统计学习导论：基于R应用（原书第2版)

加雷斯·詹姆斯(Gareth James)  斯坦福大学统计学博士，师从Trevor Hastie。埃默里大学数据科学和运筹学教授，E. Morgan Stanley 工商管理主席。他在统计学习领域发表了大量的方法论著作，特别强调高维数据和函数数据。 丹妮拉·威滕(Daniela Witten) 斯坦福大学统计学博士，师从Robert Tibshirani。华盛顿大学统计学与生物统计学教授、Dorothy Gilford 讲席教授。她的研究主要集中在用于分析复杂、混乱和大规模数据的统计机器学习技术上，重点是无监督学习。 特雷弗·哈斯帖(Trevor Hastie) 斯坦福大学统计学教授、John A. Overdeck数学教授、生物医学数据科学教授，美国科学院院士。他参与开发了 R/S-PlUS 中的大部分统计建模软件和环境，发明了主曲线和主曲面。 罗伯特·提布施瓦尼(Robert Tibshirani) 斯坦福大学统计学教授、生物医学数据科学教授。他提出了lasso， 与Hastie一起建立了广义加性模型。

本书介绍了一些重要的建模和预测技术以及相关应用，涵盖以下主题：线性回归、分类、重采样方法、收缩方法、基于树的方法、支持向量机、聚类、深度学习、生存分析、多重测试等。书中每一章都包含一个教程，通过图形和实例介绍如何实现R语言提供的分析方法。本书还提供了关于深度学习、生存分析和多重测试的新章节，以及朴素贝叶斯、广义线性模型、贝叶斯加性回归树和矩阵补全的扩展内容，并对R代码进行了全面更新。本书旨在帮助科学、工业和其他领域的从业人员学习和应用这些统计学习技术。

目录<br /><br /><br />译者序<br /><br />前言<br /><br />第1章导论1<br /><br />11统计学习概述1<br /><br />12统计学习简史4<br /><br />13关于本书4<br /><br />14本书的读者群6<br /><br />15记号与简单矩阵代数6<br /><br />16本书的内容安排8<br /><br />17用于实验和习题的数据集9<br /><br />18本书网站10<br /><br />19致谢10<br /><br />第2章统计学习11<br /><br />21什么是统计学习11<br /><br />22评价模型精度21<br /><br />23实验：R语言简介31<br /><br />24习题39<br /><br />第3章线性回归43<br /><br />31简单线性回归44<br /><br />32多元线性回归51<br /><br />33回归模型中的其他注意事项60<br /><br />34营销计划75<br /><br />35线性回归与K最近邻法的<br />比较76<br /><br />36实验：线性回归80<br /><br />37习题89<br /><br />第4章分类95<br /><br />41分类问题概述95<br /><br />42为什么线性回归不可用96<br /><br />43逻辑斯谛回归98<br /><br />44用于分类的生成模型104<br /><br />45分类方法的比较116<br /><br />46广义线性模型121<br /><br />47实验：分类方法126<br /><br />48习题141<br /><br />第5章重抽样方法146<br /><br />51交叉验证法146<br /><br />52自助法154<br /><br />53实验：交叉验证法和自助法157<br /><br />54习题163<br /><br />第6章线性模型选择与正则化167<br /><br />61子集选择168<br /><br />62压缩估计方法175<br /><br />63降维方法185<br /><br />64高维问题192<br /><br />65实验：线性模型和正则方法196<br /><br />66习题210<br /><br />第7章非线性模型214<br /><br />71多项式回归214<br /><br />72阶梯函数216<br /><br />73基函数217<br /><br />74回归样条218<br /><br />75光滑样条223<br /><br />76局部回归225<br /><br />77广义可加模型227<br /><br />78实验：非线性建模230<br /><br />79习题239<br /><br />第8章基于树的方法242<br /><br />81决策树基本原理242<br /><br />82装袋法、随机森林、提升法和<br /><br />贝叶斯加性回归树250<br /><br />83实验：决策树260<br /><br />84习题267<br /><br />第9章支持向量机270<br /><br />91最大间隔分类器270<br /><br />92支持向量分类器274<br /><br />93狭义的支持向量机278<br /><br />94多分类的支持向量机283<br /><br />95与逻辑斯谛回归的关系284<br /><br />96实验：支持向量机285<br /><br />97习题293<br /><br />第10章深度学习297<br /><br />101单隐层神经网络297<br /><br />102多隐层神经网络300<br /><br />103卷积神经网络303<br /><br />104文本分类310<br /><br />105循环神经网络312<br /><br />106深度学习适用场景320<br /><br />107拟合神经网络321<br /><br />108插值和双下降325<br /><br />109实验：深度学习328<br /><br />1010习题342<br /><br />第11章生存分析与删失数据344<br /><br />111生存时间与删失时间344<br /><br />112细说删失345<br /><br />113KaplanMeier生存曲线346<br /><br />114对数秩检验348<br /><br />115生存响应下的回归模型350<br /><br />116Cox模型的压缩357<br /><br />117其他主题359<br /><br />118实验：生存分析361<br /><br />119习题368<br /><br />第12章无监督学习372<br /><br />121无监督学习的挑战372<br /><br />122主成分分析373<br /><br />123缺失值与矩阵补全382<br /><br />124聚类分析方法386<br /><br />125实验：无监督学习397<br /><br />126习题411<br /><br />第13章多重检验415<br /><br />131假设检验的快速回顾416<br /><br />132多重检验的挑战420<br /><br />133族错误率421<br /><br />134假发现率428<br /><br />135计算p值和假发现率的重采样<br />方法431<br /><br />136实验：多重检验436<br /><br />137习题445<br /><br /><br />3,5