318.4　去掉缺失值 1348.5　在分析前或分析中筛选缺失值 1368.6　填补缺失值 1368.6.1　缺失值建模 1388.6.2　不同填补方法的比较 1408.6.3　不处理缺失值 1418.6.4　多重填补 1418.7　异常值和孤立点 1418.8　使用模糊方法 1448.9　小结 146第9章　从大数据到小数据 1479.1　充分性测试 1489.1.1　正态性 1489.1.2　多元变量正态性 1499.1.3　变量间的依赖关系 1529.1.4　KMO和Barlett检验 1549.2　主成分分析 1579.2.1　PCA算法 1589.2.2　确定成分数 1599.2.3　成分解释 1619.2.4　旋转方法 1649.2.5　使用PCA检测孤立点 1679.3　因子分析 1709.4　主成分分析和因子分析 1729.5　多维尺度分析 1739.6　小结 176第10章　分类和聚类 17710.1　聚类分析 17810.1.1　层次聚类 17810.1.2　确定簇的理想个数 18110.1.3　k均值聚类 18310.1.4　可视化聚类 18510.2　潜类别模型 18610.2.1　潜类别分析 18710.2.2　LCR模型 18910.3　判别分析 18910.4　逻辑回归 19210.5　机器学习算法 19410.5.1　k近邻算法 19510.5.2　分类树 19710.5.3　随机森林 20010.5.4　其他算法 20110.6　小结 203第11章　基于R的社会网络分析 20411.1　装载网络数据 20411.2　网络中心性度量 20611.3　网络数据的展现 20711.3.1　交互网络图 21011.3.2　绘制层次图 21111.3.3　使用R包来解释包的依赖关系 21211.4　更多网络分析资源 21211.5　小结 213第12章　时序数据分析 21412.1　创建时序对象 21412.2　展现时序数据 21512.3　季节性分解 21712.4　Holt-Winters筛选 21812.5　自回归积分滑动平均模型 22012.6　孤立点检测 22112.7　更复杂的时序对象 22412.8　高级时序数据分析 22512.9　小结 225第13章　我们身边的数据 22613.1　地理编码 22613.2　在空间中展示数据点 22813.3　找出数据点的多边形重叠区域 23013.4　绘制主题图 23213.5　围绕数据点绘制多边形 23313.5.1　等高线 23413.5.2　冯洛诺伊图 23613.6　卫星图 23713.7　交互图 23813.7.1　查询Google地图 23813.7.2　Java脚本地图库 24013.8　其他绘图方法 24213.9　空间数据分析 24413.10　小结 246第14章　分析R社区 24714.1　R创始团队的成员 24714.2　R开发包的维护人员 24914.3　R-help邮件列表 25314.3.1　R-help邮件列表的规模 25614.3.2　预测未来的邮件规模 25814.4　分析用户列表的重叠部分 26014.5　社交媒体内的R用户数 26214.6　社交媒体中与R相关的贴子 26314.7　小结 266附录 267


---------------------------(特价书)R语言数据挖掘：实用项目解析---------------------------


译者序
前言
第1章　使用R内置数据进行数据处理 1
1.1　什么是数据挖掘 2
1.2　R语言引论 4
1.2.1　快速入门 4
1.2.2　数据类型、向量、数组与矩阵 4
1.2.3　列表管理、因子与序列 7
1.2.4　数据的导入与导出 8
1.3　数据类型转换 10
1.4　排序与合并数据框 11
1.5　索引或切分数据框 15
1.6　日期与时间格式化 16
1.7　创建新函数 17
1.7.1　用户自定义函数 17
1.7.2　内置函数 18
1.8　循环原理——for循环 18
1.9　循环原理——repeat循环 19
1.10　循环原理——while循环 19
1.11　apply原理 19
1.12　字符串操作 21
1.13　缺失值（NA）的处理 22
小结 23
第2章　汽车数据的探索性分析 24
2.1　一元分析 24
2.2　二元分析 30
2.3　多元分析 31
2.4　解读分布和变换 32
2.4.1　正态分布 32
2.4.2　二项分布 34
2.4.3　泊松分布 34
2.5　解读分布 34
2.6　变量分段 37
2.7 列联表、二元统计及数据正态性检验 37
2.8　假设检验 41
2.8.1　总体均值检验 42
2.8.2　双样本方差检验 46
2.9　无参数方法 48
2.9.1　Wilcoxon符号秩检验 49
2.9.2　Mann-Whitney-Wilcoxon检验 49
2.9.3　Kruskal-Wallis检验 49
小结 50
第3章　可视化diamond数据集 51
3.1　使用ggplot2可视化数据 54
3.1.1　条状图 64
3.1.2　盒状图 65
3.1.3　气泡图 65
3.1.4　甜甜圈图 66
3.1.5　地理制图 67
3.1.6　直方图 68
3.1.7　折线图 68
3.1.8　饼图 69
3.1.9　散点图 70
3.1.10　堆叠柱形图 75
3.1.11　茎叶图 75
3.1.12　词云 76
3.1.13　锯齿图 76
3.2　使用plotly 78
3.2.1　气泡图 78
3.2.2　用plotly画条状图 79
3.2.3　用plotly画散点图 79
3.2.4　用plotly画盒状图 80
3.2.5　用plotly画极坐标图 82
3.2.6　用plotly画极坐标散点图 82
3.2.7　极坐标分区图 83
3.3　创建地理制图 84
小结 84
第4章　用汽车数据做回归 85
4.1　回归引论 85
4.1.1　建立回归问题 86
4.1.2　案例学习 87
4.2　线性回归 87
4.3　通过逐步回归法进行变量选取 98
4.4　Logistic回归 99
4.5　三次回归 105
4.6　惩罚回归 106
小结 109
第5章　基于产品数据的购物篮分析 110
5.1　购物篮分析引论 110
5.1.1　什么是购物篮分析 111
5.1.2　哪里会用到购物篮分析 112
5.1.3　数据要求 112
5.1.4　前提假设／要求 114
5.1.5　建模方法 114
5.1.6　局限性 114
5.2　实际项目 115
5.2.1　先验算法 118
5.2.2　eclat算法 121
5.2.3　可视化关联规则 123
5.2.4　实施关联规则 124
小结 126
第6章　聚类电商数据 127
6.1　理解客户分类 128
6.1.1　为何理解客户分类很重要 128
6.1.2　如何对客户进行分类 128
6.2　各种适用的聚类方法 129
6.2.1　K均值聚类 130
6.2.2　层次聚类 135
6.2.3　基于模型的聚类 139
6.2.4　其他聚类算法 140
6.2.5　聚类方法的比较 143
参考文献 143
小结 143
第7章　构建零售推荐引擎 144
7.1　什么是推荐 144
7.1.1　商品推荐类型 145
7.1.2　实现推荐问题的方法 145
7.2　前提假设 147
7.3　什么时候采用什么方法 148
7.4　协同过滤的局限 149
7.5　实际项目 149
小结 157
第8章　降维 158
8.1　为什么降维 158
8.2　降维实际项目 161
8.3　有参数法降维 172
参考文献 173
小结 173
第9章　神经网络在医疗数据中的应用 174
9.1　神经网络引论 174
9.2　理解神经网络背后的数学原理 176
9.3　用R语言实现神经网络 177
9.4　应用神经网络进行预测 180
9.5　应用神经网络进行分类 183
9.6　应用神经网络进行预测 185
9.7　神经网络的优缺点 187
参考文献 187
小结 187

.　　命令行的输入或输出如下所示：
　　新的术语（new term）和重要词（important word）以粗体显示。
　　警告或者重要注释。
　　提示和技巧。
　　下载示例代码你可以在网站http://www.packtpub.com上从你的账户中下载本书的示例代码文件。如果你在其他地方购买了这本书，你可以访问http://www.packtpub.com/support网站并注册，就可以通过电子邮件方式获得相关的文件。
　　你也可以访问华章图书官网：http://www.hzbook.com，通过注册并登录个人账号，下载本书的源代码。
　　下载本书的彩图我们还在一个PDF文件中向你提供了本书中屏幕截图和图表的彩色版本。彩色图片可以帮助你更好地理解输出中的变化关系。可以从http://www.packtpub.com/ sites/default/files/downloads/Machine_Learning_With_R_Second_Edition_ ColoredImages.pdf下载这个文件。
　　
　　
　　
　　---------------------------(特价书)R语言数据分析---------------------------
　　
　　
　　Preface?前言自20多年前发源于学术界以来，R语言已经成为统计分析的通用语言，活跃于众多产业领域。目前，越来越多的商业项目开始使用R，兼之R用户开发了数以千计易于上手的开发包，都使得R成为数据分析工程师及科学家最常用的工具。 本书将帮助读者熟悉R语言这一开源生态系统，并介绍一些基本的统计背景知识，以及一小部分相关的数学知识。我们将着重探讨使用R语言解决实际的问题。 由于数据科学家在数据的采集、清洗及重构上将耗费大量时间，因此本书首先将通过第一手实例来重点探讨从文件、数据库以及在线资源中导入数据的方法，然后再介绍数据的重构和清洗——不包含实际的数据分析，最后几章将对一些特殊的数据类型以及经典的统计模型和部分机器学习算法进行说明。 本书主要内容第1章从与所有数据相关项目都有关的关键性的第一步——从文本文件和数据库中导入数据开始。重点探讨使用优化的CSV分析器把数据载入R，预筛选数据，并对不同数据库后台对R的支持能力进行比较。 第2章介绍如何使用面向Web服务和API通信的包实现数据的导入，包括如何从主页上整理和抽取数据。还将对处理XML和JSON格式数据进行概括性说明。 第3章继续介绍基础的数据处理知识，包括多种数据筛选和聚集，并对data.table和dplyr这两个常见开发包在性能和使用语法方面进行比较。 第4章介绍更多有关复杂数据类型的转换方法，相关函数包括处理数据子集、数据合并、长宽表数据格式到适合用户需要的工作流源数据格式之间的转换等。 第5章开始介绍真实的统计模型，包括回归的概念、常用回归模型等。这一章篇幅不长，还介绍了模型测试的方法以及基于真实数据集如何解释某个多元线性回归模型结果。 第6章在前述章节的基础上，探讨了预测变量的非线性关联，以及诸如逻辑回归和泊松回归等广义线性模型的样例。 第7章介绍一些新的非结构化数据类型，读者将通过实践文本挖掘算法及对结果的可视化处理，了解使用统计模型来处理类似这样一些非结构化数据的方法。 第8章探讨有关原始数据集的另一个常见问题。大多数时候，数据科学家需要处理脏数据，包括去掉错误数据、孤立点以及其他不正确的值，同时又要将缺失值带来的影响降到最低。 第9章介绍如何从大数据中进行特征提取，假设我们已经装载了一个干净的数据集，并且完成了格式转换，当我们开始处理高维变量时，需要采用一些统计方法来进行降维以及其他包括主成分分析、因子分析和多维尺度分析等方法完成连续变量的转换。 第10章讨论使用监督及非监督统计和机器学习方法来处理样本分组问题。这些方法包括层次聚类、k均值聚类、潜类别模型、判别分析、逻辑回归和k近邻算法，以及分类树和回归树。 第11章重点探讨一类特殊的数据结构，包括其基本概念以及可视化网络分析技术，igraph包是该章的重点。 第12章展示如何通过平滑、季节性分解以及ARIMA等方法处理分析时间-日期数据及其相关值，同时还将讨论有关预测和孤立点检测等技术。 第13章探讨一类重要的数据维度——空间维，重点会放在通过主题图、交互图、等高线和冯洛诺伊图完成空间数据的可视化。 第14章提供了一个更完整的样例，该样例中包含了很多前述章节中提到的方法来帮助读者复习这本书所学习到的主要内容，以及应对未来工作中可能遇到的问题和困难。 附录给出了R语言的帮助索引，以及对前述章节中涉及内容的补充阅读。 阅读准备本书所展示的代码都应该在R控制台内运行，读者需要事先安装好R，可以从http://r-project.org下载免费软件以及为所有主流操作系统准备的安装指南。 本书并不会探讨其他更深入的内容，例如在集成开发环境（Integrated Development Environment IDE）下使用R的方法，尽管IDE为诸如Emacs、Eclipse、vi、NotePad++都提供了非常棒的插件和扩展。当然，我们还是建议读者能够使用RStudio，这是一个为R开发的开源免费IDE，访问地址为https://www.rstudio.com/products/RStudio。 除了基础的R包，我们还会使用到部分用户自己提供的R包，它们大多都可以很容易地从R综合典藏网（Comprehensive R Archive Network，CRAN）处下载安装。附录中列出了本书用到的开发包以及多个版本。 如果要从CRAN安装包，读者要确保网络通畅。假如要下载二进制文件，可以在R控制台调用install.packages命令： 本书中所提到的部分包在CRAN上下载不了，但也许可以从Bitbucket或者GitHub处找到安装文件，然后再通过调用devtools包的install_bitbucket和install_github函数完成安装。Windows用户则需首先从https://cran.r-project.org/bin/windows/Rtools处安装rtools包。 安装完毕后，我们应该在使用包之前先将其装载到R会话中，附录中列出了所有包的目录，而每一章的一开始则对相关的源码和R命令做了介绍： 我们极力建议读者下载安装本书的样例源码（可以参考前言的“样例源码下载”小节），这样读者就可以在R控制台很容易地复制和粘贴相关命令，而不需要再按照书中文字输入代码。 如果读者之前没用过R语言，最好能够先从R主页上阅读一些免费的介绍性文章和帮助手册，本书附录中也列出了一些推荐阅读材料。 读者人群如果你是数据科学家或者是R开发人员，希望更多地了解有关R的高级功能及工具，那么这本书就是为你而写。本书希望读者已经具备基础的R语言知识，了解数据库的逻辑。如果你是数据科学家、工程师或分析师，希望提高自己对R语言的开发能力，那么这本书也适合你。尽管需要掌握一些基本的R知识，本书还是为你提供了相关参考文档，能够帮助你快速进入角色并掌握相关技术。 本书约定本书中任何将在R控制台输入或输出的命令行将采用如下格式： 符号“>”有提示的意思，指此处R控制台正在等待要输入执行的命令。如果命令长度超过一行，则第一行还是用“>”开头，但剩下的其余行都要在行首添加符号“+”，代表该行不是一个完整的命令（例如，缺圆括号或引号）。命令的输出不需要增加任何首字母，字体采用和输入文本相同的等宽字体。 新出现的术语和重要的文字将用粗体表示。 警告或重要提示将跟在这样的符号后面。 小窍门或诀窍将跟在这样的符号后面。 样例源码下载你可以从http://www.packtpub.com通过个人账号下载你所购买书籍的样例源码。如果你是从其他途径购买的，可以访问http://www.packtpub.com/support，完成账号注册，就可以直接通过邮件方式获得相关文件。 你也可以访问华章图书官网：http://www.hzbook.com，通过注册并登录个人账号，下载本书的源代码。 下载书中彩图我们还为读者准备了一个PDF文件，该文件包含了本书所有截图和样图，可以更好地帮助读者理解输出的变化。你可以从以下地址下载： http://www.packtpub.com/sites/default/files/downloads/1234OT_ColorImages.pdf
　　
　　
　　---------------------------(特价书)R语言数据挖掘：实用项目解析---------------------------
　　
　　
　　随着数据规模和种类的增长，应用数据挖掘技术从大数据中提取有效信息变得至关重要。这是因为企业认为有必要从大规模数据的实施中获得相应的投资回报。实施数据挖掘的根本性原因是要从大型数据库中发现隐藏的商机，以便利益相关者能针对未来业务做出决策。数据挖掘不仅能够帮助企业降低成本以及提高收益，还能帮助他们发现新的发展途径。
　　本书将介绍使用R语言（一种开源工具）进行数据挖掘的基本原理。R是一门免费的程序语言，同时也是一个提供统计计算、图形数据可视化和预测建模的软件环境，并且可以与其他工具和平台相集成。本书将结合R语言在示例数据集中的应用来阐释数据挖掘原理。
　　本书将阐述数据挖掘的一些主题，如数学表述、在软件环境中的实现，以及如何据此来解决商业问题。本书的设计理念是，读者可以从数据管理技术、探索性数据分析、数据可视化等内容着手学习，循序渐进，直至建立高级预测模型（如推荐系统、神经网络模型）。本书也从数据科学、分析学、统计建模以及可视化等角度对数据挖掘这一概念进行了综述。
　　本书内容
　　第1章带领读者初识R编程基础，借助真实的案例帮助读者了解如何读写数据，了解编程符号和语法指令。这一章还给出了供读者动手实践的R脚本，以更好地理解书中的原理、术语以及执行特定任务的深层原因。之所以这样设计，是为了让没有太多编程基础的读者也能使用R来执行各种数据挖掘任务。这一章将简述数据挖掘的意义以及它与其他领域（诸如数据科学、分析学和统计建模）的关系，除此之外，还将展开使用R进行数据管理的讨论。
　　第2章帮助读者理解探索性数据分析。探索数据包括数据集中变量的数值描述和可视化，这将使得数据集变得直观，并使我们能对其快速定论。对数据集有一个初步的理解很重要，比如选择怎样的变量进行分析、不同变量之间的关联，等等。创建交叉二维表有助于理解分类变量之间的关系，对数据集实施经典统计检验来验证对数据的种种假设。
　　第3章涵盖从基础的数据可视化到调用R语言中的库实现高级的数据可视化。观察数字和统计能从多个侧面“告诉”我们关于变量的“故事”，而当图形化地了解变量和因子之间的关系时，它将展示另一个“故事”。可见，数据可视化将揭示数值分析和统计无法展现的信息。
　　第4章帮助读者学习利用回归方法的预测分析基础，包括线性和非线性回归方法在R中的实现。读者不仅可以掌握所有回归方法的理论基础，也将通过R实践获得实际动手操作的经验。
　　第5章介绍了一种产品推荐方法——购物篮分析（MBA）。这种方法主要是将交易级的商品信息关联，从中找出购买了相似商品的客户分类，据此推荐产品。MBA还可以应用于向上销售和交叉销售中。
　　第6章介绍了什么是分类、聚类是如何应用到分类问题的、聚类用的是什么方法等内容，并对不同的分类方法进行了对比。在这一章，读者将了解使用聚类方法的分类基础知识。
　　第7章涵盖以下内容及相应的R语言实现：推荐系统是什么，实现推荐的工作原理、类型和方法，使用R语言实现商品推荐。
　　第8章使用R语言和一个实际数据集实现主成分分析（PCA）、奇异值分解（SVD）和迭代特征提取等降维技术。随着数据的量与类的增长，数据的维度也在随之增长。降维技术在不同领域都有很多应用，例如图像处理、语音识别、推荐系统、文本处理等。
　　第9章讲解了多种类型的神经网络、方法，以及通过不同的函数来控制人工神经网络训练的神经网络变体。这些神经网络执行标准的数据挖掘任务，例如：采用基于回归的方法预测连续型变量，利用基于分类的方法预测输出水平，利用历史数据来预测数值变量的未来值，以及压缩特征从而识别重要特征以执行预测或分类。
　　准备工作
　　为了学习本书附带的例子和代码，读者需要从https://cran.r-project.org/下载R软件（也可以从https://www.rstudio.com/下载R Studio），然后安装。没有特定的硬件要求，只需要一台至少2GB RAM的计算机，适用于任何操作系统，包括MAC、Linux和Windows。
　　读者对象
　　本书适用于刚开始从事数据挖掘、数据科学或者预测建模的读者，也适用于有中等统计与编程水平的读者。基本的统计知识对于理解数据挖掘是必需的。阅读前几章并不需要编程知识。本书将讲解如何使用R语言进行数据管理和基本的统计分析。本书亦适用于学生、专业人员及有志成为数据分析师的读者。
　　排版约定
　　在本书中，为了区分不同内容，字体风格也会随之变化。以下是字体风格示意：
　　书中的代码、文件名、文件扩展名、路径名、URL地址、用户输入、推特标签看起来会是这样：“在处理ArtPiece数据集时，我们将通过一些与业务相关的变量来预测一个艺术作品是否值得购买。”
　　所有命令行的输入或输出在书中显示如下：
　　作者的话
　　如果读者对于本书所涉及的内容有疑问，可以在Twitter上搜索@mishra1_PK，我非常乐意为大家提供帮助。
　　非常感谢我的妻子Prajna和女儿Aarya，也要感谢我的朋友和工作中的同事在我完成本书的过程中给予我的支持与鼓励。
　　关于审稿人
　　Alexey Grigorev是一名熟练的数据科学家和软件工程师，有超过5年的专业经验。他现在是Searchmetrics Inc的一名数据科学家。在日常工作中，他热衷于使用R和Python进行数据清洗、数据分析和建模工作。他也是Packt出版的其他数据分析书籍的审稿人，比如《测试驱动的机器学习》与《掌握R数据分析》。