统计学习导论 基于R应用

目录


译者序

前言

第1章导论1

11统计学习概述1

12统计学习简史4

13关于本书4

14本书的读者群6

15记号与简单矩阵代数6

16本书的内容安排8

17用于实验和习题的数据集9

18本书网站10

19致谢10

第2章统计学习11

21什么是统计学习11

22评价模型精度21

23实验：R语言简介31

24习题39

第3章线性回归43

31简单线性回归44

32多元线性回归51

33回归模型中的其他注意事项60

34营销计划75

35线性回归与K*近邻法的
比较76

36实验：线性回归80

37习题89

第4章分类95

41分类问题概述95

42为什么线性回归不可用96

43逻辑斯谛回归98

44用于分类的生成模型104

45分类方法的比较116

46广义线性模型121

47实验：分类方法126

48习题141

第5章重抽样方法146

51交叉验证法146

52自助法154

53实验：交叉验证法和自助法157

54习题163

第6章线性模型选择与正则化167

61子集选择168

62压缩估计方法175

63降维方法185

64高维问题192

65实验：线性模型和正则方法196

66习题210

第7章非线性模型214

71多项式回归214

72阶梯函数216

73基函数217

74回归样条218

75光滑样条223

76局部回归225

77广义可加模型227

78实验：非线性建模230

79习题239

第8章基于树的方法242

81决策树基本原理242

82装袋法、随机森林、提升法和

贝叶斯加性回归树250

83实验：决策树260

84习题267

第9章支持向量机270

91*大间隔分类器270

92支持向量分类器274

93狭义的支持向量机278

94多分类的支持向量机283

95与逻辑斯谛回归的关系284

96实验：支持向量机285

97习题293

第10章深度学习297

101单隐层神经网络297

102多隐层神经网络300

103卷积神经网络303

104文本分类310

105循环神经网络312

106深度学习适用场景320

107拟合神经网络321

108插值和双下降325

109实验：深度学习328

1010习题342

第11章生存分析与删失数据344

111生存时间与删失时间344

112细说删失345

113KaplanMeier生存曲线346

114对数秩检验348

115生存响应下的回归模型350

116Cox模型的压缩357

117其他主题359

118实验：生存分析361

119习题368

第12章无监督学习372

121无监督学习的挑战372

122主成分分析373

123缺失值与矩阵补全382

124聚类分析方法386

125实验：无监督学习397

126习题411

第13章多重检验415

131假设检验的快速回顾416

132多重检验的挑战420

133族错误率421

134假发现率428

135计算p值和假发现率的重采样
方法431

136实验：多重检验436

137习题445


3,5