定 價:¥128.00
作 者: | [美] 馬特·威利,[美] 約書亞·F.威利 著,吳文國,胡明曉 譯 |
出版社: | 清華大學(xué)出版社 |
叢編項: | |
標(biāo) 簽: | 暫缺 |
ISBN: | 9787302557005 | 出版時間: | 2020-07-01 | 包裝: | 平裝 |
開本: | 16 | 頁數(shù): | 528 | 字?jǐn)?shù): |
第1章 單變量數(shù)據(jù)可視化 1
1.1 分布 2
1.1.1 可視化觀測數(shù)據(jù)的分布 2
1.1.2 堆積點陣圖與直方圖 2
1.1.3 經(jīng)驗密度圖 4
1.1.4 比較觀測分布與期望分布 6
1.1.5 Q-Q圖 7
1.1.6 比較經(jīng)驗密度圖與期望分布的密度圖 10
1.1.7 其他分布的擬合 11
1.2 異常值 16
1.3 小結(jié) 23
第2章 多變量數(shù)據(jù)可視化 25
2.1 分布 25
2.2 奇異值 30
2.3 變量之間的關(guān)系 33
2.4 小結(jié) 45
第3章 GLM Ⅰ 47
3.1 概念背景 48
3.2 分類預(yù)測器和虛擬編碼 49
3.2.1 二級分類預(yù)測器 49
3.2.2 三級或三級以上的分類預(yù)測值 50
3.3 交互作用和調(diào)節(jié)效應(yīng) 52
3.4 公式接口 53
3.5 方差分析 55
3.5.1 概念背景 55
3.5.2 R語言的ANOVA函數(shù) 58
3.6 線性回歸 61
3.6.1 概念背景 61
3.6.2 R語言中的線性回歸 62
3.6.3 高性能線性回歸 76
3.7 控制混合影響 78
3.8 案例研究:多線性回歸與交互作用 86
3.9 小結(jié) 93
第4章 GLM Ⅱ 95
4.1 概念背景 96
4.1.1 Logistic回歸 96
4.1.2 計數(shù)回歸 97
4.2 R程序示例 99
4.2.1 二項Logistic回歸 99
4.2.2 有序Logistic回歸 106
4.2.3 多分類Logistic回歸 109
4.2.4 泊松回歸和負(fù)二項回歸 113
4.3 案例研究:多項Logistic回歸 119
4.4 小結(jié) 127
第5章 廣義可加模型 129
5.1 概念背景 130
5.2 R語言中的GAM模型 136
5.2.1 高斯因變量 136
5.2.2 二值因變量 159
5.2.3 無序因變量 164
5.2.4 計數(shù)因變量 168
5.3 小結(jié) 176
第6章 機器學(xué)習(xí):引言 179
6.1 訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù) 180
6.2 重采樣和交叉驗證 186
6.3 自采樣法 189
6.4 并行處理和隨機數(shù) 191
6.5 小結(jié) 198
第7章 機器學(xué)習(xí):無監(jiān)督學(xué)習(xí) 201
7.1 數(shù)據(jù)背景和探索性分析 202
7.2 k-均值聚類算法 212
7.3 層次聚類算法 223
7.4 主成分分析 235
7.5 非線性聚類分析 245
7.6 小結(jié) 246
第8章 機器學(xué)習(xí):監(jiān)督學(xué)習(xí) 249
8.1 數(shù)據(jù)準(zhǔn)備 250
8.1.1 獨熱編碼 252
8.1.2 定標(biāo)化與中心化 254
8.1.3 變換 255
8.1.4 訓(xùn)練數(shù)據(jù)與驗證數(shù)據(jù) 260
8.1.5 主成分分析 261
8.2 監(jiān)督學(xué)習(xí)模型 266
8.2.1 支持向量機 267
8.2.2 分類與回歸樹 276
8.2.3 隨機森林 282
8.2.4 隨機梯度提升 288
8.2.5 多層感知機 297
8.3 小結(jié) 318
第9章 缺失數(shù)據(jù) 321
9.1 概念背景 322
9.2 R示例 328
9.2.1 回歸模型與多重插補 332
9.2.2 多重插補與并行處理 342
9.2.3 使用隨機森林法實現(xiàn)多重插補 345
9.3 案例研究:使用RF實現(xiàn)多重插補 349
9.4 小結(jié) 360
第10章 GLMM:引言 361
10.1 多層數(shù)據(jù) 362
10.1.1 數(shù)據(jù)重整 363
10.1.2 日記研究數(shù)據(jù)集 365
10.2 描述性統(tǒng)計量 368
10.2.1 基本描述量 370
10.2.2 組內(nèi)相關(guān)系數(shù)(ICC) 376
10.3 探索與假設(shè) 379
10.3.1 分布與奇異值 379
10.3.2 時間趨勢 384
10.3.3 自相關(guān) 386
10.3.4 假設(shè) 390
10.4 小結(jié) 395
第11章 GLMM:線性 397
11.1 理論 398
11.1.1 廣義線性混合模型 398
11.1.2 術(shù)語混合效應(yīng)和多層次模型 401
11.1.3 統(tǒng)計推斷 402
11.1.4 效應(yīng)量 403
11.1.5 隨機截距模型 404
11.1.6 可視化隨機效應(yīng) 404
11.1.7 解釋隨機截距模型 409
11.1.8 隨機截距斜率模型 416
11.1.9 將截距和斜率作為因變量 420
11.2 R示例 425
11.2.1 隨機截距的線性混合模型 425
11.2.2 隨機截距和隨機斜率的線性混合模型 437
11.3 小結(jié) 453
第12章 GLMM:高級 457
12.1 概念背景 458
12.2 Logistic廣義線性混合模型 458
12.2.1 隨機截距 458
12.2.2 隨機截距和隨機斜率 463
12.3 泊松分布和負(fù)二項分布GLMM 467
12.3.1 隨機截距 467
12.3.2 隨機截距和隨機斜率 477
12.4 小結(jié) 486
第13章 建模IIV 489
13.1 概念背景 490
13.1.1 貝葉斯推斷 490
13.1.2 什么是IIV 490
13.1.3 將IIV作為預(yù)測量 495
13.1.4 軟件實現(xiàn):VARIAN 499
13.2 R程序示例 500
13.3 小結(jié) 508