中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
統計學習導論-基于R應用 版權信息
- ISBN：9787111497714
- 條形碼：9787111497714 ; 978-7-111-49771-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
統計學習導論-基于R應用 本書特色
本書概述了統計學習領域，提供了理解大數據和復雜數據必不可少的工具，這些數據來自近20年來生物學、金融學、市場營銷學和天體物理學等領域。書中介紹了一些*重要的建模方法和預測技術，以及它們的相關應用。內容涉及線性回歸、分類、再抽樣方法、壓縮方法、基于樹的方法和聚類等，用彩圖和實例來闡釋相關方法。因為本教材的主要目標是方便自然科學、工業和其他領域的從業者使用統計學習技術，所以每章都有在r中實現所介紹的分析方法的指導內容。本書只假定讀者先修《線性回歸》課程，并不要求讀者具有矩陣代數知識。讀者對象是那些希望利用前沿的統計學習技術來分析數據的人士，既包括統計學專業的師生，也包括非統計學專業的人員。
統計學習導論-基于R應用 內容簡介
本書概述了統計學習領域，提供了理解大數據和復雜數據必不可少的工具，這些數據來自近20年來生物學、金融學、市場營銷學和天體物理學等領域。書中介紹了一些*重要的建模方法和預測技術，以及它們的相關應用。內容涉及線性回歸、分類、再抽樣方法、壓縮方法、基于樹的方法和聚類等，用彩圖和實例來闡釋相關方法。因為本教材的主要目標是方便自然科學、工業和其他領域的從業者使用統計學習技術，所以每章都有在R中實現所介紹的分析方法的指導內容。本書只假定讀者先修《線性回歸》課程，并不要求讀者具有矩陣代數知識。讀者對象是那些希望利用前沿的統計學習技術來分析數據的人士，既包括統計學專業的師生，也包括非統計學專業的人員。
統計學習導論-基于R應用 目錄
中文版序
譯者序
前言
第1章 導論
1.1 統計學習概述
1.2 統計學習簡史
1.3 關于這本書
1.4 這本書適用的讀者群
1.5 記號與簡單的矩陣代數
1.6 本書的內容安排
1.7 用于實驗和習題的數據集
1.8 本書網站
1.9 致謝
第2章 統計學習
2.1 什么是統計學習
2.2 評價模型精度
2.3 實驗： r語言簡介
2.4 習題
第3章 線性回歸
3.1 簡單線性回歸
3.2 多元線性回歸
3.3 回歸模型中的其他注意事項
3.4 營銷計劃
3.5 線性回歸與k*近鄰法的比較
3.6 實驗：線性回歸
3.7 習題
第4章 分類
4.1 分類問題概述
4.2 為什么線性回歸不可用
4.3 邏輯斯諦回歸
4.4 線性判別分析
4.5 分類方法的比較
4.6 r實驗：邏輯斯諦回歸、lda、qda和knn
4.7 習題
第5章 重抽樣方法
5.1 交叉驗證法
5.2 自助法
5.3 實驗：交叉驗證法和自助法
5.4 習題
第6章 線性模型選擇與正則化
6.1 子集選擇
6.2 壓縮估計方法
6.3 降維方法
6.4 高維問題
6.5 實驗1：子集選擇方法
6.6 實驗2：嶺回歸和lasso
6.7 實驗3：pcr和pls回歸
6.8 習題
第7章 非線性模型
7.1 多項式回歸
7.2 階梯函數
7.3 基函數
7.4 回歸樣條
7.5 光滑樣條
7.6 局部回歸
7.7 廣義可加模型
7.8 實驗：非線性建模
7.9 習題
第8章 基于樹的方法
8.1 決策樹基本原理
8.2 裝袋法、隨機森林和提升法
8.3 實驗：決策樹
8.4 習題
第9章 支持向量機
9.1 *大間隔分類器
9.2 支持向量分類器
9.3 狹義的支持向量機
9.4 多分類的svm
9.5 與邏輯斯諦回歸的關系
9.6 實驗：支持向量機
9.7 習題
第10章 無指導學習
10.1 無指導學習的挑戰
10.2 主成分分析
10.3 聚類分析方法
10.4 實驗1：主成分分析
10.5 實驗2：聚類分析
10.6 實驗3：以nci60數據為例
10.7 習題
譯者序
前言
第1章 導論
1.1 統計學習概述
1.2 統計學習簡史
1.3 關于這本書
1.4 這本書適用的讀者群
1.5 記號與簡單的矩陣代數
1.6 本書的內容安排
1.7 用于實驗和習題的數據集
1.8 本書網站
1.9 致謝
第2章 統計學習
2.1 什么是統計學習
2.2 評價模型精度
2.3 實驗： r語言簡介
2.4 習題
第3章 線性回歸
3.1 簡單線性回歸
3.2 多元線性回歸
3.3 回歸模型中的其他注意事項
3.4 營銷計劃
3.5 線性回歸與k*近鄰法的比較
3.6 實驗：線性回歸
3.7 習題
第4章 分類
4.1 分類問題概述
4.2 為什么線性回歸不可用
4.3 邏輯斯諦回歸
4.4 線性判別分析
4.5 分類方法的比較
4.6 r實驗：邏輯斯諦回歸、lda、qda和knn
4.7 習題
第5章 重抽樣方法
5.1 交叉驗證法
5.2 自助法
5.3 實驗：交叉驗證法和自助法
5.4 習題
第6章 線性模型選擇與正則化
6.1 子集選擇
6.2 壓縮估計方法
6.3 降維方法
6.4 高維問題
6.5 實驗1：子集選擇方法
6.6 實驗2：嶺回歸和lasso
6.7 實驗3：pcr和pls回歸
6.8 習題
第7章 非線性模型
7.1 多項式回歸
7.2 階梯函數
7.3 基函數
7.4 回歸樣條
7.5 光滑樣條
7.6 局部回歸
7.7 廣義可加模型
7.8 實驗：非線性建模
7.9 習題
第8章 基于樹的方法
8.1 決策樹基本原理
8.2 裝袋法、隨機森林和提升法
8.3 實驗：決策樹
8.4 習題
第9章 支持向量機
9.1 *大間隔分類器
9.2 支持向量分類器
9.3 狹義的支持向量機
9.4 多分類的svm
9.5 與邏輯斯諦回歸的關系
9.6 實驗：支持向量機
9.7 習題
第10章 無指導學習
10.1 無指導學習的挑戰
10.2 主成分分析
10.3 聚類分析方法
10.4 實驗1：主成分分析
10.5 實驗2：聚類分析
10.6 實驗3：以nci60數據為例
10.7 習題
展開全部
統計學習導論-基于R應用 作者簡介
Gareth James 斯坦福大學統計學博士畢業，師從Trevor Hastie。現為南加州大學馬歇爾商學院統計學教授，美國統計學會會士，數理統計協會終身會員，新西蘭統計協會會員。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主編。 Daniela Witten 斯坦福大學統計學博士畢業，師從Robert Tibshirani。現為華盛頓大學生物統計學副教授，美國統計學會和國際數理統計協會會士，《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主編。 Trevor Hastie 美國統計學家和計算機科學家，斯坦福大學統計學教授，英國皇家統計學會、國際數理統計協會和美國統計學會會士。Hastie參與開發了 R 中的大部分統計建模軟件和環境，發明了主曲線和主曲面。 Robert Tibshirani 斯坦福大學統計學教授，國際數理統計協會、美國統計學會和加拿大皇家學會會士，1996年COPSS總統獎得主，提出lasso方法。Hastie和Tibshirani都是統計學習領域的泰山北斗，兩人合著《The Elements of Statistical Learning》，還合作講授斯坦福大學的公開課《統計學習》。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
李白與唐代文化
- >
我與地壇
- >
莉莉和章魚
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
伊索寓言-世界文學名著典藏-全譯本
- >
小考拉的故事-套裝共3冊
- >
姑媽的寶刀
本類暢銷
