书籍详情
![《统计学习导论—基于R应用统计学技术分析数据教材数据科学工程技术书》[53M]百度网盘|亲测有效|pdf下载](/uploads/s0629/2f30663bc9a51da9.jpg)
统计学习导论—基于R应用统计学技术分析数据教材数据科学工程技术书
- 出版社:互动创新图书专营店
- 出版时间:2015-05
- 热度:7303
- 上架时间:2024-06-30 09:07:09
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
| 书[0名0]： | 统计[0学0]习导论——基于R应用|4706193 |
| 图书定价： | 79元 |
| 图书作者： | (美)加雷斯·詹姆斯;丹妮拉·威滕;特雷弗·哈斯帖;罗伯特·提布施瓦尼 |
| 出版社： | [1机1] 械工业出版社 |
| 出版日期： | 2015/5/1 0:00:00 |
| ISBN号： | 9787111497714 |
| 开本： | 16开 |
| 页数： | 290 |
| 版次： | 1-1 |
| 作者简介 |
| Gareth James 斯坦福[0大0][0学0]统计[0学0]博士毕业，师从Trevor Hastie。现为南加州[0大0][0学0]马歇尔[0商0][0学0]院统计[0学0]教授，美[0国0]统计[0学0][0会0][0会0]士，数理统计协[0会0]终身[0会0]员，[亲斤]西兰统计协[0会0][0会0]员。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主编。 Daniela Witten 斯坦福[0大0][0学0]统计[0学0]博士毕业，师从Robert Tibshirani。现为华盛顿[0大0][0学0]生物统计[0学0]副教授，美[0国0]统计[0学0][0会0]和[0国0]际数理统计协[0会0][0会0]士，《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主编。 Trevor Hastie 美[0国0]统计[0学0]家和计算 [1机1] 科[0学0]家，斯坦福[0大0][0学0]统计[0学0]教授，英[0国0]皇家统计[0学0][0会0]、[0国0]际数理统计协[0会0]和美[0国0]统计[0学0][0会0][0会0]士。Hastie参与开发了 R 中的[0大0]部分统计建模软件和环境，发明了主曲线和主曲面。 Robert Tibshirani 斯坦福[0大0][0学0]统计[0学0]教授，[0国0]际数理统计协[0会0]、美[0国0]统计[0学0][0会0]和加拿[0大0]皇家[0学0][0会0][0会0]士，1996年COPSS总统奖得主，提出lasso方[0法0]。Hastie和Tibshirani都是统计[0学0]习[0领0]域的泰山北斗，两人合著《The Elements of Statistical Learning》，还合作讲授斯坦福[0大0][0学0]的公开课《统计[0学0]习》。 |
| 内容简介 |
| 本书是一本统计[0学0]习方[0法0]的概要书，提供了理解[0大0]数据和复杂数据必不可少的工具，数据来自近20年来生物[0学0]、金融[0学0]、市场营销[0学0]和天体物理[0学0]等[0领0]域。书中介绍了一些重要的建模方[0法0]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[0法0]、压缩方[0法0]、树方[0法0]、聚类、支持向量 [1机1] 等。书中使用[0大0]量案例来阐释相关方[0法0]，每章都有如何在R中实现所述方[0法0]的指导实验。 本书读者对象是那些希望运用统计[0学0]习前沿技术分析数据的人士，既包括统计[0学0]专业的师生，也包括非统计[0学0]专业的从业者。 |
| 目录 |
中文版序 译者序 前言 [0第0]1章导论 1.1统计[0学0]习概述 1.2统计[0学0]习简[0史0] 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 [0第0]2章统计[0学0]习 2.1什么是统计[0学0]习 2.2[0评0]价模型精度 2.3实验： R语言简介 2.4习题 [0第0]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[0法0]的比较 3.6实验：线性回归 3.7习题 [0第0]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[0法0]的比较 4.6R实验：逻辑斯谛回归、LDA、QDA和KNN 4.7习题 [0第0]5章重抽样方[0法0] 5.1交叉验证[0法0] 5.2自助[0法0] 5.3实验：交叉验证[0法0]和自助[0法0] 5.4习题 [0第0]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[0法0] 6.3降维方[0法0] 6.4高维问题 6.5实验1：子集选择方[0法0] 6.6实验2：岭回归和lasso 6.7实验3：PCR和PLS回归 6.8习题 [0第0]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 [0第0]8章基于树的方[0法0] 8.1决策树基本原理 8.2装袋[0法0]、随 [1机1] 森林和提升[0法0] 8.3实验：决策树 8.4习题 [0第0]9章支持向量 [1机1] 9.1[0大0]间隔分类器 9.2支持向量分类器 9.3狭义的支持向量 [1机1] 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 [1机1] 9.7习题 [0第0]10章无指导[0学0]习 10.1无指导[0学0]习的挑战 10.2主成分分析 10.3聚类分析方[0法0] 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 |
| 编辑推荐 |
| 更多精彩，点击进入[0品0]牌店查阅>> |