统计机器学习及R实现

本书详细讲解了统计机器学习与R语言相关专业知识，配套资源丰富

本书全面介绍了统计机器学习的主要算法，内容涉及多元线性回归、对数线性回归、逻辑斯蒂回归、岭回归、Lasso回归、判别分析和聚类分析等传统方法，也涉及支持向量机、深度神经网络以及集成学习等比较热门的算法，并给出相应算法的R语言实现。本书还给出了向量和矩阵函数求导以及拉格朗日对偶等数学基础，便于读者理解相关算法推导。本书可以作为统计机器学习等相关专业的教材和参考书，也可供从事相关领域研究的人员参考。

第1章R语言基础
1.1R的下载与安装
1.2辅助性操作命令
1.3基本运算与赋值
1.4向量
1.4.1向量定义
1.4.2向量运算
1.4.3向量元素的获取
1.4.4向量主要运算函数
1.5矩阵
1.5.1生成对角矩阵和单位阵
1.5.2矩阵元素取出
1.5.3矩阵行和列的维数
1.5.4矩阵的主要运算函数
1.5.5矩阵合并
1.5.6矩阵apply()运算函数
1.6因子(factor)和有序因子(ordered factor)
1.6.1创建一个因子
1.6.2创建一个有序因子
1.6.3用cut()函数将一般的数据转换成因子或有序因子
1.7数组
1.7.1产生一个三维和四维数组
1.7.2dim()函数可将向量转化成数组或矩阵
1.7.3张量的三个关键属性
1.7.4数据张量
1.7.5张量重塑
1.8列表
1.9数据框
1.9.1生成一个数据框
1.9.2合并数据框
1.9.3判断数据对象是否为数据框
1.9.4数据框的行名和列名
1.9.5连接函数
1.9.6数据框的数据抽取
1.10数据读取
1.10.1读取外部数据
1.10.2数据保存
1.11数据类型查看及环境设置
1.11.1数据类型
1.11.2数据查看
1.11.3环境设置函数options()
1.12绘图
1.12.1绘图参数命令
1.12.2常用的绘图命令
1.12.3绘图函数辅助
1.12.4三维绘图
1.13随机数产生
1.14编程基础
1.14.1条件语句
1.14.2循环语句
1.14.3自定义函数
1.15R语言的更新
第2章多元分布
2.1一元分布
2.1.1样本
2.1.2常用统计量
2.1.3常用分布
2.1.4重要定理
2.2多元分布
2.2.1p维总体
2.2.2随机向量X的数字特征
2.2.3多元分布的参数估计
2.3R语言相关操作
2.3.1一元正态随机数
2.3.2多元正态随机数
第3章线性模型
3.1线性回归
3.1.1基本形式
3.1.2一元线性回归
3.1.3多元线性回归
3.1.4多重共线对回归模型的影响
3.1.5回归模型检验
3.2对数线性回归
3.3逻辑斯蒂回归
3.4多项逻辑回归
3.5岭回归
3.6Lasso回归
3.7模型的评估标准
3.7.1分类模型的评估
3.7.2回归模型的评估
3.8R语言实现
3.8.1线性回归
3.8.2逻辑斯蒂回归
3.8.3岭回归
3.8.4Lasso回归
第4章判别分析
4.1距离判别法
4.1.1常用距离
4.1.2判别方法
4.2贝叶斯判别法
4.2.1贝叶斯公式
4.2.2基于最小错误率的贝叶斯决策
4.2.3朴素贝叶斯法的学习与分类
4.2.4连续场合下贝叶斯决策的参数估计
4.3Fisher判别分析
4.3.1两类分类
4.3.2多类分类
4.4R语言实例
4.4.1线性判别分析
4.4.2朴素贝叶斯判别分析
4.4.3二次判别分析
第5章支持向量机
5.1小样本统计学习理论
5.2两类支持向量机
5.2.1线性可分情况
5.2.2线性不可分情况
5.3一类分类支持向量机
5.4多类支持向量机
……