買這商品的人也買了...
-
深入淺出設計模式 (Head First Design Patterns)$880$695 -
$474R語言預測實戰 -
$474第一行代碼 : Android, 2/e -
超圖解 Arduino 互動設計入門, 3/e$680$578 -
$252菜鳥偵探挑戰數據分析 -
iOS App 程式開發與設計 ─ 規劃、開發,親手打造可實際上架的 App 程式$580$458 -
Swift 3自學力!圖解 146個 iOS App 開發範例,入門必備超直覺設計指南$420$332 -
Swift - AR 擴增實境與感應器開發$480$408 -
$356深入淺出深度學習:原理剖析與Python實踐 -
R 語言資料分析:從機器學習、資料探勘、文字探勘到巨量資料分析, 2/e$520$406 -
全能 Android 絕對正確培養聖經$720$612 -
TensorFlow + Keras 深度學習人工智慧實務應用$590$460 -
寫程式前就該懂的演算法 ─ 資料分析與程式設計人員必學的邏輯思考術 (Grokking Algorithms: An illustrated guide for programmers and other curious people)$390$308 -
R語言 -- 邁向 Big Data之路 (最新版)$580$493 -
Linux Shell 程式設計與管理實務, 3/e$690$538 -
最符合人腦的解讀方式:用 d3.js 完成網頁視覺化$540$459 -
認識資料科學的第一本書 (Data Analytics Made Accessible)$450$356 -
Python 初學特訓班 (增訂版) (附250分鐘影音教學/範例程式)$480$379 -
$796深度學習 -
實戰 TensorFlow|Google 深度學習系統$480$379 -
Deep Learning|用 Python 進行深度學習的基礎理論實作$580$458 -
Python 網路爬蟲實戰$490$245 -
SQL Server 與 R 開發實戰講堂$680$578 -
單元測試的藝術, 2/e (The Art of Unit Testing: with examples in C#, 2/e)$650$507 -
R 資料科學 (R for Data Science)$780$616
商品描述
●從使用者觀點出發,實務的角度論述,有系統地介紹R軟體在資料探勘預測分類的實務應用。
●內容詳細介紹不同套件函數在決策樹的使用方法、模型效度檢定法,決策樹與複迴歸分析、邏輯斯分析與區別分析的綜合應用。
●搭配範例解說,讓學習更能事半功倍。
●書籍內容適合大專院校學生、研究生,更適合對R軟體統計分析有興趣的研究者。
----------
《R軟體在決策樹的實務應用》為R軟體統計分析系列叢書之三,其內容接續《R軟體統計應用分析實務》、《R軟體統計進階分析實務》二本專書。書籍內容以使用者為導向的論述表達,詳細介紹R軟體在迴歸樹與預測分類的實務應用,內容兼顧理論與實務、函數與語法說明、統計方法使用與結果解析。內容所述可讓讀者快速熟悉R軟體在資料探勘之決策樹的使用,熟悉R軟體套件函數在預測分類的實務應用與知悉R軟體相關函數的功能。本書可作為統計相關課程的參考用書或資料處理的工具書。
目錄大綱
序言
Chapter 01 決策樹概論
Chapter 02 套件{rpart}函數rpart ( )
壹、rpart ( )函數
貳、函數rpart.control ( )
參、輸出函數
肆、資料框架物件
Chapter 03 迴歸樹
壹、迴歸樹模型建構
一、函數rpart ( )—建構迴歸樹模型
二、葉節點參數估計值
三、函數printcp ( )—輸出複雜度參數
四、函數post ( )—繪製迴歸樹圖形
五、函數rpart ( )引數參數的範例
六、函數labels ( )與函數path.rpart ( )的應用
七、函數rsq.rpart ( )—繪製差異分支漸進R平方圖
貳、適配迴歸樹模型殘差
參、套件{ggplot2}函數ggplot ( )的繪圖應用
肆、迴歸樹的修剪
伍、解釋變數為因子變數
Chapter 04 分類樹
壹、反應變數為三分類別變數
一、建構分類樹模型
二、繪製分類樹圖形
三、分類樹的殘差值
四、分類樹的分類路徑
五、分類樹的剪裁
六、分類樹的預測
貳、反應變數為二分類別變數
一、分類樹模型建構
二、分類樹分割路徑
三、分類樹圖形
四、分類樹殘差值
五、不同引數界定的分類樹
Chapter 05 決策樹的圖形繪製
壹、函數rpart.plot ( )
貳、函數prp ( )
一、繪製圖形基本引數
二、節點標記調整的引數
三、控制分支標記的引數
四、調整樹分支線的引數
參、繪圖函數應用
肆、解釋變數為因子變數的決策樹圖形繪製
伍、圖形決策樹的修剪
陸、套件{plotmo}函數plotmo ( )的應用
Chapter 06 複核效度驗證
壹、預測分類函數
貳、資料檔的分割預測
一、系統抽樣切割資料檔
二、隨機抽樣切割資料檔
三、分層隨機抽樣切割資料檔
參、反應變數為三分類別變數
一、單一效度檢定
二、平均效度檢定
肆、分層隨機抽樣函數
Chapter 07 k疊交互驗證法
壹、六疊效度驗證法
一、採用系統抽樣法
二、採用隨機抽樣法
貳、連續變數之分類樹的應用
一、分類樹模型建構
二、分類樹模型效度檢定
參、十疊交互驗證法
Chapter 08 套件{evtree}的函數應用
壹、函數evtree ( )語法
貳、函數應用
一、迴歸樹
二、分類樹
三、反應變數為多分類別變數
參、套件{evtree}函數predict ( )
一、分層隨機抽樣
二、系統抽樣 (有排序)
三、系統抽樣 (未排序)
四、大樣本決策樹的應用
Chapter 09 套件{partykit}的函數應用
壹、ctree ( )函數
貳、函數應用—迴歸樹
一、決策樹模型建構
二、分類準則設定
三、葉節點的差異比較
參、繪製決策樹圖函數plot ( )
肆、函數lmtree ( )與glmtree ( )
一、函數lmtree ( )的應用
二、函數glmtree ( )的應用
伍、分類樹的應用
一、適配分類樹模型I建構
二、繪製適配分類樹圖
三、適配分類樹模型II建構與繪製
陸、大樣本的應用
一、適配迴歸樹模型
二、適配分類樹模型
柒、預測函數predict ( )
Chapter 10 套件{RWeka}與套件{tree}的函數應用
壹、套件{RWeka}函數J48 ( )函數
一、函數J48 ( )語法
二、函數應用
三、效度檢定
貳、套件{tree}函數tree ( )
參、顯著性與決策樹關係
一、相關與迴歸樹
二、差異與分類樹
Chapter 11 複迴歸與迴歸樹
壹、基本套件lm ( )的函數應用
貳、套件{Blossom}函數ols ( )與lad ( )的應用
一、函數ols ( )
二、函數lad ( )
參、套件{psych}函數setCor ( )的應用
肆、套件{rms}函數ols ( )的應用
伍、迴歸樹
一、套件{GGally}相關矩陣圖函數
二、迴歸樹模型
三、解釋變數重要性檢核
四、迴歸樹預測效度
Chapter 12 邏輯斯迴歸分析與分類樹
壹、邏輯斯迴歸分析
一、資料框架物件解析
二、套件{radiant}函數logistic ( )的應用
三、套件{rms}函數lrm ( )的應用
貳、分類樹
一、套件{rpart}函數rpart ( )
二、套件{partykit}函數ctree ( )
三、套件{evtree}函數evtree ( )
參、套件{C50}函數C5.0 ( )的應用
肆、拔靴法分類樹
伍、套件{rpartScore}函數rpartScore ( )的應用
Chapter 13 區別分析與分類樹
壹、區別分析
一、套件{DiscriMiner}函數應用
二、套件{mda}函數fda ( )
三、套件{MASS}函數lda ( )
四、區別分析效度檢定
貳、分類樹
一、套件{rpart}函數rpart ( )
二、套件{partykit}函數ctree ( )
三、套件{evtree}函數evtree ( )
四、套件{Rweka}函數J48 ( )
五、套件{C50}函數C5.0 ( )
Chapter 14 函數與流程控制
壹、自訂函數
貳、迴圈(loop)
參、邏輯條件判別
肆、統計分析的應用
一、相關矩陣
二、t檢定的應用
三、單因子變異數分析的應用
伍、決策樹的應用
陸、決策樹向度變數
Chapter 15 RStudio整合發展環境
壹、RStudio整合開發環境界面與專案
貳、智慧型自動完成指令
參、編輯器語法指令的執行
肆、各種選項的設定
伍、套件安裝與載入
陸、外部資料檔匯入
