成功加入购物车
[美] 黑斯蒂 著; 范明 译 / 电子工业出版社 / 2004-01 / 平装
售价 ¥ 118.00
品相 八五品
优惠 满包邮
延迟发货说明
上书时间2021-09-19
卖家超过10天未登录
统计学习基础:数据挖掘、推理与预测
计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战,这导致了统计学领域新工具的发展,并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础,但常常用不同的术语来表达。本书介绍了这些领域的一些重要概念。尽管应用的是统计学方法,但强调的是概念,而不是数学。许多例子附以彩图。本书内容广泛,从有指导的学习(预测)到无指导的学习,应有尽有。包括神经网络、支持向量机、分类树和提升等主题,是同类书籍中介绍得最全面的。
本书可作为高等院校相关专业本科生和研究生的教材,对于统计学相关人员、科学界和业界关注数据挖掘的人,本书值得一读。
Trevor Hastie,Robert Tibshirani和Jerome Friedman都是斯坦福大学统计学教授,并在这个领域做出了杰出的贡献。Hastie和Tibshirani提出了广义和加法模型,并出版专著“Generalized Additive Models”。Hastie的主要研究领域为:非参数回归和分类、统计计算以及生物信息学、医
第1章绪论第2章有指导学习概述2.1引言2.2变量类型和术语2.3两种简单预测方法:最小二乘方和最近邻法2.4统计判决理论2.5高维空间的局部方法2.6统计模型、有指导学习和函数逼近2.7结构化回归模型2.8受限的估计方法类2.9模型选择和偏倚-方差权衡文献注释习题第3章回归的线性方法3.1引言3.2线性回归模型和最小二乘方3.3从简单的一元回归到多元回归3.4子集选择和系数收缩3.5计算考虑文献注释习题第4章分类的线性方法4.1引言4.2指示矩阵的线性回归4.3线性判别分析4.4逻辑斯缔回归4.5分离超平面文献注释习题第5章基展开与正则化5.1引言5.2分段多项式和样条5.3过滤和特征提取5.4光滑样条5.5光滑参数的自动选择5.6无参逻辑斯缔回归5.7多维样条函数5.8正则化和再生核希尔伯特空间5.9小波光滑文献注释习题第6章核方法6.1一维核光滑方法6.2选择核的宽度6.3IRp上的局部回归6.4IRp上结构化局部回归模型6.5局部似然和其他模型6.6核密度估计和分类6.7径向基函数和核6.8密度估计和分类的混合模型6.9计算考虑文献注释习题第7章模型评估与选择7.1引言7.2偏倚、方差和模型复杂性7.3偏倚-方差分解7.4训练误差率的乐观性7.5样本内预测误差的估计7.6有效的参数个数7.7贝叶斯方法和BIC7.8最小描述长度7.9Vapnik-Chernovenkis维7.10交叉验证7.11自助法文献注释习题第8章模型推理和平均8.1引言8.2自助法和极大似然法8.3贝叶斯方法8.4自助法和贝叶斯推理之间的联系8.5EM算法8.6从后验中抽样的MCMC8.7装袋8.8模型平均和堆栈8.9随机搜索:冲击文献注释习题第9章加法模型、树和相关方法9.1广义加法模型9.2基于树的方法9.3PRIM——凸点搜索9.4MARS:多元自适应回归样条9.5分层专家混合9.6遗漏数据9.7计算考虑文献注释习题第10章提升和加法树10.1提升方法10.2提升拟合加法模型10.3前向分步加法建模10.4指数损失函数和AdaBoost10.5为什么使用指数损失10.6损失函数和健壮性10.7数据挖掘的“现货”过程10.8例:垃圾邮件数据10.9提升树10.10数值优化10.11提升适当大小的树10.12正则化10.13可解释性10.14实例文献注释习题第11章神经网络11.1引言11.2投影寻踪回归11.3神经网络11.4拟合神经网络11.5训练神经网络的一些问题11.6例:模拟数据11.7例:ZIP编码数据11.8讨论11.9计算考虑文献注释习题第12章支持向量机和柔性判别12.1引言12.2支持向量分类器12.3支持向量机12.4线性判别分析的推广12.5柔性判别分析12.6罚判别分析12.7混合判别分析12.8计算考虑文献注释习题第13章原型方法和最近邻13.1引言13.2原型方法13.3K-最近邻分类器13.4自适应的最近邻方法13.5计算考虑文献注释习题第14章无指导学习14.1引言14.2关联规则14.3聚类分析14.4自组织映射14.5主成分、曲线和曲面14.6独立成分分析和探测性投影寻踪14.7多维定标文献注释习题术语表参考文献
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30