统计学习入门

正版全新

62.39 6.9折 89.9 全新

库存11件

上海浦东

作者宋丛威

出版社清华大学出版社

ISBN9787302710134

出版时间2022-12

装帧其他

开本16开

纸张胶版纸

定价89.9元

货号5041746

上书时间2026-07-28

商品详情

品相描述：全新

商品描述: 【书    名】统计学习入门
【书    号】 9787302710134
【出版社】清华大学出版社
【作    者】宋丛威
【出版日期】 2026-03-01
【开    本】 16开
【定    价】 89.90元

【编辑推荐】
统计学习通常被定义为一种主要运用统计学方法的机器学习理论。它关注多个随机变量的建模，模型参数的估计方法，以及模型在不同数据集上的泛化能力。通过统计学习，我们能够深入理解数据规律，作出精准预测，并为决策提供可靠支持。这一理论广泛应用于数据挖掘、模式识别和信息处理等众多人工智能领域，为解决实际问题提供了有力工具。

【内容简介】
本书旨在为读者提供一本全面且深入的关于统计学习的学术著作。在信息爆炸的时代，数据的价值日益凸显，而统计学习作为数据分析和知识提取的有力工具，其重要性不言而喻。本书在弥补理论与实践鸿沟的同时，力求达到专业数理统计学著作的规范标准。本书分为基础篇、模型篇和方法篇三部分。基础篇回顾了概率论和统计学的基础知识，并简要介绍了统计学习的理论框架。模型篇则详细阐述了包括线性回归、分类、朴素Bayes分类器、决策树、聚类、降维、隐变量模型和时间序列与隐Markov模型等多种统计学习模型。方法篇则聚焦于核方法、局部化方法、神经统计模型和集成方法等统计学习中的关键技术。在介绍经典模型和方法的同时，本书也提及重要的科技前沿。本书不仅注重理论的严谨性，也强调实际应用的价值。通过具体的模型和案例分析，为读者提供实用的指导。本书比较重视模型的结构与性质，并揭示不同模型之间的关联。在阐述经典理论的同时，笔者还融入了自己对现有模型的独到见解。无论是学术研究者、学生，还是从业人员、工程师，甚至是普通爱好者，本书都将是你学习统计学习的重要资源。

【目录】
目录

第*部分基础篇..................................................................................1

第 1章统计学回顾 .............................................................................................3

1.1概率论基础..............................................................................................3

1.1.1分布与概率模型 ............................................................................3

1.1.2联合分布、边缘分布、条件分布 .....................................................5

1.2统计学基础..............................................................................................5

1.2.1总体与样本 ...................................................................................6

1.2.2统计模型的定义 ............................................................................7

1.2.3样本 .............................................................................................8

1.2.4参数估计 ......................................................................................9

1.2.5估计器与算法.............................................................................. 13

1.2.6 Bayesian方法 ............................................................................. 13

1.2.7统计决策 .................................................................................... 15

1.2.8模型评估与选择 .......................................................................... 18

1.2.9预测与误差 ................................................................................. 19

1.2.10生成/模拟 ................................................................................. 24

1.2.11时间序列................................................................................... 24

1.3熵 ......................................................................................................... 25

1.3.1信息熵........................................................................................ 25

1.3.2条件熵与互信息 .......................................................................... 26

1.3.3交叉熵与散度.............................................................................. 27

1.4总结...................................................................................................... 28

1.5习题...................................................................................................... 28

第 2章统计学习简介 ........................................................................................ 31

2.1机器学习模型 ........................................................................................ 31

2.2统计学习模型 ........................................................................................ 33

2.2.1变量 ........................................................................................... 33

2.2.2属性 ........................................................................................... 35

2.2.3模型 ........................................................................................... 35

2.2.4模型参数与超参数 ....................................................................... 36

2.2.5数据与数据存储 .......................................................................... 36

2.2.6统计学习模型的形式化定义.......................................................... 37

2.2.7 Bayesian统计学习模型................................................................ 40

2.2.8统计学习决策模型 ....................................................................... 41

2.2.9预测 ........................................................................................... 43

2.2.10惰性模型................................................................................... 44

2.2.11生成 ......................................................................................... 46

2.3机器学习基本流程.................................................................................. 46

2.3.1训练和测试 ................................................................................. 47

2.3.2验证 ........................................................................................... 47

2.3.3模型比较 .................................................................................... 47

2.4统计学习模型分类.................................................................................. 48

2.4.1监督学习与无监督学习 ................................................................ 48

2.4.2回归 (降维)和分类 (聚类) .......................................................... 48

2.4.3半监督学习 ................................................................................. 49

2.4.4判别模型和生成模型.................................................................... 50

2.4.5序列模型 .................................................................................... 51

2.5概率图表示............................................................................................ 52

2.6模型等价性............................................................................................ 53

2.7总结...................................................................................................... 53

2.8习题...................................................................................................... 54

第二部分模型篇 ...............................................................................57

第 3章线性回归............................................................................................... 59

3.1线性回归模型 ........................................................................................ 59

3.1.1一维线性回归.............................................................................. 59

3.1.2多维线性回归.............................................................................. 60

3.1.3线性模型的参数估计.................................................................... 62

3.1.4参数的无偏估计 .......................................................................... 63

3.1.5线性代数基本事实 ....................................................................... 63

3.2线性模型的假设检验与统计报告.............................................................. 64

3.2.1假设检验 .................................................................................... 65

3.2.2预测与置信区间 .......................................................................... 67

3.2.3属性选择与拟合优度.................................................................... 68

3.2.4读懂 statsmodels统计报告........................................................... 70

3.3 Bayes方法 ............................................................................................ 71

3.3.1 Bayesian线性回归 ...................................................................... 71

3.3.2线性回归的增量学习.................................................................... 73

3.3.3正则化线性回归 .......................................................................... 73

3.4其他话题 ............................................................................................... 75

3.4.1广义线性回归.............................................................................. 75

3.4.2线性混合模型.............................................................................. 76

3.4.3线性回归的迭代算法.................................................................... 77

3.4.4非线性回归 ................................................................................. 77

3.4.5多项式回归 ................................................................................. 78

3.5总结...................................................................................................... 79

3.6习题...................................................................................................... 80

第 4章分类 ..................................................................................................... 81

4.1准备...................................................................................................... 82

4.1.1判别函数 .................................................................................... 82

4.1.2条件似然函数.............................................................................. 83

4.2 Logistic回归 ......................................................................................... 84

4.2.1 0-1 Logistic回归 ......................................................................... 84

4.2.2替代损失函数与间隔模型 ............................................................. 87

4.2.3多分类 Logistic回归 ....