游客
,欢迎来到MedPdf网站!
我的:
下载
预定
举报
收藏
站内信(
0
)
个人中心
我的资源
财富中心
发布资源
预定发布
个人信息
登 录
免费注册
首 页
全 部
内 科
外 科
妇产科
儿 科
影像科
求助区
充 值
联系我们
编辑帖子-MedPdf医学_电子_图书_PDF_资源_文件_网盘_下载
首页 > 分类列表 >
编辑帖子
预定模式
库存模式
1.文档管理
已发布资源
未发布资源
标题
文件大小
上传日期
升序
降序
标题
文件大小
资源页码
上传日期
操作
标题
文件大小
资源页码
上传日期
操作
2.目录信息
*
学 科1:
*
标 题:
设置
U R L :
获取中
全选
文件格式:
pdf
epub
rar
exe
txt
chm
doc
docx
ppt
pptx
jpg
kdh
资源页码:
0
自定义页码:
优先使用ISBN查询
资源价格:
160
自定义价格:
百度云盘
云盘地址:
版本号:
网盘名称:
文件夹:
阿里网盘
网盘地址:
版本号:
网盘名称:
文件夹:
内容简介
<p> <strong>基本信息</strong><br /> 书名:统计学习 R语言版<br /> 作者 :李高荣编著<br /> 出版社:高等教育出版社<br /> 出版时间: 2024.09<br /> ISBN号 :978-7-04-062518-9<br /> 页数 : 541<br /> 丛书名 : 大数据时代的统计与人工智能系列教材<br /> 原书定价 : 89.00</p> <p> <strong>内容提要</strong><br /> 本书介绍了统计学习的思想、方法和理论,以及R语言应用,涵盖统计学习的内容包括:绪论、模型评价、线性回归模型、重抽样方法、判别分析、K近邻法、模型选择与正则化、非参数回归模型、logistic回归、决策树、支持向量机、主成分分析、聚类分析、前馈神经网络和卷积神经网络等。本书的主要特色是提供了大量翔实的应用案例,并使用R语言进行计算和数据可视化,对书中的统计学习方法和理论都给出了R语言程序和应用,并配有相当数量的习题可供练习。本书取材新颖、阐述严谨、推导详尽、重点突出、深入浅出、富有启发性,便于教学与自学。本书可作为统计学、数据科学、数学、计算机科学、人工智能、金融学、经济学、医学和工程领域等专业本科生和研究生的统计学习、机器学习和数据分析等课程的教材或者参考书,也可供从事数据分析的相关科技人员和工作者参考。<br /> <strong> <br /> 目录</strong><br /> 第1章 绪论<br /> §1.1 统计学习概述<br /> 1.1.1 统计学习的特点<br /> 1.1.2 统计学习的对象<br /> 1.1.3 统计学习的分类<br /> §1.2 关于本书<br /> §1.3 本书适用对象<br /> 习题1<br /> 第2章 模型评价<br /> §2.1 回归模型及评价准则<br /> 2.1.1 回归模型<br /> 2.1.2 模型估计<br /> 2.1.3 回归模型精度的评价准则<br /> §2.2 分类模型及评价准则<br /> 习题2<br /> 第3章 线性回归模型<br /> §3.1 线性回归模型<br /> 3.1.1 模型介绍<br /> 3.1.2 最小二乘估计<br /> 3.1.3 σ2的估计<br /> 3.1.4 假设检验<br /> 3.1.5 预测区间与置信区间<br /> 3.1.6 R语言函数及应用<br /> §3.2 回归诊断<br /> 3.2.1 什么是回归诊断?<br /> 3.2.2 残差<br /> 3.2.3 残差图<br /> 3.2.4 影响分析<br /> 3.2.5 多重共线性<br /> §3.3 加权最小二乘方法<br /> §3.4 Box-Cox变换<br /> §3.5 定性协变量建模<br /> 习题3<br /> 第4章 重抽样方法<br /> §4.1 交叉验证法<br /> 4.1.1 验证集方法<br /> 4.1.2 LOOCV方法<br /> 4.1.3 GCV方法<br /> 4.1.4 k折CV方法<br /> §4.2 Bootstrap方法<br /> 习题4<br /> 第5章 判别分析<br /> §5.1 判别准则<br /> 5.1.1 判别准则简介<br /> 5.1.2 两个总体的情形<br /> §5.2 两个多元正态分布的判别<br /> 5.2.1 当Σ1=Σ2=Σ时,正态总体的判别<br /> 5.2.2 Fisher判别<br /> 5.2.3 当Σ1≠Σ2时,正态总体的判别<br /> 5.2.4 先验概率不存在的情形<br /> 5.2.5 分类效果的评价<br /> 5.2.6 案例及R语言计算<br /> §5.3 多个总体的判别<br /> 5.3.1 多个总体的判别方法<br /> 5.3.2 多个多元正态分布的判别方法<br /> 5.3.3 多个总体的Fisher判别方法<br /> 5.3.4 多个总体的案例及R语言计算<br /> 习题5<br /> 第6章 K近邻法<br /> §6.1 KNN分类<br /> 6.1.1 KNN分类算法<br /> 6.1.2 K值的选择和KNN分类应用<br /> §6.2 KNN回归<br /> 6.2.1 KNN回归算法<br /> 6.2.2 KNN回归应用<br /> §6.3 K近邻法的优缺点<br /> 习题6<br /> 第7章 模型选择与正则化<br /> §7.1 子集选择<br /> 7.1.1 最优子集选择<br /> 7.1.2 逐步选择方法<br /> 7.1.3 调整的判定系数?<br /> 7.1.4 Cp准则<br /> 7.1.5 信息准则<br /> 7.1.6 案例与R语言计算<br /> §7.2 岭回归<br /> §7.3 桥回归<br /> §7.4 惩罚变量选择方法<br /> 7.4.1 惩罚函数<br /> 7.4.2 Lasso方法<br /> 7.4.3 SCAD方法<br /> 7.4.4 自适应Lasso<br /> 7.4.5 弹性网方法<br /> 7.4.6 案例分析与模拟研究<br /> 习题7<br /> 第8章 非参数回归模型<br /> §8.1 多项式回归<br /> 8.1.1 多项式回归拟合<br /> 8.1.2 分段多项式回归拟合<br /> §8.2 回归样条<br /> 8.2.1 d阶回归样条<br /> 8.2.2 线性样条<br /> 8.2.3 三次样条<br /> 8.2.4 自然三次样条<br /> 8.2.5 节点个数和位置的选择<br /> 8.2.6 案例分析与应用<br /> §8.3 光滑样条<br /> 8.3.1 光滑样条方法<br /> 8.3.2 光滑参数λ的选取<br /> 8.3.3 案例分析与应用<br /> §8.4 局部非参数光滑方法<br /> 8.4.1 N-W核光滑方法<br /> 8.4.2 Gasser-Müller光滑方法<br /> 8.4.3 局部多项式光滑方法<br /> 8.4.4 案例分析与应用<br /> §8.5 广义可加模型<br /> §8.6 半参数回归模型<br /> 8.6.1 部分线性模型<br /> 8.6.2 单指标模型<br /> 8.6.3 变系数模型<br /> 习题8<br /> 第9章 Logistic回归<br /> §9.1 多元logistic回归<br /> 9.1.1 多元logistic回归模型<br /> 9.1.2 极大似然估计<br /> 9.1.3 预测<br /> §9.2 二分类模型的评估<br /> §9.3 惩罚似然变量选择方法<br /> §9.4 非参数logistic回归<br /> §9.5 多项logistic回归<br /> §9.6 分类方法比较<br /> 习题9<br /> 第10章 决策树<br /> §10.1 决策树的基本原理<br /> §10.2 回归树<br /> 10.2.1 递归二叉分裂法<br /> 10.2.2 代价复杂性剪枝<br /> 10.2.3 回归树的R案例分析<br /> §10.3 分类树<br /> 10.3.1 信息增益<br /> 10.3.2 基尼指数<br /> 10.3.3 分类树的代价复杂性剪枝<br /> 10.3.4 分类树的R案例分析<br /> §10.4 装袋法和随机森林<br /> 10.4.1 装袋法<br /> 10.4.2 袋外误差<br /> 10.4.3 随机森林<br /> 10.4.4 变量重要性的度量<br /> 10.4.5 偏依赖图<br /> 10.4.6 回归问题的R案例分析<br /> 10.4.7 分类问题的R案例分析<br /> §10.5 提升法<br /> 10.5.1 自适应提升法<br /> 10.5.2 AdaBoost算法应用<br /> 10.5.3 回归问题的提升法<br /> 10.5.4 程序包gbm的应用<br /> 习题10<br /> 第11章 支持向量机<br /> §11.1 最大间隔分类器<br /> 11.1.1 超平面<br /> 11.1.2 分割超平面<br /> 11.1.3 最大间隔分类器<br /> §11.2 支持向量分类器<br /> §11.3 支持向量机和核<br /> §11.4 多分类的支持向量机<br /> 11.4.1 一类对一类的分类方法<br /> 11.4.2 一类对余类的分类方法<br /> §11.5 惩罚支持向量机<br /> §11.6 支持向量回归<br /> §11.7 支持向量机的案例与R语言计算<br /> 11.7.1 SVM的模拟数据分析与R语言计算<br /> 11.7.2 SVM的二分类R案例<br /> 11.7.3 SVM的多分类R案例<br /> 11.7.4 SVR的R案例<br /> 习题11<br /> 第12章 主成分分析<br /> §12.1 总体主成分分析<br /> 12.1.1 主成分的定义与导出<br /> 12.1.2 主成分的计算<br /> 12.1.3 基于标准化的主成分<br /> §12.2 样本主成分分析<br /> 12.2.1 基于样本协方差矩阵S的主成分<br /> 12.2.2 标准化的样本主成分<br /> §12.3 主成分分析方法的应用<br /> 12.3.1 主成分分析的R函数<br /> 12.3.2 中学生身体指标数据主成分分析<br /> 12.3.3 Fisher Iris数据主成分分析的可视化<br /> 12.3.4 图像压缩<br /> 12.3.5 人脸识别<br /> §12.4 核主成分分析<br /> 习题12<br /> 第13章 聚类分析<br /> §13.1 距离和相似系数<br /> 13.1.1 数据预处理<br /> 13.1.2 样本间的距离<br /> 13.1.3 相似系数<br /> 13.1.4 定性变量样本的距离和相似系数<br /> 13.1.5 定性变量间的相似系数<br /> §13.2 K均值聚类<br /> 13.2.1 K均值聚类算法<br /> 13.2.2 K均值聚类中类个数的确定和应用<br /> 13.2.3 图像色彩的K均值聚类<br /> §13.3 系统聚类法<br /> 13.3.1 类间距离和系统聚类法<br /> 13.3.2 系统聚类法的统一<br /> 13.3.3 系统聚类法的性质和类的确定<br /> 13.3.4 系统聚类的R语言计算与应用<br /> 13.3.5 新的聚类方法<br /> 习题13<br /> 第14章 前馈神经网络<br /> §14.1 神经元模型<br /> 14.1.1 神经元<br /> 14.1.2 激活函数<br /> §14.2 前馈神经网络模型<br /> 14.2.1 网络结构<br /> 14.2.2 前馈神经网络模型及表示<br /> 14.2.3 通用近似定理<br /> 14.2.4 应用到机器学习<br /> §14.3 反向传播算法<br /> 14.3.1 参数学习<br /> 14.3.2 BP算法<br /> §14.4 前馈神经网络的正则化<br /> §14.5 R案例分析与应用<br /> 14.5.1 回归问题的R案例<br /> 14.5.2 分类问题的R案例<br /> 习题14<br /> 第15章 卷积神经网络<br /> §15.1 卷积<br /> 15.1.1 数学卷积<br /> 15.1.2 一维卷积<br /> 15.1.3 二维卷积<br /> 15.1.4 互相关<br /> 15.1.5 填充和步长<br /> 15.1.6 三维卷积<br /> §15.2 汇聚<br /> 15.2.1 二维汇聚<br /> 15.2.2 三维汇聚<br /> §15.3 卷积神经网络模型<br /> 15.3.1 模型的定义<br /> 15.3.2 卷积神经网络的性质<br /> §15.4 卷积神经网络的学习算法<br /> 15.4.1 卷积导数<br /> 15.4.2 反向传播算法<br /> §15.5 R案例分析与应用<br /> 15.5.1 二分类的R案例分析<br /> 15.5.2 多分类的R案例分析<br /> 习题15<br /> 参考文献<br /> 索引</p> <p> </p>
目录
作者简介
出版信息
丛书名:
价格:
作 者:
出版社:
出版日期:
出版信息
版 次:
页 数:
字 数:
印刷时间:
开 本:
纸 张:
印 次:
I S B N:
包 装:
510144
0
0
1
×
学科分类
一区
二区
三区
四区
五区
六区
选择类别:
×
搜索网站连接
关键词:
网站名称:
网站链接首部:
网站链接尾部:
是否显示
×
修改文件信息
文件名称:
文件大小:
页码:
上传日期:
取 消
×
添加文件信息
文件名称:
文件大小:
页码:
上传日期:
取 消
Copyright (C)2007-2018 medpdf.com