出版社： 机械工业出版社
ISBN：9787111553540
版次：1
商品编码：12117860
品牌：机工出版
包装：平装
丛书名： 数据科学与工程技术丛书
开本：16开
出版时间：2017-01-01
用纸：胶版纸
页数：243
具体描述
内容简介
R提供了一个免费、开源的环境，这对于学习预测建模以及在真实环境下部署解决方案是很理想的。随着不断增长的社区和大量扩展包的出现，R提供了一个应对一系列问题的切实解决方案。本书可以作为学习预测建模基础知识的指南和参考读物。本书的开篇是关于模型术语和预测建模过程的一个专门章节。后续的每个章节会讲解具体的一类模型（例如神经网络），并把重点放在三个重要问题上：模型如何工作，如何利用R语言训练模型，以及如何利用实际环境下的数据集来衡量和评估模型的性能。通过阅读本书，读者将利用实际环境下的数据集探讨和测试流行的建模技术，并掌握多种预测分析领域的技术。目录
译者序前 言
第1章 准备预测建模1
1.1 模型1
1.1.1 从数据中学习2
1.1.2 模型的核心组成部分5
1.1.3 我们的第一个模型：k近邻5
1.2 模型的类型7
1.2.1 有监督、无监督、半监督和强化学习模型7
1.2.2 参数化和非参数化模型8
1.2.3 回归和分类模型8
1.2.4 实时和批处理机器学习模型9
1.3 预测建模的过程9
1.3.1 定义模型的目标9
1.3.2 收集数据10
1.3.3 选取模型11
1.3.4 数据的预处理12
1.3.5 特征工程和降维19
1.3.6 训练和评估模型22
1.3.7 重复尝试不同模型及模型的最终选择25
1.3.8 部署模型25
1.4 性能衡量指标25
1.4.1 评估回归模型26
1.4.2 评估分类模型26
1.5 小结30
第2章 线性回归31
2.1 线性回归入门31
2.2 简单线性回归33
2.3 多元线性回归36
2.3.1 预测CPU性能37
2.3.2 预测二手汽车的价格38
2.4 评估线性回归模型40
2.4.1 残差分析42
2.4.2 线性回归的显著性检验45
2.4.3 线性回归的性能衡量指标47
2.4.4 比较不同的回归模型49
2.4.5 在测试集上的性能50
2.5 线性回归的问题51
2.5.1 多重共线性51
2.5.2 离群值52
2.6 特征选择53
2.7 正则化55
2.7.1 岭回归55
2.7.2 最小绝对值收缩和选择算子56
2.7.3 在R语言里实现正则化57
2.8 小结59
第3章 逻辑回归61
3.1 利用线性回归进行分类61
3.2 逻辑回归入门63
3.2.1 广义线性模型63
3.2.2 解释逻辑回归中的系数64
3.2.3 逻辑回归的假设65
3.2.4 最大似然估计65
3.3 预测心脏病66
3.4 评估逻辑回归模型69
3.4.1 模型的偏差70
3.4.2 测试集的性能73
3.5 利用lasso进行正则化73
3.6 分类指标74
3.7 二元逻辑分类器的扩展76
3.7.1 多元逻辑回归76
3.7.2 有序逻辑回归80
3.8 小结83
第4章 神经网络84
4.1 生物神经元84
4.2 人工神经元85
4.3 随机梯度下降86
4.3.1 梯度下降和局部极小值88
4.3.2 感知器算法88
4.3.3 线性分离91
4.3.4 逻辑神经元92
4.4 多层感知器网络92
4.5 预测建筑物的能源效率95
4.6 重新进行玻璃类型预测99
4.7 预测手写数字102
4.8 小结106
第5章 支持向量机108
5.1 最大边缘分类108
5.2 支持向量分类111
5.3 核和支持向量机113
5.4 预测化学品的生物降解115
5.5 交叉验证118
5.6 预测信用评分120
5.7 用支持向量机进行多类别分类123
5.8 小结123
第6章 树形方法124
6.1 树形模型的直观印象124
6.2 训练决策树的算法126
6.2.1 分类和回归树126
6.2.2 回归模型树131
6.2.3 CART分类树131
6.2.4 C5.0133
6.3 在合成的二维数据上预测类别归属关系134
6.4 预测纸币的真实性136
6.5 预测复杂的技能学习138
6.5.1 在CART树里对模型参数进行调优140
6.5.2 树模型中的变量重要性141
6.5.3 回归模型树实用示例142
6.6 小结143
第7章 集成方法144
7.1 装袋144
7.1.1 边缘和袋外观测数据145
7.1.2 用装袋预测复杂技能学习146
7.1.3 用装袋预测心脏病146
7.1.4 装袋的局限性150
7.2 增强151
7.3 预测大气中伽马射线的辐射152
7.4 利用增强算法预测复杂技能学习156
7.5 随机森林157
7.6 小结159
第8章 概率图模型161
8.1 图论入门161
8.2 贝叶斯定理163
8.3 条件性独立163
8.4 贝叶斯网络164
8.5 朴素贝叶斯分类器165
8.6 隐马尔可夫模型172
8.7 预测启动子基因序列174
8.8 预测英语单词里的字母特征179
8.9 小结182
第9章 时间序列分析184
9.1 时间序列的基本概念184
9.2 一些基本的时间序列185
9.2.1 白噪声185
9.2.2 随机漫步187
9.3 平稳性188
9.4 平稳时间序列模型189
9.4.1 移动平均模型189
9.4.2 自回归模型192
9.4.3 自回归移动平均模型193
9.5 非平稳时间序列模型194
9.5.1 整合自回归移动平均模型194
9.5.2 自回归条件异方差模型195
9.5.3 广义自回归条件异方差模型195
9.6 预测强烈地震196
9.7 预测猞猁的诱捕199
9.8 预测外汇汇率200
9.9 其他时间序列模型202
9.10 小结203
第10章 主题建模204
10.1 主题建模概况204
10.2 隐含狄式分布205
10.2.1 狄式分布205
10.2.2 生成过程208
10.2.3 拟合LDA模型209
10.3 对在线新闻报道的主题进行建模210
10.3.1 模型稳定性215
10.3.2 找出主题数量216
10.3.3 主题分布217
10.3.4 单词分布219
10.3.5 LDA扩展模型220
10.4 小结220
第11章 推荐系统222
11.1 评分矩阵222
11.2 协同过滤225
11.2.1 基于用户的协同过滤225
11.2.2 基于商品的协同过滤228
11.3 奇异值分解228
11.4 R语言和大数据231
11.5 预测电影和笑话的推荐232
11.6 加载和预处理数据233
11.7 对数据进行探索234
11.7.1 评估二元的top-N推荐236
11.7.2 评估非二元的top -N推荐239
11.7.3 评估每种预测方法241
11.8 推荐系统的其他方法242
11.9 小结243
前言/序言
预测分析以及更一般意义上的数据科学当前正处于被追捧的热潮中，因为像垃圾邮件过滤、单词补全和推荐引擎这样的预测性技术已经被广泛运用于日常生活。这些技术现在不仅越来越被我们所熟悉，还赢得了我们的信任。在计算机处理能力和软件方面（例如R语言及其大量专用的扩展包）的发展产生了这样的局面：用户经过培训就可以使用这些工具，而无需具备统计学的高级学位，也不需要使用公司或大学实验室专用的硬件。技术的成熟度和基础软硬件的可用性结合起来，让很多该领域的从业者倍感兴奋，他们感到可以为自己的领域和业务设计一些能产生重要影响的工具，事实也确实如此。与此同时，很多新进入该领域的人士很快发现其中有很多陷阱需要克服。实际上，没有哪个学位足以把一位学生或从业者训练为成功的预测建模者。该领域依赖于很多学科，例如计算机科学、数学和统计学。当前，进入该领域的人们不仅只在其中的一门学科有比较强的背景，还往往会比较专精于其他学科。在给研究生和从业者们讲授了有关本书材料的几次课程之后，我发现学员们反复表达的两个最大担忧是对编程和数学的恐惧。有意思的是，对这两者的表达几乎总是互斥的。预测分析学实际上是一种实践性的学科，但同时也是一种具备较强理论基础的学科，这些理论基础的知识对于从业者是很关键的。因此，掌握预测分析需要一系列不同的技能，从编写良好的软件到实现一种新技术或对数据进行预处理，再到理解某个模型的假设条件，如何有效地训练该模型，如何对该模型出现的问题进行诊断，以及如何调整模型的参数以获得更好的结果。
讨论到这里，很自然地会反向思考预测分析学作为一个领域实际会覆盖的内容。事实上，该领域和机器学习、数据挖掘、商业分析学、数据科学等其他相关领域的边界是比较模糊的。本书中会用到的定义非常宽泛。对于本书的主题而言，预测分析学是一个领域，它利用数据建立模型来预测未来我们感兴趣问题的结果。当然，它和机器学习领域会有很大的重叠，机器学习更多地研究从数据中学习的程序和算法。这种重叠的情况对于数据挖掘（以从数据中提取知识和模式为目标）也同样成立。数据科学正在迅速成为覆盖所有这些领域的综合术语，它还包括了其他主题，例如呈现数据分析结果的信息可视化，围绕在实际环境中部署模型的业务概念，以及数据管理。本书会着重于机器学习，但我们不会覆盖学习可行性的理论探索，也不会讲解着眼于从无特定预测目标的数据中寻找模式和聚类的无监督学习方法。取而代之，我们会探索像时间序列这样的一些主题，通常在机器学习的教材里不会讲解它们。
无论对于学习预测分析学还是解决实际环境中的问题，R语言都是一个优秀的平台。它是一个开源项目，有一个持续快速增长的用户社区。在编写本书时，它和Python是全世界数据科学家最常用的两种语言。它有很多适用于不同建模技术和应用领域的扩展包，其中很多可以通过连接到Comprehensive R Archive Network (CRAN)从R语言平台本身直接获取。该语言还有很多在线资源，从教程到在线课程都包含在内。我们尤其要提到优秀的交叉验证式论坛以及R-bloggers 网站，该网站包含了大量来自不同博客的关于R语言应用的文章。对于那些对R语言有点生疏的读者，我们提供了一个免费在线教程章节，它是从我们在AUEB学生的课程讲义演化而来的。
本书的主要任务是在（强调直觉及实践而不是理论的）低端入门教程和（专注于数学、细节和严谨性的）高端学术教材之间的鸿沟上架起桥梁。另一个同等重要的目标是给读者灌输一些良好的实践经验，比如学习如何适当地测试和评估一个模型。我们还要强调一些重要的概念，例如偏误-方差权衡和过拟合，这些概念在预测建模中是普遍存在的，并会在不同模型中以多种形式反复出现。
从编程的角度来说，虽然我们假定你已经熟悉R语言，不过还是会详细解释并讨论每个代码示例，以便读者提高他们的自信心，循序渐进。尽管如此，在学习的过程中，或者至少在转到下一章之前，实际运行代码的重要性是如何强调都不为过的。为了尽可能让这个过程顺利进行，我们已经为教材中的所有章节提供了代码文件，其中包含了教材中所有的代码示例。此外，我们还在很多地方编写了自己对于特定技术的简单实现方法。典型的两个示例是第4章里的口袋感知器算法和第7章的AdaBoost自适应增强方法。在某种程度上，这么做是为了鼓励用户学习如何编写他们自己的函数，而不是完全依赖于已有的实现方法，因为并不是所有方法都有现成的函数可用。
重现能力是数据分析的一项关键技能，而且它并不限于教育领域。因此，我们大量使用了可自由获取的数据集并尽力在需要随机数生成器的地方运用特定的种子值。最后，我们尽可能尝试利用相对小规模的数据集，以确保读者在阅读本书时运行代码不需要等待太长的时间或被迫寻求更好的硬件。我们要提醒你，在真实世界里，耐心是一种非常有益的美德，因为你感兴趣的大部分数据集会比我们学习本书时用到的更大。
每章的结尾是两个或多个实际的建模案例
《洞见未来：数据驱动的决策之道》 书籍简介 在这个信息爆炸的时代，数据已不再仅仅是冰冷的数字，而是蕴藏着无限价值的宝藏。如何从浩瀚的数据海洋中挖掘出有价值的洞见，如何利用这些洞见来预测未来趋势，从而做出更明智、更具前瞻性的决策，已成为个人、企业乃至社会发展的关键。本书《洞见未来：数据驱动的决策之道》正是应运而生，它将引领您踏上一段探索数据潜能、掌握预测智慧的旅程。 本书并非一本枯燥的技术手册，而是一部旨在帮助读者理解并掌握数据预测核心思想与实践方法的指南。我们深知，数据预测的核心价值在于其指导性和应用性。因此，本书将力求以清晰易懂的语言，结合大量贴近实际的案例，为您层层剥开数据预测的神秘面纱。 核心理念：从数据到洞见，再到决策 《洞见未来》的核心理念在于构建一个完整的“数据-洞见-决策”闭环。我们坚信，任何预测的最终目的并非为了预测本身，而是为了驱动有效的决策。因此，本书的结构设计紧密围绕这一理念展开。 第一部分：数据思维的基石 我们首先将为您奠定坚实的数据思维基础。这部分将深入探讨： 数据的本质与价值： 什么是真正有价值的数据？我们如何辨别和收集高质量的数据？数据在现代社会中的角色和重要性将通过生动的阐述得以体现。 数据探索与理解： 在进行任何预测之前，深入理解数据的内在规律至关重要。我们将介绍数据探索性分析（EDA）的通用方法，包括数据清洗、缺失值处理、异常值检测、数据可视化等关键步骤。这些技术不仅是预测的前提，更是理解业务场景、发现潜在问题的利器。 变量的重要性： 影响预测结果的因素多种多样，它们被称为“特征”或“变量”。我们将探讨如何识别、选择和构建有效的预测变量，理解变量之间的关系，以及避免“伪相关”陷阱。 预测任务的定义： 不同的业务场景需要不同的预测方法。我们将梳理常见的预测任务类型，例如分类（预测一个事件是否会发生）、回归（预测一个连续的数值）、时间序列预测（预测未来的数值趋势）等，并阐述它们各自的应用领域。 第二部分：预测的艺术与科学 这一部分是本书的核心，我们将系统介绍各种主流的预测技术，并强调其背后的逻辑和应用场景。我们将避免过度强调复杂的数学公式，而是侧重于概念的理解、方法的选择以及结果的解读。 经典统计预测方法： 线性回归与多元回归： 掌握最基础但也最强大的预测工具，理解线性关系如何被量化和利用。我们将探讨模型假设、系数解释以及如何评估模型性能。 逻辑回归： 专用于分类问题的强大工具，我们将解释其原理，以及如何用于预测二元结果，如客户流失、欺诈检测等。 时间序列分析： 针对具有时间顺序的数据，我们将介绍ARIMA、指数平滑等经典方法，用于捕捉数据中的趋势、季节性和周期性，并进行未来值的预测。 机器学习驱动的预测： 决策树与随机森林： 以直观易懂的方式理解决策树如何进行预测，并进一步学习随机森林如何通过集成多个决策树来提高预测精度和鲁棒性。 支持向量机（SVM）： 探索SVM在分类和回归问题中的独特优势，以及其在高维空间中的强大处理能力。 集成学习方法（如梯度提升）： 介绍XGBoost、LightGBM等现代集成学习算法，它们在各类预测竞赛和实际应用中屡获殊荣，我们将解析其高效性和高精度是如何实现的。 神经网络与深度学习入门： 对于更复杂的数据模式，我们将初步介绍神经网络的基本原理，以及深度学习在图像、文本等领域预测中的潜力，为读者打开进一步探索的窗口。 模型评估与选择： 预测模型的优劣不在于其复杂程度，而在于其预测的准确性和业务的适用性。我们将详细讲解各种评估指标，如准确率、召回率、F1分数、均方根误差（RMSE）、平均绝对误差（MAE）等，并指导读者如何根据具体业务目标选择最合适的模型。交叉验证、留出法等模型选择策略也将得到深入阐述。 第三部分：预测的实践与落地 理论的知识最终需要通过实践来检验和升华。本部分将聚焦于如何将预测模型有效地应用于实际业务场景，并实现价值。 数据预处理的艺术： 实际数据往往充满噪声和不完整。我们将提供更深入的数据清洗、特征工程（例如，如何从日期中提取星期几、月份等信息，如何对文本进行处理以提取有用的特征）的实用技巧，以及如何应对数据不平衡问题。 特征工程的创新： 好的特征可以极大地提升模型的预测能力。我们将引导读者思考如何结合业务知识，创造出更具预测力的特征。 模型部署与监控： 训练好的模型需要被部署到生产环境中才能发挥作用。我们将讨论模型部署的基本流程，以及如何对模型进行持续监控，以应对数据漂移和性能下降等问题。 解释性预测（XAI）： 理解模型“为何”做出某个预测，对于建立信任、改进模型以及满足合规性要求至关重要。我们将介绍一些模型解释的技术，帮助读者理解模型内部的决策逻辑。 案例研究与行业应用： 书中将穿插大量来自不同行业的真实案例，例如： 市场营销： 预测客户购买行为，优化广告投放，个性化推荐。 金融领域： 信用评分、欺诈检测、股票价格预测。 零售行业： 需求预测、库存管理、销售预测。 医疗健康： 疾病风险预测、患者预后分析。 运营管理： 设备故障预测、生产线优化。 这些案例将帮助读者将书中所学知识与实际工作相结合，激发解决实际问题的灵感。 第四部分：进阶探索与未来趋势 我们不会止步于当前的技术，还将展望数据预测的未来发展。 大数据环境下的预测： 探讨如何处理和分析海量数据，以及分布式计算框架的应用。 实时预测： 了解如何构建能够进行即时预测的系统，以应对快速变化的市场环境。 自动化机器学习（AutoML）： 介绍如何利用AutoML工具来自动化模型的选择、调优和训练过程，提高效率。 伦理与偏见： 探讨在数据预测过程中可能出现的伦理问题和算法偏见，以及如何采取措施来减轻这些风险。 本书特色 理论与实践并重： 我们在讲解理论概念的同时，会强调其在实际问题中的应用，并提供清晰的实施步骤。 循序渐进，由浅入深： 从最基础的数据概念讲起，逐步深入到复杂的预测模型，确保不同背景的读者都能理解。 案例丰富，贴近现实： 大量真实的商业案例，帮助读者理解预测技术的价值和应用场景。 强调“为何”和“如何”： 不仅告诉读者“做什么”，更重要的是解释“为什么”这么做，以及“如何”做得更好。 数据驱动的思维培养： 引导读者树立用数据解决问题的思维模式，提升分析和决策能力。 谁适合阅读此书？ 本书适合所有对数据预测感兴趣的读者，包括但不限于： 商业分析师与数据分析师： 希望提升数据分析和预测技能，为业务决策提供更强有力的支持。 产品经理与市场营销人员： 想要更好地理解用户行为，优化产品策略和营销活动。 运营管理者： 需要更精准地预测业务需求、库存和生产效率。 初创企业创始人与决策者： 期望利用数据洞察来指导公司战略和资源配置。 对数据科学和机器学习感兴趣的在校学生与研究人员： 希望系统学习预测分析的核心知识和技术。 任何渴望利用数据获得竞争优势的职场人士： 无论您处于哪个行业，掌握数据预测的能力都将是您宝贵的财富。 结语 《洞见未来：数据驱动的决策之道》不仅仅是一本书，它更是一扇通往数据智慧的门。我们希望通过本书，帮助您点亮数据中的隐藏规律，预见未来的潜在机遇与挑战，最终做出更明智、更自信的决策，在快速变化的时代中，赢得先机。让我们一同踏上这段激动人心的洞见之旅吧！
用户评价
评分
对于我这样的数据科学爱好者而言，一本好的技术书籍不仅仅是理论的堆砌，更重要的是它能否激发我对未知领域探索的兴趣，并提供切实可行的工具和方法。这本书在这一点上做得非常出色。在阅读过程中，我被作者对预测分析领域的热情和深刻见解所深深感染。书中不仅仅是枯燥的技术讲解，还穿插着作者在实际工作中的经验和体会，这些真实的案例和故事，让整个学习过程变得更加生动有趣，也让我对预测分析的实际应用有了更深的理解。更重要的是，书中提供的R语言实现方案，让我能够将理论知识转化为实际操作，通过亲手编写代码来验证和应用所学的模型，这种成就感是学习任何一项新技能过程中都不可或缺的。
评分这本书的编排逻辑清晰，层层递进，非常适合想要系统学习预测分析知识的读者。我个人尤其喜欢作者在每个章节结束时都会设置的“思考题”和“拓展阅读”部分。这些设计不仅能够帮助我巩固当章节的学习内容，也激发了我进一步探索相关知识的兴趣。很多时候，我会在阅读完一章后，尝试解答书中的思考题，虽然有些题目对我来说有一定的挑战性，但这反而促使我更加深入地去理解和消化书中的内容。而拓展阅读的部分，则为我指明了进一步学习的方向，让我能够更好地规划自己的学习路径。对于我这样追求系统性学习的读者来说，这本书无疑提供了一个非常扎实的理论和实践基础。
评分这本书的语言风格可以说是既严谨又不失易读性，这一点对于想要深入学习预测分析的读者来说至关重要。我之前也翻阅过一些相关的技术书籍，其中不乏术语堆砌、公式繁多，让人望而生畏的。但在这本书中，作者似乎格外注重将复杂的统计学概念以一种更加直观、易于理解的方式呈现出来。例如，在讲解回归模型时，作者并没有直接抛出复杂的数学推导，而是通过一些生动的比喻和图形化的解释，帮助读者建立起对模型原理的初步认知，然后再逐步深入到技术细节。对于R语言的实现部分，我也非常满意。作者提供的代码示例清晰明了，并且紧密结合了前面讲解的理论知识，让我在学习过程中能够立即上手实践。每次读完一个章节，我都会尝试着去复现书中的代码，并尝试用自己的数据进行测试，这种“边学边做”的学习方式，极大地提升了我的学习效率和对知识的掌握程度。
评分这本书的封面设计，简洁而富有科技感，那一抹深邃的蓝色背景，仿佛预示着数据海洋的无限可能，而中央那模糊而又清晰的图表，则巧妙地传达了“预测”的核心主题。拿到这本书的那一刻，我就被它散发出的专业气质所吸引。我是一名在市场研究领域摸爬滚打多年的从业者，深知数据分析对于洞察趋势、把握机遇的重要性，但总感觉自己在理论深度和实操能力上有所欠缺。一直以来，我都在寻找一本能够系统性地讲解预测分析理论，并且能够提供清晰R语言实现指导的图书。在阅读了前几章后，我感觉这本书很可能就是我一直在寻找的那本。作者在开篇就对预测分析的定义、作用以及在不同行业中的应用进行了宏观的介绍，这为我这样背景的读者提供了一个很好的切入点，让我能够迅速地将理论知识与我的工作实践联系起来。尤其让我印象深刻的是，书中引用了大量的真实案例，这些案例不仅展示了预测分析的强大威力，也为理解复杂的模型提供了生动的视角。
评分我是一名在金融行业从事量化分析的初学者，对于如何利用R语言进行有效的预测分析充满了好奇和期待。这本书给我最深刻的感受是，它在技术细节的阐述上做到了很好的平衡。在讲解一些关键的预测模型，比如时间序列分析和机器学习算法时，作者不仅详细介绍了模型的理论基础和数学原理，更重要的是，提供了详细的R语言代码实现步骤，并且对于代码的每一部分都做了清晰的注释，这对于像我这样需要从零开始学习的读者来说，无疑是一份宝贵的财富。我尝试着按照书中的方法，使用R语言处理一些公开的金融数据，并尝试构建简单的预测模型。虽然过程中遇到了不少问题，但书中的讲解以及附带的示例代码，都为我提供了解决问题的方向和思路。
评分评价6个字真是折磨人。满600减400时候买的，囤了一堆。还没看。
评分非常好的专业书，做活动才值，不然太贵了。
评分实用，内容平实，语言通俗流畅，很适合学习
评分书不错，速度也快，就是纸张稍微有点点一般，总体来说还不错的
评分还好high
评分书不错，速度也快，就是纸张稍微有点点一般，总体来说还不错的
评分学习R语言分析数据的方法。
评分漏印了好多张，真恶心；这是对作者和读者的侮辱
评分外国书籍技术先进，但并不是完全不适合中国使用。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版权所有