统计学习基础 数据挖掘、推理与预测 中文版.pdf

[General Information] 书名=统计学习基础 数据挖掘、推理与预测 SS号 封面 书名 版权 前言 目录 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 6.3　IRp上的局部回归 6.4　IRp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BIC 7.8　最小描述长度 7.9　Vapnik-Chernovenkis维