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

本书的宗旨是既要介绍 传统的回归和分类方法，又 要引入大量更加有效的机器 学习方法，并且通过实际例 子，运用R和Python两种软 件来让读者理解各种方法的 意义和实践，能够自主做数 据分析并得到结论。 本书主要内容包括：经 典线性回归、广义线性模型 、混合效应模型（分层模型 ）、机器学习回归方法（决 策树、bagging、随机森林 、各种boosting方法、人工 神经网络、支持向量机、k 最近邻方法）、生存分析及 Cox模型、经典判别分析与 logistic回归分类、机器学习 分类方法（决策树、 bagging、随机森林、 AdAboost、人工神经网络 、支持向量机、k最近邻方 法）。其中，混合效应模型 、生存分析及Cox模型的内 容可根据需要选用。

第1章 引言 1.1 作为科学的统计 1.1.1 统计是科学 1.1.2 模型驱动的历史及数据驱动的未来 1.1.3 数据中的信息是由观测值数目及相关变量的数目决定的 1.2 传统参数模型和机器学习算法模型 1.2.1 参数模型比算法模型容易解释是伪命题 1.2.2 参数模型的竞争模型的对立性和机器学习不同模型的协和性 1.2.3 评价和对比模型 1.3 数理统计中显著性检验及置信区间本质的启示 1.3.1 关于正态均值肛的显著性检验的逻辑过程 1.3.2 显著性检验的逻辑错误 1.3.3 关于正态均值肛的置信区间与相应假设检验的等价性 1.3.4 究竟有没有必要花那么大功夫去研究均值？ 第2章 经典线性回归 2.1 模型形式 2.1.1 自变量为一个数量变量的情况 2.1.2 自变量为多个数量变量的情况 2.1.3 “线性”是对系数而言 2.2 用最小二乘法估计线性模型 2.2.1 一个数量自变量的情况 2.2.2 指数变换 2.2.3 多个数量自变量的情况 2.2.4 自变量为定性变量的情况 2.3 回归系数的大小没有可解释性 2.3.1 “皇帝的新衣” 2.3.2 最小二乘线性回归仅仅是回归方法之一，过多的延伸是浪费 2.4 关于线性回归系数的性质和推断* 2.4.1 基本假定 2.4.2 关于H0:βi＝0?H1:βi≠0的t检验 2.4.3 关于多自变量系数复合假设F检验及方差分析表 2.4.4 定性变量的显著性必须从方差分析表看出 2.4.5 关于残差的检验及点图 2.5 通过一个“教科书数据”来理解简单最小二乘回归 2.5.1 几种竞争的线性模型 2.5.2 孤立看模型可能会产生多个模型都“正确”的结论 2.5.3 多个模型相比较以得到相对较好的模型 2.5.4 对嘌呤霉素数据（例2.5）的6个模型做预测精度的交叉验证 2.6 一个“非教科书数据”的例子 2.6.1 线性回归的尝试 2.6.2 和其他方法的交叉验证比较 2.7 处理线性回归多重共线性的经典方法* 2.7.1 多重共线性 2.7.2 逐步回归 2.7.3 岭回归 2.7.4 lasso回归 2.7.5 适应性lasso回归 2.7.6 偏最小二乘回归 2.7.7 糖尿病数据（例2.7）：比较几种方法的预测性 2.8 损失函数及分位数回归简介