SAS+R大数据行业应用案例分析(运用预测模型和机器学习技术)/大数据应用与技术丛书

《SAS+R大数据行业应用案例分析运用预测模型和 机器学习技术》通过使用SAS和R分析语言实现预测模 型和机器学习技术，检测业务问题并使用实用的分析 方法来解决问题。 对于那些精通编写代码并对统计有基本了解，但 在实现预测模型和分析真实世界数据的机器学习技术 方面经验有限的读者来说，本书是理想的选择。解决 各行业问题 具挑战性的部分是建立和部署 的预 测模型和机器学习算法的理论和实践知识。 《SAS+R大数据行业应用案例分析运用预测模型和 机器学习技术》通过提高读者的分析技能来解决这些 行业问题。 本书内容 ·理解分析和基本的数据概念 ·使用分析方法解决各行业问题 ·利用机器学习技术建立预测模型 ·创建和应用分析策略 读者对象 数据科学家、开发人员、统计学家、工程师和对 数据和统计有深刻理论理解的研究生，他们希望通过 在数据建模中获得实践经验来提高自己的技能，创建 和应用分析策略。

...

第1章 各行业中的数据分析及其应用 1.1 数据分析是什么 1.1.1 数据采集 1.1.2 数据准备 1.1.3 数据分析 1.1.4 模型建立 1.1.5 结果 1.1.6 投入使用 1.2 分析的类型 1.3 了解数据及其类型 1.4 什么是大数据分析 1.4.1 大数据分析的挑战 1.4.2 数据分析和大数据工具 1.4.3 在各种行业中数据分析的作用 1.4.4 谁是分析竞争者 1.5 不同行业中的关键模型及其应用 1.6 小结 第2章 银行业案例分析 2.1 在银行部门中分析的应用 2.1.1 通过交叉销售和向上销售增加利润 2.1.2 最大限度地减少客户流失 2.1.3 增加获取客户的能力 2.1.4 预测银行贷款违约 2.1.5 预测欺诈活动 2.2 案例分析：使用逻辑回归模型预测银行贷款违约 2.2.1 逻辑回归方程 2.2.2 概率 2.2.3 逻辑回归曲线 2.2.4 逻辑回归假设 2.3 在逻辑回归模型中的各个自变量统计检验 2.3.1 逻辑回归 2.3.2 在逻辑回归模型中预测值的验证 2.4 基于R的逻辑回归模型 2.4.1 关于数据 2.4.2 执行数据探索 2.4.3 完全数据的建模与解释 2.4.4 训练数据和测试数据的模型构建及其解释 2.4.5 预测值验证 2.5 基于SAS的逻辑回归模型 2.6 小结 第3章 零售业案例分析 3.1 零售业中的供应链 3.2 零售商店的类型 3.3 零售行业中分析的作用 3.3.1 客户参与 3.3.2 供应链优化 3.3.3 价格优化 3.3.4 空间优化和分类组合规划 3.4 案例分析：使用SARIMA模型为Glen零售商提供销售预测 3.5 ARIMA建模的三个步骤