第1章  關(guān)于R  1.1  為什么選擇R  1.2  如何學(xué)習(xí)R  1.3  R入門必備  1.4  小結(jié)第2章  R的數(shù)據(jù)組織  2.1  R的數(shù)據(jù)對象  2.2  創(chuàng)建和訪問R的數(shù)據(jù)對象  2.3  從文 第1章 關(guān)于R 1.1 為什么選擇R 1.2 如何學(xué)習(xí)R 1.3 R入門必備 1.4 小結(jié)第2章 R的數(shù)據(jù)組織 2.1 R的數(shù)據(jù)對象 2.2 創(chuàng)建和訪問R的數(shù)據(jù)對象 2.3 從文本文件讀數(shù)據(jù) 2.4 外部數(shù)據(jù)的導(dǎo)入 2.5 R數(shù)據(jù)組織的其他問題 2.6 小結(jié)第3章 R的數(shù)據(jù)管理 3.1 數(shù)據(jù)合并 3.2 數(shù)據(jù)排序 3.3 缺失數(shù)據(jù)報告 3.4 變量計算 3.5 變量值的重編碼 3.6 數(shù)據(jù)篩選 3.7 數(shù)據(jù)保存 3.8 數(shù)據(jù)管理中控制流程 3.9 小結(jié)第4章 R的基本數(shù)據(jù)分析：描述和相關(guān) 4.1 數(shù)值型單變量的描述 4.2 分類型單變量的描述 4.3 兩數(shù)值型變量相關(guān)性的分析 4.4 兩分類型變量相關(guān)性的分析 4.5 小結(jié)第5章 R的基本數(shù)據(jù)分析：可視化 5.1 繪圖基礎(chǔ) 5.2 數(shù)值型單變量分布的可視化 5.3 分類型變量分布和相關(guān)性的可視化 5.4 兩數(shù)值型變量相關(guān)性的可視化 5.5 lattice繪圖 5.6 小結(jié)第6章 R的兩均值比較檢驗 6.1 兩獨立樣本的均值檢驗 6.2 兩配對樣本的均值檢驗 6.3 樣本均值檢驗的功效分析 6.4 兩總體分布差異的非參數(shù)檢驗 6.5 兩樣本均值差的置換檢驗 6.6 兩樣本均值差的自舉法檢驗 6.7 小結(jié)第7章 R的方差分析 7.1 單因素方差分析 7.2 單因素協(xié)方差分析 7.3 多因素方差分析 7.4 小結(jié)第8章 R的回歸分析：一般線性模型 8.1 回歸分析概述 8.2 建立線性回歸模型 8.3 線性回歸方程的檢驗 8.4 回歸診斷：誤差項是否滿足高斯馬爾科夫假定 8.5 回歸診斷：診斷數(shù)據(jù)中的異常觀測點 8.6 回歸診斷：多重共線性的診斷 8.7 回歸建模策略 8.8 回歸模型驗證 8.9 帶虛擬變量的線性回歸分析 8.10 小結(jié)第9章 R的回歸分析：廣義線性模型 9.1 廣義線性模型概述 9.2 logistic回歸分析：連接函數(shù)和參數(shù)估計 9.3 logistic回歸分析：解讀模型和模型檢驗 9.4 logistic回歸分析：R函數(shù)和示例 9.5 logistic回歸分析：回歸診斷 9.6 泊松回歸分析 9.7 廣義線性模型的交叉驗證 9.8 小結(jié)第10章 R的聚類分析 10.1 聚類分析概述 10.2 K-Means聚類 10.3 層次聚類 10.4 兩步聚類 10.5 小結(jié)第11章 R的因子分析：變量降維 11.1 因子分析概述 11.2 構(gòu)造因子變量：基于主成分分析法 11.3 構(gòu)造因子變量：基于主軸因子法 11.4 因子變量的命名 11.5 計算因子得分 11.6 小結(jié)第12章 R的線性判別分析：分類模型 12.1 距離判別 12.2 Fisher判別 12.3 小結(jié)第13章 R的決策樹：預(yù)測模型 13.1 決策樹算法概述 13.2 分類回歸樹的生長過程 13.3 分類回歸樹的剪枝 13.4 建立分類回歸樹的R函數(shù)和示例 13.5 建立分類回歸樹的組合預(yù)測模型 13.6 隨機森林 13.7 小結(jié)第14章 R的人工神經(jīng)網(wǎng)絡(luò)：預(yù)測和聚類 14.1 人工神經(jīng)網(wǎng)絡(luò)概述 14.2 B-P反向傳播網(wǎng)絡(luò) 14.3 B-P反向傳播網(wǎng)絡(luò)的R函數(shù)和示例 14.4 SOM自組織映射網(wǎng)絡(luò) 14.5 小結(jié)