COURSE OVERVIEW
用 R 的数据对象和统计模型，把业务问题转化为可验证的分析结论
R 既是一门编程语言，也是用于统计计算和图形展示的分析环境。课程先建立向量、因子、矩阵、数据框、列表与函数等基础，再以回归、关联规则和决策树为主线，帮助学员理解“编写代码、建立模型、检查结果”的完整过程。
学习将结合互联网用户分析、精准营销、风险评估和 BI 实施等真实场景中的数据挖掘思路，关注如何选择变量、观察残差、判断模型准确性，并将算法输出转化为可解释的业务发现。
- 希望使用 R 开展数据分析、建模和数据挖掘工作的业务与数据人员
- 需要提升统计编程、回归分析和分类模型实践能力的学员
- 具备基础统计知识，期待把算法应用到用户、营销或风险场景的学习者
R ANALYTICS WORKFLOW
从 R 代码到模型洞察的五步路径
让数据结构、统计模型和业务解释在同一段可复用的分析代码中协同工作。
使用向量、因子、矩阵、数据框和列表承载不同结构的数据。
通过函数、向量化计算和 apply 系列提升数据处理与计算效率。
从一元线性回归进入多元、多项式回归与残差分析。
使用关联规则寻找项目之间的组合关系和潜在行为模式。
构建 C4.5 决策树，比较分类结果并判断模型准确性。
PRACTICE FOCUS
把 R 编程基础与数据挖掘方法放进同一套实战框架
先让数据对象和代码逻辑稳定下来，再进入模型建立、诊断与效果评估。
数据结构与数据框
理解向量、因子、矩阵、数据框和列表，选择适合分析任务的数据组织方式。
函数与向量化计算
使用函数、向量化计算和 apply 系列，将重复的数据处理逻辑写得更清晰。
线性与多项式回归
从一元线性回归到多元、多项式回归，理解变量关系与预测含义。
回归检查与残差分析
通过决定系数、预测结果和残差分析，检查模型拟合质量与适用边界。
关联规则挖掘
识别项目之间的伴随关系，为用户偏好、推荐和组合营销提供分析线索。
C4.5 决策树与评估
理解分类算法的基本思路，建立决策树并使用准确性指标评估模型效果。
FULL CURRICULUM
2天 · 12课时课程安排
四个单元从 R 数据对象与函数编程依次进入回归、模式发现与分类评估，形成紧凑的建模实战体验。
UNIT 01
R 数据对象与计算
建立分析代码的基础
MODULE 01
数据结构、函数与向量化
数据结构概述
向量与因子
矩阵与数据框
列表和函数
向量化计算
apply 系列函数
UNIT 02
线性回归建模
理解变量关系与模型诊断
MODULE 02
回归思想、预测与残差分析
线性回归的思想
一元线性回归演示
多项式回归演示
多元线性回归演示
决定系数与预测
回归结果检查与残差分析
UNIT 03
关联规则挖掘
发现组合关系与行为模式
MODULE 03
关联规则介绍与实操演示
关联规则的基本概念
规则中的支持度与置信度
关联规则演示
发现项目组合关系
面向营销的模式解释
从规则到业务动作
UNIT 04
分类模型与评估
用模型区分对象并验证效果
MODULE 04
C4.5 决策树、分类算法与准确性
决策树与 C4.5 介绍
几种分类算法的比较
分类模型的建立思路
评价模型准确性
理解分类错误与边界
将分类结果用于业务判断
LEARNING OUTCOMES
完成课程后，你能够使用 R 推进基础的数据分析与挖掘任务
组织 R 数据对象
根据数据形态使用向量、因子、矩阵、数据框和列表，建立清晰的分析数据基础。
编写可复用函数
使用函数、向量化计算和 apply 系列完成常见的数据处理与计算任务。
建立回归分析模型
完成一元、多元和多项式回归，理解决定系数、预测结果和变量关系。
检查模型拟合质量
借助回归结果检查和残差分析，判断模型假设、拟合表现与解释范围。
挖掘关联模式
使用关联规则发现项目、行为或商品之间的组合关系，为业务动作提供线索。
构建并评估分类模型
理解 C4.5 决策树与分类算法，使用准确性指标判断模型是否具备应用价值。
R LANGUAGE PRACTICE
用开放的统计计算环境，把代码、模型与图形放在同一条分析链路中
R 将数据处理、矩阵计算、统计建模和图形展示整合为可扩展的计算环境。课程围绕其数据对象和编程方式展开，让每一次回归、关联与分类分析都能以清晰的代码逻辑复现和解释。
了解 R 在数据处理、矩阵计算、统计模型、分类聚类和图形分析方面的基础能力。
查看 R Project 官方介绍START LEARNING
用 2 天完成一次从 R 编程基础到分类模型评估的实战训练
适合希望将统计思维、R 编程和数据挖掘方法应用到用户、营销和风险分析任务中的学员。