《统计学习基础》简介

最新推荐文章于 2024-09-10 09:39:00 发布

小布归来了

最新推荐文章于 2024-09-10 09:39:00 发布

阅读量474

点赞数

分类专栏：《统计学习基础 Statistical Learning》

本文链接：https://blog.csdn.net/weixin_42077402/article/details/90739280

版权

《统计学习基础 Statistical Learning》专栏收录该内容

2 篇文章 0 订阅

订阅专栏

今天开始刷《统计学习基础》(第二版) 这本书，英文名为 The Elements of Statistical Learning (Version II)

原文链接：https://web.stanford.edu/~hastie/ElemStatLearn/

之前听很多朋友、老师推荐过，说这本书是机器学习的基础，同时也看到某些网友回复 " 一点都不基础，教材中有大量艰深的统计推断、矩阵、数值算法、凸优化等数学知识" , em... 我决定先啃起来再说。

因为不是统计学专业出身，所以找了豆瓣网友Chen_1st的评价，权当引子。

“ 这本书对当前最为流行的方法有比较全面深入的介绍，对工程人员参考价值也许要更大一点。另一方面，它不仅总结了已经成熟了的一些技术，而且对尚在发展中的一些议题也有简明扼要的论述。

这本书的作者是Boosting方法最活跃的几个研究人员，发明的 Gradient Boosting 提出了理解Boosting方法的新角度，极大扩展了Boosting方法的应用范围。书中Boosting部分是被相关学术论文引用最频繁的部分。个人觉得经常研读一下作者和其他Boosting流派打嘴仗的文章是学习机器学习很好的一个途径，因为只有这样尚未成熟 (而又影响广泛) 的领域中，你才能更具体地体会到一个学科是怎样逐渐发展成熟的，那些贡献卓著的研究人员是如何天才地发现问题解决问题的，又是如何因偏执而终究会被证明有一方至少是部分地无知的。这种体会是很难在那些发展成熟了的分支中找到的。Regularization方法是作者贡献丰富的另一个领域，也是这本书另一个最具趣味的部分。”

那么，作者认为谁应该读读这本书：

这本书是为了许多领域的研究者和学生设计的，这些领域包括统计、人工智能、工程、金融以及其他。我们预期读者至少学过统计的一门基础课程，掌握包括线性回归等基本概念。

我们没有试图写一篇全面的关于学习方法的目录，而是描述一些很重要的技巧。同样值得说明的是，我们描述根本的概念和用于研究者评判学习方法需要考虑的因素。我们试图从一个直观的角度来写这本书，强调概念而不是数学细节。

接下来，看看这本书的组织结构是怎样的：

作者认为一个人在尝试掌握复杂的概念前必须理解简单的方法。因此，当在第二章对监督学习给出概要后，我们在第三和第四章讨论了回归和分类的线性方法。第五章我们描述了对单个自变量的样条，小波和正则/惩罚方法，第六章则描述了核方法和局部回归。上述两种方法都是高维学习技术的重要基石。模型评估与选择是第七章的主题，包括偏差和方差，过拟合和用于选择模型用的交叉验证。第八章讨论了模型推断与平均，概要地介绍了极大似然法、贝叶斯推断、自助法、EM算法、吉布斯抽样和bagging。与此相关的boosting过程是第十章的重点。在第九到十三章我们描述了一系列用于监督学习的结构化方法，其中第九和第十一章介绍回归，第十二和第十三章的重点在分类。第十四章描述了非监督学习的方法。两个最近提出来的技术，随机森林和集成学习将在第十五和第十六章讨论。第十七章讨论了无向图模型，第十八章学习了高维问题。