- 统计学习导论(基于R应用原书第2版)/现代统计学丛书
- - 作者：(美)加雷斯·詹姆斯//丹妮拉·威滕//特雷弗·哈斯帖//罗伯特·提布施瓦尼|责编:刘慧|译者:王星//陈志豪//吴宇桓//徐华繁
  - 出版社：机械工业
  - ISBN：9787111761761
  - 出版日期：2024/10/01
  - 页数：447
- 售价：43.6

内容大纲
本书介绍了一些重要的建模和预测技术以及相关应用，涵盖以下主题：线性回归、分类、重采样方法、收缩方法、基于树的方法、支持向量机、聚类、深度学习、生存分析、多重测试等。书中每一章都包含一个教程，通过图形和实例介绍如何实现R语言提供的分析方法。本书还提供了关于深度学习、生存分析和多重测试的新章节，以及朴素贝叶斯、广义线性模型、贝叶斯加性回归树和矩阵补全的扩展内容，并对R代码进行了全面更新。本书旨在帮助科学、工业和其他领域的从业人员学习和应用这些统计学习技术。
作者介绍
目录
译者序
前言
第1章  导论
  1.1  统计学习概述
  1.2  统计学习简史
  1.3  关于本书
  1.4  本书的读者群
  1.5  记号与简单矩阵代数
  1.6  本书的内容安排
  1.7  用于实验和习题的数据集
  1.8  本书网站
  1.9  致谢
第2章  统计学习
  2.1  什么是统计学习
  2.2  评价模型精度
  2.3  实验：R语言简介
  2.4  习题
第3章  线性回归
  3.1  简单线性回归
  3.2  多元线性回归
  3.3  回归模型中的其他注意事项
  3.4  营销计划
  3.5  线性回归与K最近邻法的比较
  3.6  实验：线性回归
  3.7  习题
第4章  分类
  4.1  分类问题概述
  4.2  为什么线性回归不可用
  4.3  逻辑斯谛回归
  4.4  用于分类的生成模型
  4.5  分类方法的比较
  4.6  广义线性模型
  4.7  实验：分类方法
  4.8  习题
第5章  重抽样方法
  5.1  交叉验证法
  5.2  自助法
  5.3  实验：交叉验证法和自助法
  5.4  习题
第6章  线性模型选择与正则化
  6.1  子集选择
  6.2  压缩估计方法
  6.3  降维方法
  6.4  高维问题
  6.5  实验：线性模型和正则方法
  6.6  习题
第7章  非线性模型
  7.1  多项式回归
  7.2  阶梯函数
  7.3  基函数

  7.4  回归样条
  7.5  光滑样条
  7.6  局部回归
  7.7  广义可加模型
  7.8  实验：非线性建模
  7.9  习题
第8章  基于树的方法
  8.1  决策树基本原理
  8.2  装袋法、随机森林、提升法和贝叶斯加性回归树
  8.3  实验：决策树
  8.4  习题
第9章  支持向量机
  9.1  最大间隔分类器
  9.2  支持向量分类器
  9.3  狭义的支持向量机
  9.4  多分类的支持向量机
  9.5  与逻辑斯谛回归的关系
  9.6  实验：支持向量机
  9.7  习题
第10章  深度学习
  10.1  单隐层神经网络
  10.2  多隐层神经网络
  10.3  卷积神经网络
  10.4  文本分类
  10.5  循环神经网络
  10.6  深度学习适用场景
  10.7  拟合神经网络
  10.8  插值和双下降
  10.9  实验：深度学习
  10.10  习题
第11章  生存分析与删失数据
  11.1  生存时间与删失时间
  11.2  细说删失
  11.3  KaplanMeier生存曲线
  11.4  对数秩检验
  11.5  生存响应下的回归模型
  11.6  Cox模型的压缩
  11.7  其他主题
  11.8  实验：生存分析
  11.9  习题
第12章  无监督学习
  12.1  无监督学习的挑战
  12.2  主成分分析
  12.3  缺失值与矩阵补全
  12.4  聚类分析方法
  12.5  实验：无监督学习
  12.6  习题
第13章  多重检验
  13.1  假设检验的快速回顾
  13.2  多重检验的挑战

  13.3  族错误率
  13.4  假发现率
  13.5  计算p值和假发现率的重采样方法
  13.6  实验：多重检验
  13.7  习题

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目