应用回归及分类--基于R与Python的实现（第2版）/基于R应用的统计学丛书

作者简介

吴喜之，北京大学数学力学系本科，美国北卡罗来纳大学统计博士。中国人民大学统计学院教授，博士生导师。曾在美国加利福尼亚大学、北卡罗来纳大学以及南开大学、北京大学等多所著名学府执教。

内容简介

书籍目录

第1章 引言
1.1 作为科学的统计
1.2 传统参数模型和机器学习算法模型
1.3 数理统计中显著性检验及置信区间本质的启示
第2章 经典线性回归
2.1 模型形式
2.2 用小二乘法估计线性模型
2.3 回归系数的大小没有可解释性
2.4 关于线性回归系数的性质和推断*
2.5 通过一个“教科书数据”来理解简单小二乘回归
2.6 一个“非教科书数据”例子
2.7 处理线性回归多重共线性的经典方法*
2.8 损失函数及分位数回归简介
2.9 本章Python 运行代码
2.10 习题
第3章 广义线性模型
3.1 模型
3.2 指数分布族及典则连接函数
3.3 似然函数和准似然函数
3.4 广义线性模型的一些推断问题
3.5 logistic 回归和二元分类问题
3.6 Poisson 对数线性模型及频数数据的预测
3.7 本章Python 运行代码
3.8 习题
第4章 机器学习回归方法
4.1 引言
4.2 作为基本模型的决策树(回归树)
4.3 组合方法的思想
4.4 bagging 回归
4.5 随机森林回归
4.6 mboost 回归
4.7 人工神经网络回归
4.8 支持向量机回归
4.9 k 近邻回归
4.10 本章Python 运行代码
4.11 习题
第5章 经典分类: 判别分析
5.1 线性判别分析
5.2 Fisher 判别分析
5.3 混合线性判别分析
5.4 各种方法拟合卫星图像数据(例5.1) 的比较
5.5 本章Python 运行代码
5.6 习题
第6章 机器学习分类方法
6.1 作为基本模型的决策树(分类树)
6.2 bagging 分类
6.3 随机森林分类
6.4 AdaBoost 分类
6.5 人工神经网络分类
6.6 支持向量机分类
6.7 k 近邻方法分类
6.8 朴素贝叶斯分类
6.9 对慢性肾病数据(例6.1) 做各种方法分类的交叉验证
6.10 案例分析: 蘑菇可食性数据
6.11 案例分析: 手写数字笔迹识别
6.12 本章Python 运行代码
6.13 第5章和第6章习题
第7章 混合效应模型*
7.1 概念
7.2 通过一个数值例子解释线性混合模型
7.3 线性混合模型的一般形式
7.4 广义线性混合模型
7.5 决策树关联的混合模型
7.6 对数学分数数据(例7.2) 做REEM、GLMM、lmer 及其他模型预测精度的交叉验证比较
7.7 Python关于数学分数数据(例7.2)的混合效应随机森林及交叉验证比较
7.8 习题
第8章 生存分析及Cox 模型*
8.1 基本概念
8.2 生存函数的Kaplan-Meier 估计
8.3 累积危险函数
8.4 估计和检验*
8.5 Cox 比例危险模型
8.6 本章Python 运行代码
8.7 习题
第9章 基本软件: R和Python
9.1 R 简介——为领悟而运行
9.2 Python 简介——为领悟而运行
9.3 习题
参考文献