The Elements of Statistical Learning:Data Mining, Inference, and Prediction

第1章 绪论


第2章 有指导学习概述


2.1 引言

2.2 变量类型和术语

2.3 两种简单预测方法：最小二乘方和最近邻法

2.4 统计判决理论

2.5 高维空间的局部方法

2.6 统计模型、有指导学习和函数逼近

2.7 结构化回归模型

2.8 受限的估计方法类

2.9 模型选择和偏倚-方差权衡

文献注释

习题


第3章 回归的线性方法


3.1 引言

3.2 线性回归模型和最小二乘方

.3.3 从简单的一元回归到多元回归

3.4 子集选择和系数收缩

3.5 计算考虑

文献注释

习题


第4章 分类的线性方法


4.1 引言

4.2 指示矩阵的线性回归

4.3 线性判别分析

4.4 逻辑斯缔回归

4.5 分离超平面

文献注释

习题


第5章 基展开与正则化


5.1 引言

5.2 分段多项式和样条

5.3 过滤和特征提取

5.4 光滑样条

5.5 光滑参数的自动选择

5.6 无参逻辑斯缔回归

5.7 多维样条函数

5.8 正则化和再生核希尔伯特空间

5.9 小波光滑

文献注释

习题


第6章 核方法


6.1 一维核光滑方法

6.2 选择核的宽度

6.3 irp上的局部回归

6.4 irp上结构化局部回归模型

6.5 局部似然和其他模型

6.6 核密度估计和分类

6.7 径向基函数和核

6.8 密度估计和分类的混合模型

6.9 计算考虑

文献注释

习题


第7章 模型评估与选择


7.1 引言

7.2 偏倚、方差和模型复杂性

7.3 偏倚-方差分解

7.4 训练误差率的乐观性

7.5 样本内预测误差的估计

7.6 有效的参数个数

7.7 贝叶斯方法和bic

7.8 最小描述长度

7.9 vapnik-chernovenkis维

7.10 交叉验证

7.11 自助法

文献注释

习题


第8章 模型推理和平均


8.1 引言

8.2 自助法和极大似然法

8.3 贝叶斯方法

8.4 自助法和贝叶斯推理之间的联系

8.5 em算法

8.6 从后验中抽样的mcmc

8.7 装袋

8.8 模型平均和堆栈

8.9 随机搜索：冲击

文献注释

习题


第9章 加法模型、树和相关方法


9.1 广义加法模型

9.2 基于树的方法

9.3 prim——凸点搜索

9.4 mars：多元自适应回归样条

9.5 分层专家混合

9.6 遗漏数据

9.7 计算考虑

文献注释

习题


第10章 提升和加法树


10.1 提升方法

10.2 提升拟合加法模型

10.3 前向分步加法建模

10.4 指数损失函数和adaboost

10.5 为什么使用指数损失

10.6 损失函数和健壮性

10.7 数据挖掘的“现货”过程

10.8 例：垃圾邮件数据

10.9 提升树

10.10 数值优化

10.11 提升适当大小的树

10.12 正则化

10.13 可解释性

10.14 实例

文献注释

习题


第11章 神经网络


11.1 引言

11.2 投影寻踪回归

11.3 神经网络

11.4 拟合神经网络

11.5 训练神经网络的一些问题

11.6 例：模拟数据

11.7 例：zip编码数据

11.8 讨论

11.9 计算考虑

文献注释

习题


第12章 支持向量机和柔性判别


12.1 引言

12.2 支持向量分类器

12.3 支持向量机

12.4 线性判别分析的推广

12.5 柔性判别分析

12.6 罚判别分析

12.7 混合判别分析

12.8 计算考虑

文献注释

习题


第13章 原型方法和最近邻


13.1 引言

13.2 原型方法

13.3 k-最近邻分类器

13.4 自适应的最近邻方法

13.5 计算考虑

文献注释

习题


第14章 无指导学习


14.1 引言

14.2 关联规则

14.3 聚类分析

14.4 自组织映射

14.5 主成分、曲线和曲面

14.6 独立成分分析和探测性投影寻踪

14.7 多维定标

文献注释

习题


术语表

参考文献