应用回归及分类 大中专文科经管 吴喜之 编著 新华正版
大中专文科经管 新华书店全新正版书籍 支持7天无理由
￥ 23.76 7.4折 ￥ 32 全新
库存4件
作者吴喜之 编著
出版社中国人民大学出版社
ISBN9787300222875
出版时间2016-01
版次1
装帧平装
开本16开
页数236页
字数326千字
定价32元
货号xhwx_1201259462
上书时间2023-12-23
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
目录：
前言
章引言
1.1作为科学的统计
1.1.1统计是科学
1.1.2模型驱动的历史及数据驱动的未来
1.1.3数据中的信息是由观测值数目及相关变量的数目决定的
1.2传统参数模型和机器学算模型
1.2.1参数模型比算模型容易解释是伪命题
1.2.2参数模型的竞争模型的对立和机器学不同模型的协和
1.2.3评价和对比模型
1.3统计及课本的若干误区
1.3.1设检验的误区：不能拒绝接受？
1.3.2p值的误区
1.3.3置信区间的误区
1.3.4样本量是多少才算大样本？
1.3.5用31个省市自治区数据能做什么？
1.3.6汇数据（比如部分均值）和原始观测值的区别
1.4r软件入门
1.4.1简介
1.4.2安装和运行小贴士
1.4.3动手
1.5题
第二章经典线回归
2.1模型形式
2.1.1自变量为一个数量变量的情况
2.1.2自变量为多个数量变量的情况
2.1.3“线”是对系数而言的
2.2用小二乘估计线模型
2.2.1一个数量自变量的情况
2.2.2指数变换
2.2.3多个数量自变量的情况
2.2.4自变量为定变量的情况
2.3关于系数的质和推断
2.3.1基本定
2.3.2关于h0：βi=0=h1：βi≠0的t检验
2.3.3关于多自变量系数复合设f检验及方差分析表
2.3.4定变量的显著必须从方差分析表看出
2.3.5关于残差的检验及点图
2.4通过一个“教科书数据”来理解简单小二乘回归
2.4.1几种竞争的线模型
2.4.2孤立地看模型可能会产生多个模型都“正确”的结论
2.4.3比较多个模型试图得到相对较好的模型
2.4.4对例2.4的6个模型做预测精度的交验证
2.5一个“非教科书数据”例子
2.5.1线回归的尝试
2.5.2和其他方的交验证比较
2.6经典小二乘回归误导汇
2.6.1大量主观的定
2.6.2对回归结果的缺乏根据的“解释”
2.6.3增加无关的（“错误的”）自变量对预测会不会有影响？
2.7处理线回归多重共线的经典方
2.7.1多重共线
2.7.2逐步回归
2.7.3岭回归
2.7.4lasso回归
2.7.5适应lasso回归
2.7.6偏小二乘回归
2.7.7对例2.7，偏小二乘回归优于所有常用经典方
2.8损失函数及分位数回归简介
2.8.1损失函数
2.8.2恩格尔数据例子的分位数回归
2.9题
第三章广义线模型
3.1模型
3.2指数分布族及典则连接函数
3.3似然函数和准似然函数
3.3.1似然函数和记分函数
3.3.2广义线模型的记分函数
3.3.3准记分函数、准对数似然函数及准似然估计
3.4广义线模型的一些推断问题
3.4.1优选似然估计和wald检验
3.4.2偏差和基于偏差的似然比检验
3.4.3散布参数的估计
3.5logistic回归和二元分类问题
3.5.1logistic回归（probit回归）
3.5.2用logistic回归做分类
3.6poisson对数线模型及频数数据的预测
3.6.1poisson对数线模型
3.6.2使用poisson对数线模型的一些问题
3.6.3poisson对数线模型的预测及交验证
3.7题
第四章纵向数据及分层模型*
4.1通过一个数值例子解释模型
4.1.1牛奶蛋白质含量例子及两层模型
4.1.2模型的拟合及输出
4.2线效应混合模型的一般形式
4.3远程监控帕金森病例子
4.4不同模型对纵向数据做预测的交验证对比
4.5广义线效应混合模型
4.5.1对例4.3的分析
4.5.2对例4.4的分析
4.6决策树和效应混合模型
4.7题
第五章机器学回归方
5.1引言
5.2作为基本模型的决策树（回归树）
5.2.1回归树的描述
5.2.2使用回归树来预测
5.2.3决策树回归和线模型回归的比较和交验证
5.2.4回归树的生长：如何选择拆分变量及如何结束生长
5.3组合方的思想
5.3.1直观说明
5.3.2组合方及自助抽样
5.4bagging回归
5.4.1概述
5.4.2数据的拟合
5.4.3交验证和模型比较
5.5森林回归
5.5.1概述
5.5.2例子及拟合数据
5.5.3森林回归中的变量重要
5.5.4部分依赖图
5.5.5利用森林做变量选择
5.5.6接近度和离群点图
5.5.7关于误差的两个点图
5.5.8寻求节点优竞争变量个数
5.5.9对例5.3数据做三种方的交验证
5.6mboost回归
5.6.1概述
5.6.2例子及拟合数据
5.6.3对例5.4做几种方的交验证
5.7人工神经网络回归
5.7.1概述
5.7.2用神经网络拟合例5.4数据
5.7.3选择神经网络的参数
5.7.4对例5.4做神经网络的10折交验证
5.8支持向量机回归
5.8.1概述
5.8.2用支持向量机拟合例5.2数据
5.8.3对例5.2数据做五种方的交验证
5.9k近邻回归
5.9.1概述
5.9.2对例5.2数据做k近邻方的交验证
5.10题
……
第六章生存分析及cox模型
第七章经典分类：判别分析
第八章机器学分类方
附录练：熟练使用r软件
参文献
内容简介：
本书包括的内容有：经典线回归、广义线模型、纵向数据(分层模型)，机器学回归方(决策树、bagging、森林、mboost、人工神经网络、支持向量机、k很近邻方)、生存分析及cox模型、经典判别分析与logistic回归分类、机器学分类方(决策树、bagging、森林、adaboost、人工神经网络、支持向量机、k很近邻方)。其中，纵向数据(分层模型)及生存分析及cox模型的内容可根据需要选用，所有其他的内容都应该在中涉及，可以简化甚至忽略的内容为一些数学推导和某些不那么很好的模型，不可以忽略的是各种方的直观意义及理念
作者简介：
吴喜之，北京大学数学力学系本科，美国北卡罗来纳大学统计博士。民大学统计学院教授，博士生导师。曾在美国加利福尼亚大学、北卡罗来纳大学以及南开大学、北京大学等多所有名学府执教。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价