机器学习-Intro

开坑前言

本系列笔记基于《An Introduction to Statistical Learning with Applications in R》和其中文翻译版《统计学习导论》。

概述

第二章 K-nearest neighbor classfier
第三章 线性回归（是所有回归方法的基础）
第四章 Logistic Regression（逻辑回归） 和 Linear discriminany analysis（线性判别分析）
第五章 交叉验证 和 Bootstrap (自助法)
第六章 stepwise selection(逐步变量选择)、ridge regression(岭回归)、principle components regression(主成分回归)、partial least quares(偏最小二乘)、lasso回归.
（是在标准线性回归基础上的改进）

其余为 非线性统计学习方法：

第七章 一元输入变量问题中颇有成效的非线性方法，之后再说明这些方法如何被运用到多与一个输入变量的非线性可加模型中
第八章 树类模型： bagging(装袋法)、boosting(提升法)、随机森林
第九章 SVM 既可以用于线性分类 也可以用于非线性
第十章 只有输入变量没有输出的一类方法： PCA 、 k-means clustering、 hierarchical clustering(系统聚类)