统计学习：回归视角（原书第3版）

传统统计方法似乎已经过时，但是本书告诉我们，尽管新的统计学习方法不断涌现，但是大多数统计学习方法都可以看作回归分析的变体。

本书从回归分析视角讲述统计学习方法，强调在无先验模型假设下，基于数据驱动的条件分布建模。本书的核心思想是，监督学习可被恰当地视为一种回归分析形式。遵循现代数据分析理念，本书强调，正确的统计学习数据分析方法依赖于良好的数据收集、巧妙的数据管理、恰当的统计程序以及对结果的可信解释。书中涵盖了袋装法、随机森林、提升算法、支持向量机、深度学习、强化学习等统计学习的关键概念和方法，并结合R语言代码展示了这些方法的实际应用。另外，本书探讨了传统统计推断和统计学习之间的关联与区别，很好地展现了计算机科学与统计学的融合发展与相互碰撞。本书既可以作为统计学、数据科学、人工智能、社会学、心理学和生命科学等专业高年级本科生和研究生的教材，也可以作为希望将统计学习方法应用于科学和政策问题的研究人员的参考用书。

理查德·A.伯克（Richard A.Berk），加州大学洛杉矶分校（UCLA）统计学荣休教授，目前担任宾夕法尼亚大学统计系和犯罪学系教授。他是美国统计学会会士和美国科学促进会会士，还在美国国家研究委员会应用与理论统计学委员会和社会科学研究理事会董事会等组织中担任专业职务。他的研究涉猎统计学在社会科学和自然科学中的广泛应用。

前言

第1章回归视角下的统计学习

1.1准备开始

1.2设定回归语境

1.3重新审视无处不在的线性回归模型

1.3.1实际问题

1.4使用错误的统计模型

1.4.1回归的另外一种形式

1.4.2关于使用错误模型进行统计推断的进一步探讨

1.4.3夹心标准误简介

1.4.4保形推断简介

1.4.5非参数自举法简介

1.4.6二元响应变量的错误回归模型

1.5向统计学习转变

1.5.1模型与算法

1.6一些初步概念

1.6.1统计学习的总体目标

1.6.2基于监督型统计学习的预测

1.6.3过拟合

1.6.4数据窥探

1.6.5应对过拟合和数据窥探的一些建设性对策

1.6.6损失函数及相关概念

1.6.7偏差-方差权衡

1.6.8线性估计量

1.6.9自由度

1.6.10基函数

1.6.11维度灾难

1.7统计学习的背景

示例和练习题

尾注

本章参考文献

第2章样条、平滑器和核函数

2.1引言

2.2回归样条

2.2.1分段线性总体近似估计

2.2.2多项式回归样条

2.2.3自然三次样条

2.2.4B样条

2.3惩罚平滑

2.3.1收缩与正则化

2.4惩罚回归样条

2.4.1一个实际应用

2.5平滑样条

2.5.1一个平滑样条的示例

2.6作为平滑方法的局部加权回归

2.6.1最近邻方法

2.6.2局部加权回归

2.7多预测变量的平滑方法

2.7.1二维空间的平滑

2.7.2广义加性模型

2.8带有分类变量的平滑算法

2.8.1使用广义加性模型处理二元结果的示例

2.9模型选择后的统计推断示例

2.9.1第一层级分析与第二层级分析的对比总结

2.10核化回归

2.10.1径向基核

2.10.2ANOVA径向基核

2.10.3一个核回归的应用

2.11总结与结论

……