数据挖掘，继承和发展经典统计分析的理论成果，结合现代机器学习方法，借助大规模高性能计算不断逼近大数据规律真相，突破了传统数据分析方法的大数据应用局限；R语言，以其开源性、易用性、全面性、前沿性和可扩充性，是实现大数据分析实践的有效工具。《R语言数据挖掘》努力坚持：讲明白理论原理，讲明白案例问题，讲明白实现步骤，讲明白结果含义的写作风格，围绕大数据分析的四大核心问题：建立数据预测模型，揭示数据内在结构，探究数据关联性，诊断异常数据，以应用案例为线索，深入浅出地讨论了众多经典数据挖掘方法原理，完整详细地讲解了R语言实现过程。本书可作为高等院校统计学、数据科学和大数据技术、大数据管理等相关专业本科生和研究生数据挖掘、机器学习和其他数据分析课程的教材，也可作为科研机构、政府和企业经营管理部门等研究人员参考用书。

 薛薇，中国人民大学应用统计中心副主任，中国人民大学统计学院副教授。主要研究领域：数据挖掘、文本挖掘、复杂网络建模。关注统计和数据挖掘算法及软件应用，统计数据库系统研发等方面。涉足交通、金融、贸易等复杂网络动态建模，电商数据分析，网络新媒体舆论传播、热点事件主题跟踪和预测建模，政府和官方微博、学科学术热点跟踪等文本挖掘，以及社会网络分析和以数据挖掘为依托的客户关系管理等领域。

第1章数据挖掘与R语言概述 
1.1什么是数据挖掘 
1.2数据挖掘的结果 
1.3数据挖掘能做什么 
1.4数据挖掘方法的特点 
1.5数据挖掘的典型应用 
1.6R语言入门必备 
1.7RStudio简介 
1.8本章函数列表 

第2章R的数据组织和整理 
2.1R的数据对象 
2.2向量的创建和访问 
2.3矩阵的创建和访问 
2.4数据框的创建和访问 
2.5数组和列表的创建和访问 
2.6数据对象的相互转换 
2.7导入外部数据和保存数据 
2.8R语言程序设计基础 
2.9R语言数据整理和程序设计综合应用 
2.10本章函数列表 

第3章R的数据可视化 
3.1绘图基础 
3.2单变量分布特征的可视化 
3.3多变量联合分布特征的可视化 
3.4变量间相关性的可视化 
3.5GIS数据的可视化 
3.6文本词频数据的可视化 
3.7本章函数列表 

第4章R的近邻分析：数据预测 
4.1近邻分析：K近邻法 
4.2基于变量重要性的加权K近邻法 
4.3基于观测相似性的加权K近邻法 
4.4本章函数列表 

第5章R的决策树：数据预测 
5.1决策树算法概述 
5.2分类回归树的生长过程 
5.3分类回归树的剪枝 
5.4分类回归树的R函数和应用示例 
5.5建立分类回归树的组合预测模型 
5.6随机森林 
5.7本章函数列表 

第6章R的人工神经网络：数据预测 
6.1人工神经网络概述 
6.2BP反向传播网络 
6.3BP反向传播网络的R函数和应用示例 
6.4本章函数列表 

第7章R的支持向量机：数据预测 
7.1支持向量分类概述 
7.2线性可分问题下的支持向量分类 
7.3广义线性可分问题下的支持向量分类 
7.4线性不可分问题下的支持向量分类 
7.5多分类的支持向量分类 
7.6支持向量回归 
7.7R的支持向量机及应用示例 
7.8本章函数列表 

第8章R的一般聚类：揭示数据内在结构 
8.1聚类分析概述 
8.2基于质心的聚类模型：KMeans聚类 
8.3基于质心的聚类模型：PAM聚类 
8.4基于联通性的聚类模型：层次聚类 
8.5基于统计分布的聚类模型：EM聚类 
8.6本章函数列表 

第9章R的特色聚类：揭示数据内在结构 
9.1BIRCH聚类 
9.2SOM网络聚类 
9.3基于密度的聚类模型：DBSCAN聚类 
9.4本章函数列表 

第10章R的关联分析：揭示数据关联性 
10.1简单关联规则及其测度 
10.2Apriori算法及应用示例 
10.3Eclat算法及应用示例 
10.4简单关联分析的应用示例 
10.5序列关联分析及SPADE算法 
10.6本章函数列表 

第11章R的模式甄别：诊断异常数据 
11.1模式甄别方法和评价概述 
11.2模式甄别的无监督侦测方法及应用示例 
11.3模式甄别的有监督侦测方法及应用示例 
11.4模式甄别的半监督侦测方法及应用示例 
11.5本章函数列表 

第12章R的网络分析初步 
12.1网络的定义、表示及构建 
12.2网络节点重要性的测度 
12.3网络子群构成特征研究 
12.4网络整体特征刻画 
12.5主要网络类型及特点 
12.6本章函数列表R语言数据挖掘