统计学习导论 基于R应用
批量上传，套装书可能不全，下单前咨询在线客服！有特殊要求，下单前请咨询客服！
￥ 35.84 4.5折 ￥ 79 全新
库存17件
江西南昌
认证卖家担保交易快速发货售后保障
作者（美）加雷斯·詹姆斯 著，王星 译
出版社机械工业出版社
ISBN9787111497714
出版时间2015-05
装帧平装
开本16开
定价79元
货号23709811
上书时间2024-11-01
商品详情
- 品相描述：全新
- 商品描述
-
导语摘要
本书概述了统计学习领域，提供了理解大数据和复杂数据必不可少的工具，这些数据来自近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、基于树的方法和聚类等，用彩图和实例来阐释相关方法。因为本教材的主要目标是方便自然科学、工业和其他领域的从业者使用统计学习技术，所以每章都有在R中实现所介绍的分析方法的指导内容。本书只假定读者先修《线性回归》课程，并不要求读者具有矩阵代数知识。读者对象是那些希望利用前沿的统计学习技术来分析数据的人士，既包括统计学专业的师生，也包括非统计学专业的人员。
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，美国统计学会和靠前数理统计协会会士，《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、靠前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，靠前数理统计协会、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》。
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
4.6 R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 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
内容摘要
本书概述了统计学习领域，提供了理解大数据和复杂数据必不可少的工具，这些数据来自近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、基于树的方法和聚类等，用彩图和实例来阐释相关方法。因为本教材的主要目标是方便自然科学、工业和其他领域的从业者使用统计学习技术，所以每章都有在R中实现所介绍的分析方法的指导内容。本书只假定读者先修《线性回归》课程，并不要求读者具有矩阵代数知识。读者对象是那些希望利用前沿的统计学习技术来分析数据的人士，既包括统计学专业的师生，也包括非统计学专业的人员。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价