统计机器学习及R实现

　　本书全面介绍了统计机器学习的主要算法，内容涉及多元线性回归、对数线性回归、逻辑斯蒂回归、岭回归、Lasso回归、判别分析和聚类分析等传统方法，也涉及支持向量机、深度神经网络以及集成学习等比较热门的算法，并给出相应算法的R语言实现。本书还给出了向量和矩阵函数求导以及拉格朗日对偶等数学基础，便于读者理解相关算法推导。本书可以作为统计机器学习等相关专业的教材和参考书，也可供从事相关领域研究的人员参考。

暂缺《统计机器学习及R实现》作者简介

第1章 R语言基础
1.1 R的下载与安装
1.2 辅助性操作命令
1.3 基本运算与赋值
1.4 向量
1.4.1 向量定义
1.4.2 向量运算
1.4.3 向量元素的获取
1.4.4 向量主要运算雨数
1.5 矩阵
1.5.1 生成对角矩阵和单位阵
1.5.2 矩阵元素取出
1.5.3 矩阵行和列的维数
1.5.4 矩阵的主要运算雨数
1.5.5 矩阵合并
1.5.6 矩阵apply()运算雨数
1.6 因子(factor)和有序因子(ordered factor)
1.6.1 创建一个因子
1.6.2 创建一个有序因子
1.6.3 用cut()函数将一般的数据转换成因子或有序因子
1.7 数组
1.7.1 产生一个三维和四维数组
1.7.2 dim()函数可将向量转化成数组或矩阵
1.7.3 张量的三个关键属性
1.7.4 数据张量
1.7.5 张量重塑
1.8 列表
1.9 数据框
1.9.1 生成一个数据框
1.9.2 合并数据框
1.9.3 判断数据对象是否为数据框
1.9.4 数据框的行名和列名
1.9.5 连接函数
1.9.6 数据框的数据抽取
1.10 数据读取
1.10.1 读取外部数据
1.10.2 数据保存
1.11 数据类型查看及环境设置
1.11.1 数据类型
1.11.2 数据查看
1.11.3 环境设置函数options()
1.12 绘图
1.12.1 绘图参数命令
1.12.2 常用的绘图命令
1.12.3 绘图函数辅助
1.12.4 三维绘图
1.13 随机数产生
1.14 编程基础
1.14.1 条件语句
1.14.2 循环语句
1.14.3 自定义函数
1.15 R语言的 新
第2章 多元分布
2.1 一元分布
2.1.1 样本
2.1.2 常用统计量
2.1.3 常用分布
2.1.4 重要定理
2.2 多元分布
2.2.1 p维总体
2.2.2 随机向量义的数字特征
2.2.3 多元分布的参数估计
2.3 R语言相关操作
2.3.1 一元正态随机数
2.3.2 多元正态随机数
第3章 线性模型
3.1 线性回归
3.1.1 基本形式
3.1.2 一元线性回归
3.1.3 多元线性回归
……
第4章 判别分析
第5章 支持向量机
第6章 决策树
第7章 集成学习
第8章 主成分分析与因子分析
第9章 降维
0章 聚类分析
1章 偏 小二乘回归
2章 深度神经网络
附录A 向量和矩阵函数的导数
附录B 拉格朗日对偶性
参考文献