具体描述
内容简介
本书关注的是使用R与Python预测分析建模来解决实际问题。在每一章加入一些特定应用领域和业界问题的案例，并提供有效的解决方法。通过展示建模技术和编程工具，我们将抽象的概念转换为具体的例子。这些详实的案例有助于读者理解相关知识。目录
译者序前 言
第1章分析与数据科学
第2章广告与促销
第3章偏好与选择
第4章购物篮分析
第5章经济数据分析
第6章运营管理
第7章文本分析
第8章情感分析
第9章体育分析
第10章空间数据分析
第11章品牌和价格
第12章大型的小数字游戏
附录A数据科学方法
附录B测量方法
附录C案例研究
附录D编码和脚本
参考文献
前言/序言
“好吧！好吧！除了更好的卫生设备、医药、教育、葡萄酒、公共秩序、水利、公路和淡水系统和公共医疗——罗马人还为我们做过什么？”一出自《布莱恩的一生》（1979年）中John Cleese的对白20世纪70年代末，我在明尼苏达大学攻读博士学位。在此期间，我学习了一门统计学编程课程。上课伊始，老师说：“课程作业不限编程语言，只要自己独立完成即可。”
当时，我已经熟练掌握F ortran语言，同时自学了Pascal。我正在研究一种结构化的编程方式——不仅仅是GO TO语句。因此，我将老师的话信以为真，用Pascal语言完成了第一次作业。班里的其余14名同学用统计专业通用的Fortran语言。
当我提交作业的时候，老师看了看问我：“这是什么编程语言？”
“Pascal，”我回答，“您说过，我们可以选择任意一种编程语言，只要独立完成就好。”
老师回应说：“Pascal。我不会Pascal，只会Fortran。”
如今，数据科学世界汇聚了熟练使用Python语言的信息技术专业人士和熟练使用R语言的统计学者。他们之间有很多地方值得相互学习。对于数据分析科学家来讲，掌握多种编程语言是一种相当大的优势。
Python有时被称为“黏合语言”，它为科学编程和研究提供了丰富的开源环境。在计算机密集型应用领域，Python给予一种从C、C++和Fortran调用编译程序的能力。
我们可以用Cython将Python转换为优化的C语句。我们可以用R解决当前用Python无法实现的建模和绘图问题。通过调用R软件包，我们能够处理非线性估计、贝叶斯分层建模、时间序列分析、多变量方法、统计制图和缺失数据，正如R使用者能从通用的Python语言中获益一样。
现如今，数据与算法当道。欢迎来到一个崭新的世界，一个快节奏、数据密集的世界，一个开源的环境。在这个环境中，通过分析技术和思想交流可以获得一个具有竞争力却稍纵即逝的优势。
很多有关预测分析和数据科学的书都在讨论策略与管理。还有一些书关注方法和模型。其余则讨论信息技术（和代码）。本书是一部同时兼顾三者的罕见著作，很受业界管理者、建模人士和程序员的青睐。
在获得具有竞争力的优势过程中，我们意识到了分析的重要性。我们通过提供建模技术的现有资源和参考指南，来帮助研究者和分析师。我们能够向程序员展示如何建立一个解决真实问题的代码基础。我们图文并茂地为管理者解释模型结果，以及数据和模型的意义。
随着收集和存储的数据容量增大、可用于分析的数据类型增多、数据产生和分析需求的速度加快，数据分析的重要性与日俱增。获得具有竞争力的优势意味着为信息管理和分析提供一套新体系，意味着业界问题处理方式的改变。
由于涉及很多学科和应用领域，数据科学的文献资料浩如烟海。相关的开源代码层出不穷。事实上，提供一部预测分析和数据科学的综合性指南将成为一项挑战。
我们关注的是实际问题和真实数据。在每一章加入一些特定应用领域和业界问题的案例，并提供有效的解决方法。通过展示建模技术和编程工具，我们将抽象的概念转换为具体的例子。这些详实的案例有助于读者的理解。
我们的宗旨是提供一种适合于很多读者的预测分析和数据科学方面的综述。本书省略了数学部分。有关具体的细节和方法导论，请统计学者和建模人士查阅参考文献。我们用通俗易懂的语言讲述方法，使用数据的可视化展示业界问题的解决方案。
了解本书的宗旨后，一些读者可能会想知道我是经典学派还是贝叶斯学派。在明尼苏达大学统计学院读书时，我对两大学派都心生敬意。我非常崇拜经验贝叶斯学者和将机器学习与传统统计学相结合的研究者。在建模和推断方面，我则是一个实用主义者。
我会做有效的研究工作，并做出通俗易懂的解释。
本书之所以必要，是因为世界各地成千上万的专家将时间和想法贡献给开放源代码事业。开放源代码的增加及其难度的进一步降低，确保了先进的解决方法一定会在多年以后出现。精灵跑出明灯，能手走出幕后——火箭科学不再如往常。秘密正在被揭晓。
本书就是此过程的一部分。
本书的绝大部分数据来自公开数据源。美国职棒大联盟的晋级和上座率数据由Erica Costello提供。计算机选择研究数据由Sharon Chamberlain提供。“匿名银行”
的呼叫中心数据由Avi Mandelbaum和Ilan Guedj提供。电影信息获得了互联网电影数据库的使用许可。IMDb电影评论数据由Andrew L．Mass和他在斯坦福大学的同事一起管理。其中一些例子出自佛罗里达州坦帕市的ToutBay，NCR Comten，Hewlett-Packard公司，纽约的Site Analytics公司，威斯康星州麦迪逊的Sunseed Research和麦迪逊的Union Cab Cooperative的工作人员。
戎们在一个开源的环境中分享代码。我们所做的工作就是编译程序。在这个环境中，每个人都可以浏览现有程序，一些人还可以调试程序。为了促进学生学习，所有程序都包括了方便深入分析的详细注释和建议。所有数据集和计算机程序都可从本书的网站上下载：http：//www．ftpres s.c om/miller/。
本书的最初计划是将R版本转换为Python版本。然而，当我只用Python撰写本书时，我对两种编程语言产生了更加深远的敬意。我见证了一些问题用Python处理起来很容易，而另外一些问题则更适合用R来处理。而且，对于从事数据实践的科学家来讲，在使用Python进行建模和绘图时，R软件包的调用成为一种明显的优势。因此，本书同时给出Python和R代码示例，提供了一部独特的双语数据科学指南。
在过去的几年间，我受到了很多人的影响。很感激那些优秀的思想家，出色的人，还有老师和导师。遗憾的是，尤西纽斯学院的哲学家Gerald Hahn Hinkle和语言学家Allan Lake Rice，还有明尼苏达大学的哲学家Herbert Feigl，他们永远离开了我们。此外，我非常感谢明尼苏达大学的心理测验学者David J．Weiss和俄勒冈大学的经济学者Kelly Eakin。德高望重的老师是我一生的财富。
感谢Michael L.Rothschild、Neal M. Ford、Peter R.Dickson和Janet Christopher。
在威斯康星麦迪逊分校和A C．尼尔森中心一起进行市场调查的那段时间里，他们给我提供了非常重要的支持。
我住在距离道奇体育场北面4英里e的加利福尼亚洲，在伊利诺伊州埃文斯市的西北大学任教，兼任佛罗里达州坦帕市数据科学公司ToutBay的产品研发指导。这些者B为我提供了良好的互联网连接环境。
我很庆幸自己完成了美国西北大学专业进修学院的远程教育。感谢Glen Fogerty给予了我在西北大学预测分析编程专业授课并承担领导角色的机会。感谢管理这一研究项目的同事们和工作人员，同时感谢让我获益良多的同学们和老师们。
ToutBay是一家新兴的数据科学公司。Greg Blence是联合创始人之一，我很期待接下来的发展。感谢Greg让我加盟并扎根于实际问题。迄今为止，只有学术和数据科学模型引领着我们。为了有所作为，我们最终必须实现我们的想法和模型，并分享给大家。
TEXnology公司的Amy Hendrickson编辑了本书的文字、表格和图片，取得了开源的又一次胜利。感谢Donald Knuth和TEX/LATEX提供了很好的排版和出版系统。
感谢本书R版本的读者和审校者，他们是Suzanne Callender、Philip M. Goldfeder、Melvin Ott和Thomas P．Ryan。Lorena Martin为本书R版本的修订版提供了很多的反馈和建议。Candice Bradley兼任了审校者和文字编辑，Roy L．Sanford对统计模型和程序提供了技术支持。感谢Jeanne Glasser Levine编辑，和Pearson/FT出版社（是他们让这本书最终面世）。当然，任何写作问题和错误，以及疏漏仅是我个人的责任。
我的好朋友Brittney和他的女儿Janiya只要在时间允许的情况下都会来陪伴我。还有我的儿子Daniel，无论是逆境还是顺境，他总是在我身边，是我一生的朋友。他们的信任和支持让我无以为报。
Thomas W. Miller加利福尼亚州格伦代尔市
用户评价
这本书的厚度着实令人印象深刻，拿在手里沉甸甸的，预示着它内容的丰富程度。我一直对数据分析领域抱有浓厚的兴趣，但总觉得自己在算法和建模方面还不够系统。市面上关于数据分析的书籍琳琅满目，但很多都侧重于某一种语言或者某几个特定模型，很难找到一本能够兼顾理论和实践，并且能够覆盖主流建模方法的综合性书籍。当我看到这本书的书名，特别是“预测分析建模”这个核心概念，加上“Python与R语言实现”，我就知道，这很可能就是我一直在寻找的那一本。 初翻书页，最吸引我的是其清晰的章节结构。作者似乎非常注重逻辑性和连贯性，从最基础的回归分析，到更复杂的分类算法，再到时间序列分析和机器学习中的一些高级主题，都做了详尽的介绍。每个章节的标题都非常直观，让我能够快速定位到自己感兴趣的内容。更让我欣喜的是，每个模型在介绍理论知识之后，都紧接着提供了Python和R语言的实现代码，这对于我这种喜欢边学边练的人来说，简直是极大的便利。我迫不及待地想要动手去敲打那些代码，感受模型在实际数据上的运行。 我特别欣赏的是书中对每一个模型的“前世今生”都做了深入的剖析。它不仅仅是告诉你如何使用这个模型，更重要的是解释了为什么选择这个模型，它的假设是什么，它的优缺点是什么，以及在什么样的数据场景下更适合使用它。这种“知其然，更知其所以然”的讲解方式，让我能够更好地理解模型的本质，而不是仅仅停留在“调包侠”的层面。我感觉这本书在引导读者进行批判性思考，培养独立解决问题的能力方面，下了很大的功夫。 书中的案例选择也相当具有代表性。作者并没有选择一些过于简单或者过于复杂的极端案例，而是贴近实际业务场景，例如销售预测、客户流失预测等，这些都是我在工作中可能遇到的问题。通过这些案例，我不仅能学习到如何应用预测模型，还能学到如何将模型结果转化为可执行的业务建议，这大大提升了这本书的实用价值。我甚至已经开始构思，如何在我的实际工作中复现书中的一些案例，来检验我的学习成果。 总体来说，这本书给我带来了极大的满足感和成就感。它不仅在知识层面给了我很多启发，更在方法论上给了我很多指导。我相信，通过深入研读这本书，我能够将我的预测分析建模能力提升到一个新的高度，并且更有信心去应对各种复杂的数据分析挑战。这本书不仅仅是一本技术书籍，更像是一位经验丰富的数据科学家的“经验分享”。
评分这本书的出版，对于我这个一直渴望深入了解预测分析建模的业余爱好者来说，简直是一场及时雨。一直以来，我都在尝试着用各种零散的在线资源和教程来学习，但总是感觉像是碎片化的知识点堆砌，缺乏系统性和深度。当我看到这本书的封面时，我立刻被它所吸引——“预测分析建模”，这正是我一直寻找的核心主题。更别提它还提到了Python和R两种我都在学习的语言，这简直是为我量身定制。 拿到书后，我做的第一件事就是翻阅目录。目录的设计非常合理，从基础概念的介绍，到各种经典模型的讲解，再到实际应用的案例分析，层层递进，逻辑清晰。我尤其欣喜地看到，书中不仅仅是理论的堆砌，还详细阐述了如何在Python和R中具体实现这些模型，并且提供了大量的代码示例。这对于我这种动手能力较强，更喜欢通过实践来巩固学习的人来说，无疑是最大的福音。我迫不及待地想要跟着书中的步骤，一步步地搭建自己的预测模型，感受数据驱动决策的魅力。 这本书的排版和设计也给我留下了深刻的印象。清晰的字体，合理的行间距，以及重要的概念和公式都会用醒目的方式突出显示，这使得阅读体验非常舒适。图表和插图的使用也恰到好处，很多抽象的概念通过直观的图表得以生动展示，大大降低了理解的难度。我发现，即使是那些我之前觉得晦涩难懂的算法，在书中通过图文并茂的讲解，也变得容易理解多了。这说明作者在内容组织和呈现方式上花了很多心思，力求让读者能够最大化地吸收知识。 更让我惊喜的是，书中不仅仅局限于介绍“如何做”，还深入探讨了“为什么这样做”。对于每一个模型的选择、调优，以及结果的解读，书中都给出了详细的解释和指导。它教会我不仅仅是机械地套用公式，而是要理解模型背后的原理，以及在实际业务场景中如何选择最适合的模型，如何评估模型的性能，并最终将模型转化为有价值的洞察。这种“授人以渔”的教学方式，是我在其他书籍中很少遇到的。 总而言之，这本书为我打开了预测分析建模的大门，并为我指明了前进的方向。它不仅是一个知识宝库，更是一位循循善诱的导师。我相信，通过这本书的学习，我能够掌握扎实的预测分析建模技能，并在我的工作和学习中运用这些技能，实现数据价值的最大化。我非常期待后续的学习过程，并相信这本书一定会成为我案头必备的参考书。
评分我一直以来都认为，数据分析的最终目的是为了更好地理解世界、预测未来，并以此来指导我们的决策。而预测分析建模，正是实现这一目标的强大工具。然而，在过去的学习过程中，我常常感到力不从心，要么是因为理论过于抽象难以理解，要么是因为缺乏将理论转化为实际操作的指导。当我看到这本书的书名——“预测分析建模：Python与R语言实现”，我感到一股强大的吸引力，因为这正是我一直在寻求的、能够解决我学习痛点的理想书籍。 这本书的魅力在于它能够以一种非常“落地”的方式来介绍预测分析建模。它并非堆砌晦涩难懂的数学公式，而是从实际问题出发，引出相关的建模方法。例如，在讲解回归模型时，作者会先描述一个需要预测连续数值的场景，然后再介绍线性回归、多项式回归等模型，并详细讲解如何在Python和R中实现它们。这种“问题驱动”的学习方式，让我能够快速地理解模型的应用价值，并且更容易记住模型的细节。 让我尤其感到惊喜的是，书中在介绍完各种主流的预测模型后，还花了相当大的篇幅来讨论“模型的选择与评估”以及“特征工程”。在我看来，这部分内容才是真正体现作者功力的所在。如何从众多模型中选择最适合当前问题的模型？如何通过有效的特征工程来提升模型的性能？这些都是在实际工作中经常会遇到的难题。书中提供的各种指导和技巧，让我豁然开朗，感觉自己不再是那个只会“套用模型”的初学者。 书中的代码实现部分，做得非常细致。作者提供的Python和R语言代码，不仅是简单的“跑通”，而是包含了数据加载、预处理、模型训练、参数调优、结果可视化等完整的流程。而且，代码的注释也相当丰富，能够让我清楚地理解每一行代码的作用。通过模仿和修改这些代码，我能够快速地掌握如何在实际项目中应用这些预测模型，并且能够根据自己的需求进行调整。 总而言之，这本书为我构建了一个扎实而全面的预测分析建模知识体系。它不仅教授了我“怎么做”，更重要的是，它教会了我“为什么这样做”，以及“如何做得更好”。我相信，通过深入学习这本书，我能够极大地提升我的数据分析和建模能力，为我的个人成长和职业发展带来巨大的积极影响。这本书绝对是我在数据科学学习道路上的一个重要里程碑。
评分我一直以来都对数据背后的洞察力充满好奇，尤其是如何利用数据来预测未来的趋势，这对我来说一直是一个充满魅力的领域。然而，在实际操作中，我常常会因为缺乏系统性的指导而感到迷茫。市面上有很多关于数据科学的书籍，但大多侧重于某一方面，要么过于理论化，要么过于碎片化，很难找到一本能够将理论、方法与实践紧密结合的书。当我拿到这本书时，我第一感觉就是它的“全”。“预测分析建模”这个主题本身就涵盖了相当广泛的知识，而“Python与R语言实现”的副标题更是让我眼前一亮，因为这两种语言都是我正在学习和使用的，能够在一本书中同时看到它们的实现方式，这简直是效率的最大化。 翻开这本书，首先让我印象深刻的是其开篇的基调。它并没有一上来就抛出复杂的公式和算法，而是从预测分析的基本概念入手，循序渐进地引导读者进入这个领域。这种“先易后难”的设计，对于像我这样需要建立扎实基础的学习者来说，非常友好。它让我能够更好地理解每一个模型出现的原因，以及它试图解决的问题。而且，书中对模型原理的讲解，并没有止步于表面，而是深入到数学推导和统计假设的层面，这让我对模型的理解更加透彻。 最让我感到惊喜的是，作者在介绍模型时，不仅仅关注单个模型，还强调了模型之间的比较和选择。在实际应用中，选择哪个模型往往比模型本身的实现更具挑战性。这本书通过对比不同模型的优劣势，以及在不同数据特征下的适用性，为我提供了非常有价值的参考。而且，书中对于模型评估和诊断的章节也写得非常到位，让我明白了如何客观地评价一个模型的性能，以及如何发现和解决模型可能存在的问题。这对于避免“纸上谈兵”具有至关重要的意义。 书中穿插的“实战演练”部分，是这本书的另一大亮点。这些演练不仅仅是简单的代码演示，而是包含了数据预处理、特征工程、模型训练、参数调优以及结果解读的全过程。我感觉作者在这些案例的设计上，非常贴合实际工作中的挑战，让我能够快速地将学到的知识应用到实际问题中。通过跟着书中的例子一步步操作，我不仅巩固了理论知识，更提升了自己的动手能力和解决实际问题的能力。 总而言之，这本书对我而言，不仅仅是一本技术手册，更像是一位经验丰富的数据科学家分享的“学习路径图”。它为我系统地梳理了预测分析建模的知识体系，并且提供了切实可行的实践方法。我深信，这本书将成为我未来在数据分析领域不断探索和前进的强大助力。
评分对于一个渴望在数据领域有所建树的职场人士来说，能够找到一本兼具前沿性与实用性的书籍至关重要。这本书恰恰满足了我的这一需求。当我在书店看到这本书时，“预测分析建模”这几个字立刻抓住了我的眼球，我意识到这正是我一直在寻找的、能够帮助我理解和运用数据进行前瞻性决策的核心能力。而“Python与R语言实现”的副标题，更是让我欣喜若狂，因为这两种语言是我在工作中最常使用的工具，能够在同一本书中看到它们在建模方面的结合运用，无疑能极大地提升我的学习效率。 初翻这本书，我就被其严谨的学术风格和清晰的逻辑结构所吸引。作者并没有回避预测分析建模中的复杂性，而是将其分解为易于理解的部分，并循序渐进地引导读者深入。从最基础的线性回归，到逻辑回归，再到支持向量机、决策树、随机森林、梯度提升等一系列经典的机器学习算法，书中都做了详尽的介绍。更重要的是，作者在讲解每一种算法时，都深入剖析了其背后的数学原理和统计学基础，这让我能够真正理解算法的“工作机制”，而不仅仅是停留在“调用API”的层面。 我尤其欣赏的是书中对模型“生命周期”的完整阐述。它不仅仅是教你如何训练模型，更强调了模型评估、验证以及模型部署的重要性。通过书中提供的各种评估指标和交叉验证方法，我学会了如何客观地判断模型的性能，以及如何避免过拟合和欠拟合等常见问题。而且，书中还探讨了模型可解释性的重要性，以及如何通过一些技术手段来理解模型的预测依据，这对于我们在实际业务中解释模型结果、赢得决策者信任至关重要。 书中的案例研究设计非常巧妙，它们涵盖了不同行业和不同类型的预测问题，从业务增长预测到风险评估，每一个案例都充满了挑战性，并且提供了详细的解决方案。我能够清晰地看到，作者是如何将理论知识转化为实际问题的解决方案，并且展示了Python和R语言在解决这些问题时的具体应用。这让我感觉，这本书不仅仅是一本理论书籍，更是一本“案例教科书”，能够让我快速地将学到的知识应用于实际工作。 总的来说，这本书为我提供了一个全面而深入的预测分析建模的学习框架。它不仅提升了我的技术能力，更重要的是，它培养了我用数据驱动决策的思维方式。我坚信，通过这本书的学习，我能够更好地理解和运用预测分析模型，从而在我的职业生涯中取得更大的成就。这本书绝对是我近年来阅读过的最有价值的技术书籍之一。
评分包装不行，有一套书变形了，包装都破了，每次买书都是为这个操心，所以所有的书我都要给差评！
评分非常不错的R语言学习指导用书!
评分很好的书，要慢慢学会看。
评分工作上用的书，值得一读。
评分老公学习用
评分好用实惠，内容不错，推荐购买！很超值！学习预测分析的建模方法，很有用！
评分给了我很多启示，还是纸质书好
评分好很好非常好特别好，真的
评分还不错！
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