统计学习导论——基于R应用
正版新书 新华官方库房直发 可开电子发票
￥ 52.14 6.6折 ￥ 79 全新
库存24件
作者(美)加雷斯·詹姆斯(Gareth James) 等 著;王星 等 译
出版社机械工业出版社
ISBN9787111497714
出版时间2015-05
版次1
装帧平装
开本16开
纸张胶版纸
页数290页
定价79元
货号SC:9787111497714
上书时间2024-05-07
- 在售商品 暂无
- 平均发货时间 12小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
作者简介:
加雷斯·詹姆斯，斯坦福大学统计学博士毕业，师从Trevor Hastie。现为南加州大学马歇尔商学院统计学教授，美国统计学会会士，数理统计协会终身会员，新西兰统计协会会员。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主编。
丹妮拉·威滕，斯坦福大学统计学博士毕业，师从Robert Tibshirani。现为华盛顿大学生物统计学副教授，美国统计学会和国际数理统计协会会士，《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主编。
特雷弗·哈斯帖，美国统计学家和计算机科学家，斯坦福大学统计学教授，英国皇家统计学会、国际数理统计协会和美国统计学会会士。Hastie参与开发了R中的大部分统计建模软件和环境，发明了主曲线和主曲面。
罗伯特·提布施瓦尼，斯坦福大学统计学教授，国际数理统计协会、美国统计学会和加拿大皇家学会会士，1996年COPSS总统奖得主，提出Iasso方法。Hastie和Tibshirani都是统计学习领域的泰山北斗，两人合著《The Elements of Statistical Learning》，还合作讲授斯坦福大学的公开课《统计学习》。
精彩内容:
前言统计学习是一套以复杂数据建模和数据理解为目的的工具集，是近期才发展起来的统计学的一个新领域，它与计算机科学特别是其中的机器学习相互融合、协同发展。统计学习领域涵盖了许多方法，比如说lasso回归、稀疏回归、分类和回归树、提升法和支持向量机。
随着“大数据”问题的爆炸式增长，统计学习已成为许多科学领域及市场研究、金融学等商科领域一个非常热门的话题，拥有统计学习技能的人才千金难求。
统计学习领域开山之作之一——《统计学习基础》(The Elements of Statistical Learning，ESL)(作者Hastie, Tibshirani, Friedman)于2001年出版，第2版于2009年问世。现在，ESL已成为统计学界乃至其他相关领域的一本非常受欢迎的教材，其中一个原因是ESL的风格平实，易于接受。但事实上，ESL是为受过数学科学高等训练的人而写的。这本《统计学习导论》(An Introduction to Statistical Learning，ISL)是为对统计学习方法有广泛需求，但又担心技术高深难懂的读者所写。本书所列主题与ESL大体一致，但更注重方法的应用且同时弱化了数学推导的细节。书中附有一些实验以解释如何用R软件实现统计学习方法。这些实验能够给读者提供有价值的实操经验。
本书适合统计学及相关数量分析领域的高年级本科生以及硕士生阅读，也适合其他专业希望运用统计学习工具分析数据的人阅读。本书可作为一学期到两学期课程的教科书使用。
在此，对那些曾经阅读过本书初稿并提出宝贵意见的人致以诚挚的感谢：Pallavi Basu, Alexandra Chouldechova, Patrick Danaher, Will Fithian, Luella Fu, Sam Gross, Max Grazier GSell, C
...
内容简介:
《统计学习导论:基于R应用》是一本统计学习方法的概要书，提供了理解大数据和复杂数据必不可少的工具，数据来自近20年来生物学、金融学、市场营销学和天体物理学等领域。书中介绍了一些重要的建模方法和预测技术以及它们的相关应用。内容涉及线性回归、分类、再抽样方法、压缩方法、树方法、聚类、支持向量机等。书中使用大量案例来阐释相关方法，每章都有如何在R中实现所述方法的指导实验。
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
...
— 没有更多了 —
以下为对购买帮助不大的评价