應用回歸及分類：基于R與Python的實現（第2版）

定　價：￥46.00

作　者：	吳喜之，張敏著
出版社：	中國人民大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥38.00)

ISBN：	9787300286396	出版時間：	2020-10-01	包裝：	平裝
開本：	16開	頁數：	340	字數：

內容簡介

　　本書包括的內容有：經典線性回歸、？？義線性模型、混合效應模型（分層模型）、機器學習回歸？？法（決策樹、bagging、隨機森林、各種 boosting ？？法、？？？？神經？？絡、？？持向量機、k 最近鄰？？法）、？？存分析及 Cox 模型、經典判別分析與 logistic 回歸分類、機器學習分類？？法（決策樹、bagging、隨機森林、adaboost、？？？？神經？？絡、？？持向量機、k 最近鄰？？法）.其中，混合效應模型、？？存分析及 Cox 模型的內容可根據需要選？？，所有其他的內容都應該在教學中涉及，可以簡化甚？？忽略的內容為？？些數學推導和某些不那么優(yōu)秀的模型，不可以忽略的是各種？？法的直觀意義及理念.本書的宗旨就是既要介紹傳統(tǒng)的回歸和分類？？法，又要引？？？？量更加有效的機器學習？？法，并且通過實際例？？，運？？ R 和 Python 兩種軟件來讓讀者理解各種？？法的意義和實踐，能夠？？主做數據分析并得到結論。

作者簡介

　　吳喜之，北京大學數學力學系本科，美國北卡羅來納大學統(tǒng)計博士。中國人民大學統(tǒng)計學院教授，博士生導師。曾在美國加利福尼亞大學、北卡羅來納大學以及南開大學、北京大學等多所著名學府執(zhí)教。

圖書目錄

第1章引言
1．1 作為科學的統(tǒng)計
1．2 傳統(tǒng)參數模型和機器學習算法模型
1．3 數理統(tǒng)計中顯著性檢驗及置信區(qū)間本質的啟示
第2章經典線性回歸
2．1 模型形式
2．2 用最小二乘法估計線性模型
2．3 回歸系數的大小沒有可解釋性
2．4 關于線性回歸系數的性質和推斷*
2．5 通過一個“教科書數據”來理解簡單最小二乘回歸
2．6 一個“非教科書數據”例子
2．7 處理線性回歸多重共線性的經典方法*
2．8 損失函數及分位數回歸簡介
2．9 本章Python 運行代碼
2．10 習題
第3章廣義線性模型
3．1 模型
3．2 指數分布族及典則連接函數
3．3 似然函數和準似然函數
3．4 廣義線性模型的一些推斷問題
3．5 logistic 回歸和二元分類問題
3．6 Poisson 對數線性模型及頻數數據的預測
3．7 本章Python 運行代碼
3．8 習題
第4章機器學習回歸方法
4．1 引言
4．2 作為基本模型的決策樹(回歸樹)
4．3 組合方法的思想
4．4 bagging 回歸
4．5 隨機森林回歸
4．6 mboost 回歸
4．7 人工神經網絡回歸
4．8 支持向量機回歸
4．9 k 最近鄰回歸
4．10 本章Python 運行代碼
4．11 習題
第5章經典分類：判別分析
5．1 線性判別分析
5．2 Fisher 判別分析
5．3 混合線性判別分析
5．4 各種方法擬合衛(wèi)星圖像數據(例5．1) 的比較
5．5 本章Python 運行代碼
5．6 習題
第6章機器學習分類方法
6．1 作為基本模型的決策樹(分類樹)
6．2 bagging 分類
6．3 隨機森林分類
6．4 AdaBoost 分類
6．5 人工神經網絡分類
6．6 支持向量機分類
6．7 k 最近鄰方法分類
6．8 樸素貝葉斯分類
6．9 對慢性腎病數據(例6．1) 做各種方法分類的交叉驗證
6．10 案例分析：蘑菇可食性數據
6．11 案例分析：手寫數字筆跡識別
6．12 本章Python 運行代碼
6．13 第5章和第6章習題
第7章混合效應模型*
7．1 概念
7．2 通過一個數值例子解釋線性混合模型
7．3 線性混合模型的一般形式
7．4 廣義線性混合模型
7．5 決策樹關聯(lián)的混合模型
7．6 對數學分數數據(例7．2) 做REEM、GLMM、lmer 及其他模型預測精度的交叉驗證比較
7．7 Python關于數學分數數據(例7．2)的混合效應隨機森林及交叉驗證比較
7．8 習題
第8章生存分析及Cox 模型*
8．1 基本概念
8．2 生存函數的Kaplan-Meier 估計
8．3 累積危險函數
8．4 估計和檢驗*
8．5 Cox 比例危險模型
8．6 本章Python 運行代碼
8．7 習題
第9章基本軟件： R和Python
9．1 R 簡介——為領悟而運行
9．2 Python 簡介——為領悟而運行
9．3 習題
參考文獻