R語言商業(yè)分析實戰(zhàn)

目    錄

第1章  商業(yè)分析簡介 1

1.1  本書目的 3

1.2  容易混淆的術語 3

1.3  商業(yè)分析的發(fā)展動因 4

1.3.1  計算機軟件包和應用程序的增長 5

1.3.2  整合各種數(shù)據(jù)源的可行性 5

1.3.3  無限存儲和計算能力的增長 6

1.3.4  簡單易用的編程工具和平臺 6

1.3.5  競爭激烈世界中的生存與發(fā)展 6

1.3.6  全球化商業(yè)的復雜性 6

1.4  商業(yè)分析的應用 6

1.4.1  市場營銷與銷售 7

1.4.2  人力資源 7

1.4.3  產(chǎn)品設計 7

1.4.4  服務設計 8

1.4.5  客戶服務和支持范圍 8

1.5  商業(yè)分析師的必備技能 8

1.5.1  理解商業(yè)和商業(yè)問題 8

1.5.2  理解數(shù)據(jù)分析技術和算法 9

1.5.3  具備良好的計算機編程知識 9

1.5.4  理解數(shù)據(jù)結構和數(shù)據(jù)存儲/倉儲技術 9

1.5.5  了解統(tǒng)計學和數(shù)學的相關概念知識 9

1.6  商業(yè)分析項目的分析過程 10

1.7  商業(yè)分析框架 11

1.8  小結 12

第2章  R語言概述 13

2.1  數(shù)據(jù)分析工具 13

2.2  R語言安裝 16

2.2.1  安裝R語言 16

2.2.2  安裝RStudio 17

2.2.3  探索RStudio界面 18

2.3  R編程基礎 19

2.3.1  賦值 20

2.3.2  創(chuàng)建向量 21

2.4  R語言對象類型 21

2.5  R語言的數(shù)據(jù)結構 23

2.5.1  矩陣 23

2.5.2  數(shù)組 24

2.5.3  數(shù)據(jù)框 26

2.5.4  列表 27

2.5.5  因子 28

2.6  小結 29

第3章  R語言數(shù)據(jù)分析 31

3.1  讀寫數(shù)據(jù) 31

3.1.1  從文本文件讀取數(shù)據(jù) 32

3.1.2  從Microsoft Excel文件讀取數(shù)據(jù) 35

3.1.3  從Web讀取數(shù)據(jù) 37

3.2  在R語言中使用控制結構 37

3.2.1  if-else 38

3.2.2  for循環(huán) 39

3.2.3  while循環(huán) 39

3.2.4  循環(huán)功能 40

3.2.5  在R語言中自編函數(shù) 47

3.3  使用R語言軟件包和庫 48

3.4  小結 49

第4章  描述性分析概述 51

4.1  描述性分析 54

4.2  總體和樣本 54

4.3  有關的統(tǒng)計參數(shù) 55

4.3.1  均值 55

4.3.2  中位數(shù) 57

4.3.3  眾數(shù) 59

4.3.4  全距 59

4.3.5  分位數(shù) 60

4.3.6  標準差（Standard Deviation） 61

4.3.7  方差（Variance） 64

4.3.8  R語言的summary命令 64

4.4  數(shù)據(jù)的圖形描述 65

4.4.1  R語言的plot命令 65

4.4.2  直方圖 67

4.4.3  條形圖 68

4.4.4  箱線圖 68

4.5  數(shù)據(jù)框計算 69

4.6  概率 73

4.6.1  互斥事件的概率 74

4.6.2  相互獨立事件的概率 74

4.6.3  非互斥事件概率 75

4.6.4  概率分布 75

4.7  小結 77

第5章  商業(yè)分析過程與數(shù)據(jù)探索 79

5.1  商業(yè)分析過程 79

5.1.1  第一階段：理解商業(yè)問題 79

5.1.2  第二階段：收集和整合數(shù)據(jù) 79

5.1.3  第三階段：預處理數(shù)據(jù) 80

5.1.4  第四階段：探索和可視化數(shù)據(jù) 80

5.1.5  第五階段：選擇建模技術和算法 81

5.1.6  第六階段：評估模型 81

5.1.7  第七階段：管理和審查報告 81

5.1.8  第八階段：部署模型 81

5.2  理解商業(yè)問題 82

5.3  收集和整合數(shù)據(jù) 82

5.3.1  抽樣 83

5.3.2  變量選擇 84

5.4  預處理數(shù)據(jù) 85

5.4.1  數(shù)據(jù)類型 85

5.4.2  數(shù)據(jù)準備 86

5.4.3  使用R語言進行數(shù)據(jù)預處理 87

5.5  數(shù)據(jù)探索和數(shù)據(jù)可視化 91

5.5.1  表格 92

5.5.2  匯總表 92

5.5.3  圖形 93

5.5.4  散點圖矩陣 97

5.5.5  數(shù)據(jù)轉換 101

5.6  使用建模技術和算法 102

5.6.1  描述性分析 103

5.6.2  預測分析 103

5.6.3  機器學習 103

5.7  評估模型 106

5.7.1  訓練數(shù)據(jù)分區(qū) 106

5.7.2  測試數(shù)據(jù)分區(qū) 106

5.7.3  驗證數(shù)據(jù)分區(qū) 107

5.7.4  交叉驗證 107

5.7.5  分類模型評估 108

5.7.6  回歸模型評估 111

5.8  提交管理報告和審查 112

5.8.1  描述問題 112

5.8.2  使用的數(shù)據(jù)集 112

5.8.3  執(zhí)行數(shù)據(jù)清洗 112

5.8.4  創(chuàng)建模型的方法 112

5.8.5  模型部署前提條件 113

5.8.6  模型部署和使用 113

5.8.7  問題處理 113

5.9  部署模型 113

5.10  小結 114

第6章  監(jiān)督機器學習：分類 115

6.1  什么是分類？什么是預測？ 115

6.2  概率分類器模型 116

6.2.1  示例 117

6.2.2  R語言樸素貝葉斯分類器 118

6.2.3  樸素貝葉斯分類器的優(yōu)點和局限性 119

6.3  決策樹 120

6.3.1  遞歸分割決策樹算法 121

6.3.2  信息增益 121

6.3.3  決策樹示例 123

6.3.4  決策樹歸納 124

6.3.5  樹分類規(guī)則 127

6.3.6  過擬合和欠擬合 127

6.3.7  偏差和方差（Bias and Variance） 128

6.3.8  避免過擬合誤差和確定決策樹生長的規(guī)模 129

6.4  其他分類器類型 131

6.4.1  K-最近鄰 131

6.4.2  隨機森林 132

6.5  R語言分類示例 134

6.6  小結 138

第7章  無監(jiān)督機器學習 139

7.1  聚類概述 139

7.2  什么是聚類 140

7.2.1  兩個記錄之間的測量方法 141

7.2.2  分類變量的距離度量 142

7.2.3  混合型數(shù)據(jù)的距離度量 142

7.2.4  兩個聚類之間的距離 143

7.3  層次聚類 145

7.3.1  樹狀圖 145

7.3.2  層次聚類的局限性 145

7.4  非層次聚類 146

7.4.1  k-means算法 146

7.4.2  k-means聚類的局限性 147

7.5  聚類案例研究 148

7.5.1  僅保留數(shù)據(jù)集中的相關變量 149

7.5.2  從數(shù)據(jù)集中刪除任何異常值 149

7.5.3  數(shù)據(jù)歸一化（Standardize the Data） 150

7.5.4  計算數(shù)據(jù)點之間的距離 150

7.6  關聯(lián)規(guī)則 157

7.6.1  選擇規(guī)則 158

7.6.2  關聯(lián)規(guī)則生成示例 160

7.6.3  解讀結果 161

7.7  小結 162

第8章  簡單線性回歸分析 163

8.1  概述 163

8.2  相關性 164

8.3  假設檢驗 167

8.4  簡單線性回歸分析 168

8.4.1  回歸假設 168

8.4.2  簡單線性回歸方程 168

8.4.3  R語言創(chuàng)建簡單回歸方程 169

8.4.4  檢驗回歸假設 171

8.4.5  結論 176

8.4.6  預測響應變量 176

8.4.7  補充說明 177

8.5  小結 178

第9章  多元線性回歸分析 179

9.1  使用多元線性回歸分析 180

9.1.1  數(shù)據(jù) 181

9.1.2  相關性 181

9.1.3  構建模型 182

9.1.4  驗證回歸假設 184

9.1.5  多重共線性 188

9.1.6  逐步多元線性回歸分析 190

9.1.7  全子集多元線性回歸分析 191

9.1.8  多元線性回歸方程 193

9.1.9  結論 193

9.2  R語言的替代方法 193

9.3  預測響應變量 194

9.4  訓練和測試模型 195

9.5  交叉驗證 196

9.6  小結 198

第10章  邏輯回歸分析 201

10.1  邏輯回歸 202

10.1.1  數(shù)據(jù) 203

10.1.2  構建模型 204

10.1.3  模型擬合驗證 207

10.1.4  一般注意事項 208

10.1.5  多重共線性 208

10.1.6  離散 209

10.1.7  邏輯回歸分析結論 209

10.2  模型訓練和測試 209

10.2.1  預測響應變量 211

10.2.2  驗證邏輯回歸模型的其他替代方法 212

10.3  多項邏輯回歸分析 213

10.4  正則化 214

10.5  小結 220

第11章  大數(shù)據(jù)分析：介紹及未來趨勢 221

11.1  大數(shù)據(jù)生態(tài)系統(tǒng) 222

11.2  大數(shù)據(jù)分析的未來趨勢 225

11.2.1  發(fā)展壯大的社交媒體 225

11.2.2  創(chuàng)建數(shù)據(jù)湖 225

11.2.3  企業(yè)用戶手中的可視化工具 225

11.2.4  規(guī)范性分析 225

11.2.5  物聯(lián)網(wǎng) 226

11.2.6  人工智能 226

11.2.7  全數(shù)據(jù)處理 226

11.2.8  數(shù)據(jù)垂直應用和橫向應用 226

11.2.9  實時分析 226

11.2.10  將數(shù)據(jù)分析工具交由企業(yè)用戶使用 227

11.2.11  將解決方案從一個工具遷移到另一個工具 227

11.2.12  云無處不在 227

11.2.13  數(shù)據(jù)庫內(nèi)分析 227

11.2.14  內(nèi)存分析 228

11.2.15  機器學習的自主服務 228

11.2.16  安全和合規(guī)性 228

11.2.17  醫(yī)療保健 228

引用 95

第4章  制作自動機器車 97

自動系統(tǒng)介紹 97

介紹移動機器人 99

搭建機器車 100

DIY機器人平臺 100

集成的機器人平臺 102

使用Pololu Zumo robot for Arduino 104

用計算機控制機器車 109

使用GPS模塊導航 117

介紹地圖引擎平臺 124

制作基于GPS的小車 128

制作自動機器車 130

總結 131

引用 131

第5章  在物聯(lián)網(wǎng)項目中添加語音技術 133

語音技術介紹 133

聲音傳感器和驅動器介紹 134

語音技術的模式識別介紹 143

介紹語音和聲音模塊 143

為物聯(lián)網(wǎng)項目增加語音控制 145

設置EasyVR shield 3 145

創(chuàng)建語音命令 148

給語音板布線 151

編寫Sketch程序 151

測試 157

讓IoT板說話 157

設置 157

布線 157

編寫Sketch程序 158

測試 159

讓Raspberry Pi說話 159

設置 159

編寫Python程序 162

下一步是什么？ 163

總結 163

引用 163

第6章  為物聯(lián)網(wǎng)項目搭建數(shù)據(jù)云 165

對云技術的介紹 165

介紹基于云的數(shù)據(jù)科學 166

連接IoT板到云服務器 167

微軟Azure IoT 167

亞馬遜AWS IoT 168

Arduino云 168

使用微軟Azure IoT Hub 180

設置微軟Azure IoT Hub 180

注冊IoT設備 182

編寫程序 186

構建科學型云平臺 192

部署Azure機器學習 193

發(fā)布到Azure ML作為Web服務 194

構建帶有科學型數(shù)據(jù)云的IoT應用 196

總結 196

引用 197