R语言数据挖掘实战视频教程

通过创建不同的对象（数据对象、图形对象、模型对象、自定义方程）详细介绍了在R语言中万物皆对象的说法，通过实际案例演示了如何创建向量、矩阵、数组、数据框和列表等数据对象。
学员学习完本小节的内容，懂得R语言中的常用数据对象创建、判断和转换的方法，为以后的数据分析和处理打下坚实的基础。

R语言没有提供图形化的数据导入界面，本小节利用RStuido导入外部的txt、csv文件；也介绍了利用read.table函数导入txt、csv文件数据；让学员对外部文本文件数据导入到R有基本的能力。

本小节介绍了连续型变量间距离的计算方式；介绍了数据标准化处理的基本原理；并利用了caret扩展包中的preProcess函数快速实现数据的标准化处理，通过例子演示了利用preProcess函数和其他函数实现标准化和归一化处理的结果。

常用聚类算法介绍，并对K均值聚类及层次聚类算法原理的详细讲解；最后介绍了不同聚类算法在R语言中对应的函数实现。

利用K-Means聚类对Vehicle数据集进行聚类分群，并通过汽车类型指标查看聚类效果；利用cluster函数对洛杉矶街区数据进行层次聚类，并绘制聚类系谱树图，并利用聚类结果对街区进行分群标识，在经纬度图上把街区数据展现出来；最后利用cluster函数对mtcars数据集进行层次聚类，并对结果进行详细解读。

简单介绍了关联规则的基本原理，并详细介绍了R语言关联规则的实现及其他相关函数；介绍了关联规则可视化包arulesViz；最后通过超市购物数据进行事务型数据的探索，利用as函数进行数据格式转换，利用itemFrequency函数查看包含该商品的交易比例；通过arules函数构建关联规则模型，并对关联规则进行排序和筛选。

详细讲解了KNN近邻算法思想，KNN算法流程，如何对数据进行标准化以及呀变量处理；以及KNN算法的R语言实现。

利用KNN算法对鸢尾花数据集iris建立分类器，并利用混淆矩阵查看预测误差率，其中利用caret包的creatDataPartition函数对数据进行分区，并通过自定义函数ceshi让学员清楚KNN近邻算法的实现步骤。最后利用KNN算法对乳腺癌数据识别患者，对汽车类型进行识别等。

介绍了决策树的基本思想以及其优缺点。我们从理论上概述决策树的构建过程，这一过程包括如下四个步骤。1、决策树的生成；2、生成树的剪枝；3、生成规则；4、模型性能和预测。
详细介绍了C5.0、CART算法的R语言实现，并利用不同的决策树算法对汽车类型进行识别。

R语言中的party包主要用于实现条件推理决策树，介绍了ctree函数的参数设置。通过运用条件推理决策树算法对汽车类型进行识别，并绘制决策树图进行直观展示。

介绍了评估和选择合适的模型和算法：五折交叉验证的方法。并介绍了组合算法、随机森林、人工神经网络、支持向量机算法的R语言实现。

利用数据集cars作为案例演示：介绍了构建五折交叉验证下标的代码，并通过for循环构建五折交叉验证，通过对训练集和测试集进行预测，利用平均误差率最小原则，选择最优模型对其他样本进行预测。

介绍了R语言数据挖掘可视化工具—Rattle的主要功能。包括：数据导入、数据探索、数据可视化、数据建模及模型评估等操作。让学员能利用rattle工具快速完成数据挖掘工作的目的。