编辑推荐
《精通机器学习：基于R（第2版）》使用R语言讲述机器学习高级技术，带领读者深入研究统计学习理论和监督式学习，理解如何设计高效算法，学习构建推荐引擎，运用多类分类和深度学习，等等。通过探索数据挖掘、分类、聚类、回归、预测建模、异常检测等，《精通机器学习：基于R（第2版）》帮助读者理解这些概念的工作原理和能够实现的操作。读者将循序渐进地学习神经网络等主题，探索深度学习等内容。通过不同方式使用不同的数据集，读者还可以在AWS等云平台上利用R亲手实践机器学习。内容简介
机器学习是近年来的热门技术话题，R语言是处理其中大量数据的有力工具。《精通机器学习：基于R（第2版）》为读者提供机器学习和R语言的坚实算法基础和业务基础，内容包括机器学习基本概念、线性回归、逻辑回归和判别分析、线性模型的高级选择特性、K*近邻和支持向量机等，力图平衡实践中的技术和理论两方面。
《精通机器学习：基于R（第2版）》适合试图理解和表述机器学习算法的IT人士、想在分析中发挥R强大威力的统计学专家。即使是同时精通IT技术和统计学的读者，在《精通机器学习：基于R（第2版）》中仍然可以发现一些有用的窍门和技巧。作者简介
CoryLeismester
具有十多年量化管理经验，目前在银行业担任高级量化管理经理，负责构建市场营销和监管模型。曾在礼来公司任职16年，负责销售、市场调查、精益六西格玛、营销分析、新产品预测等工作。目录
第1章成功之路1
1．1流程1
1．2业务理解2
1．2．1确定业务目标3
1．2．2现状评估4
1．2．3确定分析目标4
1．2．4建立项目计划4
1．3数据理解4
1．4数据准备5
1．5建模5
1．6评价6
1．7部署6
1．8算法流程图7
1．9小结10
第2章线性回归：机器学习基础技术11
2．1单变量回归11
2．2多变量线性回归18
2．2．1业务理解18
2．2．2数据理解和数据准备18
2．2．3模型构建与模型评价21
2．3线性模型中的其他问题30
2．3．1定性特征30
2．3．2交互项32
2．4小结34
第3章逻辑斯蒂回归与判别分析35
3．1分类方法与线性回归35
3．2逻辑斯蒂回归36
3．2．1业务理解36
3．2．2数据理解和数据准备37
3．2．3模型构建与模型评价41
3．3判别分析概述46
3．4多元自适应回归样条方法50
3．5模型选择54
3．6小结57
第4章线性模型中的高级特征选择技术58
4．1正则化简介58
4．1．1岭回归59
4．1．2LASSO59
4．1．3弹性网络60
4．2商业案例60
4．2．1业务理解60
4．2．2数据理解和数据准备60
4．3模型构建与模型评价65
4．3．1*优子集65
4．3．2岭回归68
4．3．3LASSO71
4．3．4弹性网络73
4．3．5使用glmnet进行交叉验证76
4．4模型选择78
4．5正则化与分类问题78
4．6小结81
第5章更多分类技术：K-*近邻与
支持向量机82
5．1K-*近邻82
5．2支持向量机84
5．3商业案例86
5．3．1业务理解86
5．3．2数据理解和数据准备87
5．3．3模型构建与模型评价92
5．3．4模型选择98
5．4SVM中的特征选择100
5．5小结101
第6章分类回归树103
6．1本章技术概述103
6．1．1回归树104
6．1．2分类树104
6．1．3随机森林105
6．1．4梯度提升106
6．2商业案例106
6．2．1模型构建与模型评价107
6．2．2模型选择121
6．2．3使用随机森林进行特征选择121
6．3小结123
第7章神经网络与深度学习124
7．1神经网络介绍124
7．2深度学习简介128
深度学习资源与高级方法130
7．3业务理解131
7．4数据理解和数据准备132
7．5模型构建与模型评价136
7．6深度学习示例139
7．6．1H2O背景介绍139
7．6．2将数据上载到H2O平台140
7．6．3建立训练数据集和测试
数据集141
7．6．4模型构建142
7．7小结146
第8章聚类分析147
8．1层次聚类148
8．2K-均值聚类149
8．3果瓦系数与围绕中心的划分150
8．3．1果瓦系数150
8．3．2PAM151
8．4随机森林151
8．5业务理解152
8．6数据理解与数据准备152
8．7模型构建与模型评价155
8．7．1层次聚类155
8．7．2K-均值聚类162
8．7．3果瓦系数和PAM165
8．7．4随机森林与PAM167
8．8小结168
第9章主成分分析169
9．1主成分简介170
9．2业务理解173
9．3模型构建与模型评价176
9．3．1主成分抽取176
9．3．2正交旋转与解释177
9．3．3根据主成分建立因子得分178
9．3．4回归分析178
9．4小结184
*10章购物篮分析、推荐引擎与
序列分析185
10．1购物篮分析简介186
10．2业务理解187
10．3数据理解和数据准备187
10．4模型构建与模型评价189
10．5推荐引擎简介192
10．5．1基于用户的协同过滤193
10．5．2基于项目的协同过滤194
10．5．3奇异值分解和主成分分析194
10．6推荐系统的业务理解198
10．7推荐系统的数据理解与数据准备198
10．8推荐系统的建模与评价200
10．9序列数据分析208
10．10小结214
*11章创建集成多类分类215
11．1集成模型215
11．2业务理解与数据理解216
11．3模型评价与模型选择217
11．4多类分类219
11．5业务理解与数据理解220
11．6模型评价与模型选择223
11．6．1随机森林224
11．6．2岭回归225
11．7MLR集成模型226
11．8小结228
*12章时间序列与因果关系229
12．1单变量时间序列分析229
12．2业务理解235
12．3模型构建与模型评价240
12．3．1单变量时间序列预测240
12．3．2检查因果关系243
12．4小结249
*13章文本挖掘250
13．1文本挖掘框架与方法250
13．2主题模型252
13．3业务理解254
13．4模型构建与模型评价257
13．4．1词频分析与主题模型257
13．4．2其他定量分析261
13．5小结267
*14章在云上使用R语言268
14．1创建AWS账户269
14．1．1启动虚拟机270
14．1．2启动Rstudio272
14．2小结274
附录AR语言基础275
