本书在介绍机器学习相关知识的基础上，主要介绍了基于机器学习的特殊数据模型的建立和分析的方法，尤其是含有异常或服从重尾分布的数据，包括基于正则化方法的回归模型、 自加权鲁棒正则化方法、基于自变量相关的鲁棒回归模型、 基于因变量相关的Lasso回归模型、 基于变量相关的岭回归模型。本书内容对于统计机器学习相关专业师生及技术人员有很好的参考性。
售 价：¥
纸质售价：¥84.60购买纸书
6.8
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容提要
前言
第1章 机器学习基础
1.1 机器学习及基本概念
1.2 机器学习三要素
1.3 机器学习分类
1.4 回归模型发展现状
第2章 基于正则化方法的回归模型
2.1 正则化方法
2.2 基于最小二乘估计的正则化方法
2.3 鲁棒（稳健）正则化方法
第3章 自加权鲁棒正则化方法
3.1 自加权鲁棒方法
3.2 L0正则项
3.3 基于SELO惩罚项的自加权估计方法
3.4 实验验证与分析
第4章 基于自变量相关的鲁棒回归模型
4.1 自变量相关性问题
4.2 基于Elastic Net罚的鲁棒估计方法
4.3 实验验证与分析
第5章 基于因变量相关的Lasso回归模型
5.1 因变量相关性问题
5.2 Network Lasso估计及其性质
5.3 实验结果与分析
第6章 面向网络数据的Elastic Net回归模型
6.1 网络数据问题
6.2 面向网络数据的回归模型
6.3 Network Elastic Net模型构建
6.4 实验结果与分析
附录
附录1
附录2
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
