应用回归及分类——基于R与Python的实现 第2版

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
2.7.4lasso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
2.8.1损失函数
2.8.2恩格尔数据例子的分位数回归
2.9本章Python运行代码
2.9.1例2.1汽车数据
2.9.2例2.2岩心数据
2.9.3例2.4植物生长数据
2.9.4例2.5嘌呤霉素数据
2.9.5例2.6混凝土强度数据
……
第3章广义线性模型
第4章机器学习回归方法
第5章经典分类：判别分析
第6章机器学习分类方法
第7章混合效应模型*
第8章生存分析及Cox模型*
第9章基本软件：R和Python
参考文献