本书探讨了如何使用 R 语言进行机器学习，涵盖基本的原理和方法，并通过大量的示例和练习，让读者掌握 R 语言的数据处理技巧。本书包括入门、回归、分类、模型的评估和改进、无监督学习五大部分，涉及线性回归、logistic 回归、k 近邻、朴素贝叶斯、决策树、聚类和关联规则等机器学习模型。本书配套提供相关的代码和数据，方便读者学习和使用。本书适合 R 语言和机器学习的爱好者、从业者以及相关院校的师生选用。

第 一部分 入门
第 1 章 什么是机器学习
1.1 从数据中发现知识
1.1.1 算法介绍
1.1.2 人工智能、机器学习和深度学习
1.2 机器学习技术
1.2.1 监督学习
1.2.2 无监督学习
1.3 模型选择
1.3.1 分类技术
1.3.2 回归技术
1.3.3 相似性学习技术
1.4 评估模型
1.4.1 分类错误
1.4.2 回归错误
1.4.3 错误类型
1.4.4 分割数据集
1.5 练习
第 2 章 R 和 RStudio 简介
2.1 欢迎来到 R
2.2 R 和 RStudio 组件
2.2.1 R 语言
2.2.2 RStudio
2.2.3 R 包
2.3 编写和运行 R 脚本
2.4 R 中的数据类型
2.4.1 向量
2.4.2 测试数据类型
2.4.3 转换数据类型
2.4.4 缺失值
2.5 练习
第 3 章 数据管理
3.1 tidyverse
3.2 数据收集
3.2.1 主要考虑因素
3.2.2 导入数据
3.3 数据探索
3.3.1 数据描述
3.3.2 数据可视化
3.4 数据准备
3.4.1 数据清洗
3.4.2 数据转换
3.4.3 减少数据
3.5 练习
第二部分 回归
第 4 章 线性回归
4.1 自行车租赁与回归
4.2 变量之间的关系
4.2.1 相关性
4.2.2 回归
4.3 简单线性回归
4.3.1 普通最小二乘法
4.3.2 简单线性回归模型
4.3.3 评估模型
4.4 多元线性回归
4.4.1 多元线性回归模型
4.4.2 评估模型
4.4.3 改进模型
4.4.4 优缺点
4.5 案例研究：预测血压
4.5.1 导入数据
4.5.2 探索数据
4.5.3 简单线性回归模型的拟合
4.5.4 多元线性回归模型的拟合
4.6 练习
第 5 章 logistic 回归
5.1 寻找潜在捐赠者
5.2 分类
5.3 logistic 回归
5.3.1 优势比
5.3.2 二分类 logistic 回归模型
5.3.3 评估模型
5.3.4 改进模型
5.3.5 优缺点
5.4 案例研究：收入预测
5.4.1 导入数据
5.4.2 探索和准备数据
5.4.3 训练模型
5.4.4 评估模型
5.5 练习
第三部分 分类
第 6 章 k 近邻
6.1 检测心脏病
6.2 k 近邻
6.2.1 发现最近邻居
6 .

将机器学习的直观介绍与技术讲解相结合，通过大量的示例和练习系统掌握R语言数据处理技巧，展示数据科学家如何将机器学习付诸实践，帮助你洞察业务本质，做出可靠的预测和更好的决策