统计学习导论：基于R应用（原书第2版) [美]加雷斯·詹姆斯 [美]丹妮拉·威滕 [美]特雷弗·哈斯帖 [美]罗伯特·提布施瓦尼

【编辑推荐】

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。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。

【内容简介】

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】

目录


译者序

前言

第1章导论1

11统计学习概述1

12统计学习简史4

13关于本书4

14本书的读者群6

15记号与简单矩阵代数6

16本书的内容安排8

17用于实验和习题的数据集9

18本书网站10

19致谢10

第2章统计学习11

21什么是统计学习11

22评价模型精度21

23实验：R语言简介31

24习题39

第3章线性回归43

31简单线性回归44

32多元线性回归51

33回归模型中的其他注意事项60

34营销计划75

35线性回归与K最近邻法的
比较76

36实验：线性回归80

37习题89

第4章分类95

41分类问题概述95

42为什么线性回归不可用96

43逻辑斯谛回归98

44用于分类的生成模型104

45分类方法的比较116

46广义线性模型121

47实验：分类方法126

48习题141

第5章重抽样方法146

51交叉验证法146

52自助法154

53实验：交叉验证法和自助法157

54习题163

第6章线性模型选择与正则化167

61子集选择168

62压缩估计方法175

63降维方法185

64高维问题192

65实验：线性模型和正则方法196

66习题210

第7章非线性模型214

71多项式回归214

72阶梯函数216

73基函数217

74回归样条218

75光滑样条223

76局部回归225

77广义可加模型227

78实验：非线性建模230

79习题239

第8章基于树的方法242

81决策树基本原理242

82装袋法、随机森林、提升法和

贝叶斯加性回归树250

83实验：决策树260

84习题267

第9章支持向量机270

91间隔分类器270

92支持向量分类器274

93狭义的支持向量机278

94多分类的支持向量机283

95与逻辑斯谛回归的关系284

96实验：支持向量机285

97习题293

第10章深度学习297

101单隐层神经网络297

102多隐层神经网络300

103卷积神经网络303

104文本分类310

105循环神经网络312

106深度学习适用场景320

107拟合神经网络321

108插值和双下降325

109实验：深度学习328

1010习题342

第11章生存分析与删失数据344

111生存时间与删失时间344

112细说删失345

113KanMeier生存曲线346

114对数秩检验348

115生存响应下的回归模型350

116Cox模型的压缩357

117其他主题359

118实验：生存分析361

119习题368

第12章无监督学习372

121无监督学习的挑战372

122主成分分析373

123缺失值与矩阵补全382

124聚类分析方法386

125实验：无监督学习397

126习题411

第13章多重检验415

131假设检验的快速回顾416

132多重检验的挑战420

133族错误率421

134假发现率428

135计算p值和假发现率的重采样
方法431

136实验：多重检验436

137习题445


3,5

【作者简介】

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。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。

【前言】

前言

统计学习是一套用于理解和分析复杂数据集的重要工具。近年来，数据收集的应用规模和范围在科学与工业的各个领域都呈现爆炸式增长。在这种背景下，统计学习成为不可或缺的理解数据的工具。如今，越来越多的工作与数据密切相关，因此对统计学习这类关键工具的需求也越来越大。
统计学习领域的开山之作——《统计学习基础》（The Elements of Statistical Learning，ESL，作者Hastie、Tibshirani和Friedman）于2001年出版，并于2009年出版了第2版。现在，ESL已成为统计学界及相关领域的一本非常受欢迎的教材。ESL之所以深受读者喜爱是因为ESL平实易懂的写作风格容易被广大读者接受。但事实上，它更适合接受过高等专业数学训练的读者阅读。
本书的写作初衷是满足那些既希望了解统计学习的关键领域，同时又不希望涉及过多专业细节的读者。相较于ESL，本书更加注重方法应用而非方法背后的数学细节。从第2章开始，每章都包含一个实验部分，展示如何使用R软件实现该章涉及的统计学习方法。这些实验能够为读者提供宝贵的实操经验。
本书不仅适合统计学和数据分析领域的高年级本科生及硕士生阅读，也适合那些致力于运用统计学习工具对自己专业的数据进行分析的人群阅读。此外，本书也可作为一本涵盖两个学期课程内容的教材。
上一版介绍过许多统计学习领域的重要主题，包括分类和回归的稀疏方法、决策树、提升法、支持向量机和聚类方法。自2013年出版以来，它已经成为全世界本科生和研究生的主流教材，也成为数据科学家的重要参考书。
本书是升级版，对涉及的统计学习主题范围进行了极大扩展。具体而言，新增加了深度学习（第10章）、生存分析与删失数据（第11章）和多重检验（第13章）等主题。同时对第1版部分章节进行了扩充，增加了朴素贝叶斯模型和广义线性模型(第4章)、贝叶斯加性回归树(第8章)以及矩阵补全（第12章）等内容。此外，实验部分的R代码也进行了相应的更新，以确保其运行的环境与主流版本的R软件兼容。
这些改进使得本书成为一本更加全面且具有实用价值的工具书，能够满足读者深入理解统计学习领域的需求。
在此，我们衷心感谢那些曾经阅读过初稿并提出宝贵意见的人：Pallavi Basu、Alexandra Chouldechova、Patrick Danaher、Will Fithian、Luella Fu、Sam Gross、Max Grazier GSell、Courtney Paulson、Xinghao Qiao、Elisa Sheng、Noah Simon、Kean Ming Tan和Xin Lu Tan。此外，也要感谢对本书提供宝贵意见的读者：Alan Agresti、Iain Carmichael、Yiqun Chen、Erin Craig、Daisy Ding、Lucy Gao、Ismael Lemhadri、Bryan Martin、Anna Neufeld、Geoff Tims、Carsten Voelkmann、Steve Yadlowsky和 James Zou。我们还要特别感谢Anna Neufeld协助修改本书中的R代码。同样，我们非常感谢Balasubramanian“Naras”Narasimhan对本书所提供的帮助。
上一版的发行对于统计学习方法应用产生了不可忽视的重要影响，这对我们来说是一项莫大的荣耀。我们希望在这个数据驱动的时代，本书能成为当下以及未来的应用统计学家和数据科学家获得成功所需的有效工具书。
预测之难测，未来更未知。——Yogi Berra