本書的前5章是以基礎知識和R軟件為主體，因此包括了R基本知識、數(shù)據(jù)可視化、探索性數(shù)據(jù)分析和統(tǒng)計推斷�；A知識部分會使用有趣的例子來加以說明，并且為后5章建立了框架�；貧w模型、線性和logistic回歸被安排在前面，是應用部分最重要的研究熱點。這種討論實質(zhì)上更普遍，而且這種方法也很容易應用于不同的領域。最后兩章受到了Breiman學校的啟發(fā)，因此詳細介紹了分類和回歸樹的現(xiàn)代方法，并且用實際的數(shù)據(jù)集進行了說明。
譯者序
前言
第1章 數(shù)據(jù)特征
1.1 問卷調(diào)查及其組成部分
1.2 在計算機科學中的不確定性研究
1.3 R安裝
1.3.1 使用R包
1.3.2 RSADBE——本書的R包
1.3.3 離散分布
1.3.4 離散均勻分布
1.3.5 二項分布
1.3.6 超幾何分布
1.3.7 負二項分布
1.3.8 泊松分布
1.4 連續(xù)分布
譯者序
前言
第1章 數(shù)據(jù)特征
1.1 問卷調(diào)查及其組成部分
1.2 在計算機科學中的不確定性研究
1.3 R安裝
1.3.1 使用R包
1.3.2 RSADBE——本書的R包
1.3.3 離散分布
1.3.4 離散均勻分布
1.3.5 二項分布
1.3.6 超幾何分布
1.3.7 負二項分布
1.3.8 泊松分布
1.4 連續(xù)分布
1.4.1 均勻分布
1.4.2 指數(shù)分布
1.4.3 正態(tài)分布
1.5 本章小結
第2章 數(shù)據(jù)導入和導出
2.1 data.frame和其他格式數(shù)據(jù)
2.1.1 常數(shù)、向量和矩陣
2.1.2 列表對象
2.1.3 data.frame對象
2.1.4 表對象
2.2 函數(shù)read.csv、read.xls以及外來程序包
2.3 導出數(shù)據(jù)/圖表
2.3.1 導出R對象
2.3.2 導出圖表
2.4 管理一個R會話
2.5 本章小結
第3章 數(shù)據(jù)可視化
3.1 分類數(shù)據(jù)的可視化技術
3.1.1 條形圖
3.1.2 點圖
3.1.3 脊柱圖、馬賽克圖
3.1.4 餅圖和四折圖
3.2 連續(xù)型變量數(shù)據(jù)的可視化
3.2.1 箱線圖
3.2.2 直方圖
3.2.3 散點圖
3.2.4 帕累托圖
3.3 ggplot概述
3.4 本章小結
第4章 探索性分析
4.1 基本匯總統(tǒng)計量
4.1.1 百分位數(shù)、四分位數(shù)和中位數(shù)
4.1.2 折頁數(shù)
4.1.3 四分位極差
4.2 莖葉圖
4.3 字母值
4.4 數(shù)據(jù)變換
4.5 袋狀圖：二元箱線圖
4.6 耐抗線
4.7 平滑數(shù)據(jù)
4.8 中位數(shù)平滑
4.9 本章小結
第5章 統(tǒng)計推斷
5.1 極大似然估計
5.1.1 可視化似然函數(shù)
5.1.2 尋找極大似然估計
5.1.3 使用fitdistr函數(shù)
5.2 置信區(qū)間
5.3 假設檢驗
5.3.1 二項式檢驗
5.3.2 比例檢驗和卡方檢驗
5.3.3 基于正態(tài)分布檢驗：單樣本
5.3.4 基于正態(tài)分布檢驗：兩樣本
5.4 本章小結
第6章 線性回歸分析
6.1 簡單線性回歸模型
6.1.1 隨意選擇參數(shù)會發(fā)生什么
6.1.2 建立一個簡單線性回歸模型
6.1.3 ANOVA及置信區(qū)間
6.1.4 模型驗證
6.2 多元線性回歸模型
6.2.1 平均K個簡單線性回歸模型或建立一個多元回歸模型
6.2.2 建立一個多元線性回歸模型
6.2.3 多元線性回歸模型的ANOVA和置信區(qū)間
6.2.4 有用的殘差圖
6.3 回歸診斷
6.3.1 杠桿點
6.3.2 影響點
6.3.3 DFFITS 和DFBETAS
6.4 多重共線性問題
6.5 選擇模型
6.5.1 逐步選擇
6.5.2 基于準則的方法
6.6 本章小結
第7章 logistic回歸模型
7.1 二元回歸問題
7.2 probit回歸模型
7.3 logistic 回歸模型
7.4 模型驗證和診斷
7.4.1 廣義線性模型的殘差圖
7.4.2 廣義線性模型的影響點和控制點
7.5 接收操作曲線
7.6 德國的信用甄別數(shù)據(jù)集的logistic回歸
7.7 本章小結
第8章 正規(guī)化回歸模型
8.1 過度擬合問題
8.2 回歸樣條
8.2.1 基函數(shù)
8.2.2 分段線性回歸模型
8.2.3 自然三次樣條函數(shù)和一般的B樣條曲線
8.3 線性模型的嶺回歸
8.4 logistic回歸模型的嶺回歸
8.5 再看模型評估
8.6 本章小結
第9章 分類與回歸樹
9.1 遞歸劃分法
9.1.1 劃分數(shù)據(jù)
9.1.2 第一個樹
9.2 構造回歸樹
9.3 構造分類樹
9.4 德國信用數(shù)據(jù)集的分類樹
9.5 樹的修剪和完善
9.6 本章小結
第10章 分類與回歸樹及其他
10.1 分類與回歸樹的改進
10.2 Bagging
10.2.1 bootstrap算法
10.2.2 bagging算法
10.3 隨機森林
10.4 整合
10.5 本章小結
參考文獻
新書資訊