返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 统计学习导论——基于R应用 (美)加雷斯·詹姆斯(Gareth James) 等 著;王星 等 译 著 专业科技 文轩网
  • 新华书店正版
    • 作者: (美)加雷斯·詹姆斯(Gareth James) 等 著;王星 等 译著
    • 出版社: 机械工业出版社
    • 出版时间:2015-05-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: (美)加雷斯·詹姆斯(Gareth James) 等 著;王星 等 译著
    • 出版社:机械工业出版社
    • 出版时间:2015-05-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2015-05-01
    • 页数:290
    • 开本:16开
    • 装帧:平装
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    统计学习导论——基于R应用

    作  者:(美)加雷斯·詹姆斯(Gareth James) 等 著;王星 等 译 著
    定  价:79
    出 版 社:机械工业出版社
    出版日期:2015年05月01日
    页  数:290
    装  帧:平装
    ISBN:9787111497714
    主编推荐

    内容简介

    《统计学习导论:基于R应用》是一本统计学习方法的概要书,提供了理解大数据和复杂数据必不可少的工具,数据来自近20年来生物学、金融学、市场营销学和天体物理学等领域。书中介绍了一些重要的建模方法和预测技术以及它们的相关应用。内容涉及线性回归、分类、再抽样方法、压缩方法、树方法、聚类、支持向量机等。书中使用大量案例来阐释相关方法,每章都有如何在R中实现所述方法的指导实验。

    作者简介

    加雷斯·詹姆斯,斯坦福大学统计学博士毕业,师从Trevor Hastie。现为南加州大学马歇尔商学院统计学教授,美国统计学会会士,数理统计协会终身会员,新西兰统计协会会员。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主编。
    丹妮拉·威滕,斯坦福大学统计学博士毕业,师从Robert Tibshirani。现为华盛顿大学生物统计学副教授,美国统计学会和国际数理统计协会会士,《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主编。
    特雷弗·哈斯帖,美国统计学家和计算机科学家,斯坦福大学统计学教授,英国皇家统计学会、国际数理统计协会和美国统计学会会士。Hastie参与开发了R中的大null

    精彩内容

    目录
    中文版序
    译者序
    前言
    第1章导论
    1.1统计学习概述
    1.2统计学习简史
    1.3关于这本书
    1.4这本书适用的读者群
    1.5记号与简单的矩阵代数
    1.6本书的内容安排
    1.7用于实验和习题的数据集
    1.8本书网站
    1.9致谢
    第2章统计学习
    2.1什么是统计学习
    2.2评价模型精度
    2.3实验:R语言简介
    2.4习题
    第3章线性回归
    3.1简单线性回归
    3.2多元线性回归
    3.3回归模型中的其他注意事项
    3.4营销计划
    3.5线性回归与K最近邻法的比较
    3.6实验:线性回归
    3.7习题
    第4章分类
    4.1分类问题概述
    4.2为什么线性回归不可用
    4.3逻辑斯谛回归
    4.4线性判别分析
    4.5分类方法的比较
    4.6R实验:逻辑斯谛回归、LDA、QDA和KNN
    4.7习题
    第5章重抽样方法
    5.1交叉验证法
    5.2自助法
    5.3实验:交叉验证法和自助法
    5.4习题
    第6章线性模型选择与正则化
    6.1子集选择
    6.2压缩估计方法
    6.3降维方法
    6.4高维问题
    6.5实验1:子集选择方法
    6.6实验2:岭回归和lasso
    6.7实验3:PCR和PLS回归
    6.8习题
    第7章非线性模型
    7.1多项式回归
    7.2阶梯函数
    7.3基函数
    7.4回归样条
    7.5光滑样条
    7.6局部回归
    7.7广义可加模型
    7.8实验:非线性建模
    7.9习题
    第8章基于树的方法
    8.1决策树基本原理
    8.2装袋法、随机森林和提升法
    8.3实验:决策树
    8.4习题
    第9章支持向量机
    9.1优选间隔分类器
    9.2支持向量分类器
    9.3狭义的支持向量机
    9.4多分类的SVM
    9.5与逻辑斯谛回归的关系
    9.6实验:支持向量机
    9.7习题
    第10章无指导学习
    10.1无指导学习的挑战
    10.2主成分分析
    10.3聚类分析方法
    10.4实验1:主成分分析
    10.5实验2:聚类分析
    10.6实验3:以NCI60数据为例
    10.7习题

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购