開(kāi)坑前言

本系列筆記基于《An Introduction to Statistical Learning with Applications in R》和其中文翻譯版《統(tǒng)計(jì)學(xué)習(xí)導(dǎo)論》。

概述

第二章 K-nearest neighbor classfier
第三章 線性回歸（是所有回歸方法的基礎(chǔ)）
第四章 Logistic Regression（邏輯回歸） 和 Linear discriminany analysis（線性判別分析）
第五章 交叉驗(yàn)證 和 Bootstrap (自助法)
第六章 stepwise selection(逐步變量選擇)、ridge regression(嶺回歸)、principle components regression(主成分回歸)、partial least quares(偏最小二乘)、lasso回歸
（是在標(biāo)準(zhǔn)線性回歸基礎(chǔ)上的改進(jìn)）

其余為 非線性統(tǒng)計(jì)學(xué)習(xí)方法：

第七章 一元輸入變量問(wèn)題中頗有成效的非線性方法，之后再說(shuō)明這些方法如何被運(yùn)用到多與一個(gè)輸入變量的非線性可加模型中
第八章 樹類模型： bagging(裝袋法)、boosting(提升法)、隨機(jī)森林
第九章 SVM 既可以用于線性分類 也可以用于非線性
第十章 只有輸入變量沒(méi)有輸出的一類方法： PCA 、 k-means clustering、 hierarchical clustering(系統(tǒng)聚類)