- 统计学习与R语言应用
- - 作者：编者:王国长//王丙参|责编:曾鑫华//彭琳惠
  - 出版社：暨南大学
  - ISBN：9787566842602
  - 出版日期：2025/12/01
  - 页数：355
- 售价：35.2

内容大纲
本书共9章。第1章为统计学习基础，供初学者查阅、了解；第2章为R简明教程；第3章为无监督降维方法，侧重构建综合评价方法；第4、5、6章分别为线性回归模型、变量选择与特征筛选方法、广义线性模型；第7章为聚类分析；第8、9章为分类基本方法、决策树与集成学习。本书可作为高等院校统计、经济、数学、计算机等专业的统计学习、统计软件、统计实验及其相关课程的学习用书，适合高年级本科生、研究生及相关研究人员。
作者介绍
目录
前言
第1章  统计学习基础
  1.1  统计学习绪论
  1.2  监督学习
  1.3  模型评估度量
  1.4  矩阵运算知识
  本章习题
第2章  R简明教程
  2.1  R概况
  2.2  R向量
  2.3  矩阵与数组
  2.4  因子、列表与数据框
  2.5  程序设计
  2.6  R语言绘图基础
  2.7  多元数据可视化
  2.8  基于R语言的蒙特卡罗方法
  本章习题
第3章  无监督降维方法
  3.1  主成分分析
  3.2  因子分析
  3.3  多维标度分析
  3.4  非负矩阵分解评价法与中国经济高质量发展统计评价
  本章习题
第4章  线性回归模型
  4.1  多元线性回归模型
  4.2  回归诊断
  4.3  主成分回归
  4.4  偏最小二乘回归
  4.5  子集选择方法
  4.6  子集选择准则
  4.7  广义逆和岭回归
  4.8  CV和GCV
  4.9  大数据情形下的线性回归模型估计方法
  本章习题
第5章  变量选择与特征筛选方法
  5.1  桥回归
  5.2  惩罚函数的选择
  5.3  LASSO和L?正则化
  5.4  SCAD和自适应LASSO方法
  5.5  算法求解
  5.6  惩罚参数的选取
  5.7  基于相关系数的特征筛选
  5.8  模型自由的特征筛选
  5.9  特征筛选和变量选择
  本章习题
第6章  广义线性模型
  6.1  广义线性模型的定义
  6.2  惩罚似然的变量选择方法
  6.3  惩罚参数的选择
  6.4  广义线性模型的特征筛选方法

  6.5  广义线性模型子集抽样和分布式估计方法
  本章习题
第7章  聚类分析
  7.1  分类学
  7.2  聚类分析方法简介
  7.3  距离与相似系数
  7.4  系统聚类法
  7.5  动态聚类法
  7.6  改进传统距离聚类方法
  7.7  基于多元数据的谱聚类算法改进与聚类个数确定
  本章习题
第8章  分类基本方法
  8.1  距离判别法
  8.2  贝叶斯判别法
  8.3  Fisher判别法
  8.4  朴素贝叶斯分类法
  8.5  K最近邻分类算法
  8.6  支持向量机
  本章习题
第9章  决策树与集成学习
  9.1  决策树算法
  9.2  分类与回归树算法
  9.3  Boosting算法
  9.4  Bagging算法
  9.5  随机森林
  本章习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目