一、目录介绍

第1章  简介
1.1    如何阅读本书
1.2    R简介
1.2.1  R起步
1.2.2  R对象
1.2.3  向量
1.2.4  向量化
1.2.5  因子
1.2.6  生成序列
1.2.7  数据子集
1.2.8  矩阵和数组
1.2.9  列表
1.2.10  数据框
1.2.11  构建新函数
1.2.12  对象、类和方法
1.2.13  管理R会话
1.3     MySQL简介

第2章  预测海藻数量
2.1    问题描述与目标
2.2    数据说明
2.3    数据加载到R
2.4    数据可视化和摘要
2.5    数据缺失
2.5.1  将缺失部分剔除
2.5.2  用最高频率值来填补缺失值
2.5.3  通过变量的相关关系来填补缺失值
2.5.4  通过探索案例之间的相似性来填补缺失值
2.6    获取预测模型
2.6.1  多元线性回归
2.6.2  回归树
2.7    模型的评价和选择
2.8    预测7类海藻的频率
2.9    小结

第3章  预测股票市场收益
3.1    问题描述与目标
3.2    可用的数据
3.21   在R中处理与时间有关的数据
3.22   从CSV文件读取数据
3.23   从网站上获取数据
3.24   从MySQL数据库读取数据
3.3    定义预测任务
3.3.1  预测什么
3.3.2  预测变量是什么
3.3.3  预测任务
3.3.4  模型评价准则
3.4    预测模型
3.4.1  如何应用训练集数据来建模
3.4.2  建模工具
3.5    从预测到实践
3.5.1  如何应用预测模型
3.5.2  与交易相关的评价准则
3.5.3  模型集成：仿真交易
3.6    模型评价和选择
3.6.1  蒙特卡罗估计
3.6.2  实验比较
3.6.3  结果分析
3.7    交易系统
3.7.1  评估最终测试数据
3.7.2  在线交易系统
3.8    小结

第4章  侦测欺诈交易
4.1    问题描述与目标
4.2    可用的数据
4.2.1  加载数据至R
4.2.2  探索数据集
4.2.3  数据问题
4.3    定义数据挖掘任务
4.3.1  问题的不同解决方法
4.3.2  评价准则
4.3.3  实验方法
4.4    计算离群值的排序
4.4.1  无监督方法
4.4.2  有监督方法
4.4.3  半监督方法
4.5    小结

第5章  微阵列样本分类
5.1    问题描述与目标
5.1.1  微阵列实验背景简介
5.1.2  数据集ALL
5.2    可用的数据
5.3    基因（特征）选择
5.3.1  基于分布特征的简单过滤方法
5.3.2  ANOVA过滤
5.3.3  用随机森林进行过滤
5.3.4  用特征聚类的组合进行过滤
5.4    遗传学异常的预测
5.4.1  定义预测任务
5.4.2  模型评价标准
5.4.3  实验过程
5.4.4  建模技术
5.4.5  模型比较
5.5    小结

参考文献
主题索引
数据挖掘术语索引
R函数索引