logo
分类于: 设计 互联网

简介

统计学习导论: 基于R应用

统计学习导论: 基于R应用 8.4分

资源最后更新于 2020-09-05 22:00:06

作者:Gareth James

译者:王星

出版社:机械工业出版社

出版日期:2015-01

ISBN:9787111497714

文件格式: pdf

标签: 统计学习 R 机器学习 数据分析 统计 统计学 数据挖掘 统计学习基础

简介· · · · · ·

《统计学习导论:基于R应用》读者对象是那些希望运用统计学习前沿技术分析数据的人士,既包括统计学专业的师生,也包括非统计学专业的从业者。

想要: 点击会收藏到你的 我的收藏,可以在这里查看

已收: 表示已经收藏

Tips: 注册一个用户 可以通过用户中心得到电子书更新的通知哦

目录

中文版序
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关于这本书
1.4这本书适用的读者群
1.5记号与简单的矩阵代数
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线性判别分析
4.5分类方法的比较
4.6R实验:逻辑斯谛回归、LDA、QDA和KNN
4.7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1:子集选择方法
6.6实验2:岭回归和lasso
6.7实验3:PCR和PLS回归
6.8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、随机森林和提升法
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SVM
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章无指导学习
10.1无指导学习的挑战
10.2主成分分析
10.3聚类分析方法
10.4实验1:主成分分析
10.5实验2:聚类分析
10.6实验3:以NCI60数据为例
10.7习题