幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

用Python動手學統計學(第2版)/圖靈程序設計叢書

  • 作者：(日)馬場真哉|責編:王軍花|譯者:吳昊天//胡屹
  • 出版社：人民郵電
  • ISBN：9787115673817
  • 出版日期：2025/06/01
  • 裝幀：平裝
  • 頁數：480
人民幣：RMB 99.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是統計學的入門書，對同一個知識點分別使用文字說明、數學式和Python示例代碼進行講解，循序漸進地介紹了統計學和Python的基礎知識、描述統計、統計推斷、假設檢驗、正態線性模型和廣義線性模型等統計模型，以及機器學習等。通過閱讀本書，讀者不僅可以深刻理解統計學術語、統計分析方法和預測方法等，還可以學到前沿的機器學習知識，以及如何使用Python實現數據可視化和建模等。
    本書結構清晰、直觀易懂，適合統計學和Python的初學者及對數據科學和機器學習感興趣的讀者使用，也可作為高等院校電腦、統計等專業學生的入門書。
作者介紹
(日)馬場真哉|責編:王軍花|譯者:吳昊天//胡屹
目錄
第1章 開始學習統計學
  1-1 統計學
    1-1-1 描述統計
    1-1-2 統計推斷
  1-2 描述統計的必要性
    1-2-1 為什麼需要描述統計
    1-2-2 均值存在的問題
    1-2-3 使用均值以外的指標
    1-2-4 數據可視化
  1-3 統計推斷的必要性
    1-3-1 為什麼需要統計推斷
    1-3-2 術語 總體與樣本
    1-3-3 術語 樣本容量
    1-3-4 推斷的形象描述
    1-3-5 樣本的隨機偏差與區間估計
    1-3-6 判斷與假設檢驗
    1-3-7 模型與推斷
    1-3-8 從線性模型到機器學習
第2章 Python與Jupyter Notebook基礎
  2-1 環境搭建
    2-1-1 術語 Python
    2-1-2 術語 Anaconda
    2-1-3 術語 Jupyter Notebook
    2-1-4 安裝Anaconda
    2-1-5 安裝早期版本的Anaconda
    2-1-6 術語 Python編程術語
  2-2 認識Jupyter Notebook
    2-2-1 啟動Jupyter Notebook
    2-2-2 創建新文件
    2-2-3 執行代碼
    2-2-4 保存執行結果
    2-2-5 使用Markdown功能
    2-2-6 退出Jupyter Notebook
    2-2-7 使用Anaconda Prompt
  2-3 Python編程基礎
    2-3-1 實現四則運算
    2-3-2 實現其他運算
    2-3-3 實現註釋
    2-3-4 實現數據類型
    2-3-5 實現比較運算
    2-3-6 實現變數
    2-3-7 實現函數
    2-3-8 實現常用的函數
    2-3-9 實現類與實例
    2-3-10 實現基於if語句的程序分支
    2-3-11 實現基於for語句的循環
    2-3-12 編寫易用程序的技巧
    2-4 認識numpy與pandas
    2-4-1 實現導入外部功能
    2-4-2 術語 numpy與pandas

    2-4-3 實現列表
    2-4-4 實現行與列
    2-4-5 實現數組
    2-4-6 實現數組的運算
    2-4-7 實現二維數組
    2-4-8 實現生成等差數列的方法
    2-4-9 實現各類數組的生成
    2-4-10 實現切片
    2-4-11 實現數據幀
    2-4-12 實現讀取文件中的數據
    2-4-13 實現連接數據幀
    2-4-14 實現取出指定的列
    2-4-15 實現取出指定的行
    2-4-16 實現序列
    2-4-17 實現函數文檔
第3章 描述統計
  3-1 數據的種類
    3-1-1 術語 觀察、變數
    3-1-2 術語 定量數據、分類數據
    3-1-3 術語 離散型數據、連續型數據
    3-1-4 術語 二值數據、多值數據
    3-1-5 術語 名義尺度、順序尺度、間距尺度、比例尺度
    3-1-6 術語 單變數數據、多變數數據
    3-1-7 術語 時間序列數據、橫截面數據
  3-2 讀懂數學式
    3-2-1 數學式作為表達方式
    3-2-2 用數學式表示樣本
    3-2-3 為什麼要使用數學式
    3-2-4 加法與Σ符號
    3-2-5 用數學式表示樣本均值
    3-2-6 乘法與Π符號
    3-3 頻數分佈
    3-3-1 為什麼要學習多種統計方法
    3-3-2 術語 頻數、頻數分佈
    3-3-3 術語 組、組中值
    3-3-4 實現環境準備
    3-3-5 實現頻數分佈
    3-3-6 術語 頻率分佈、累積頻數分佈、累積頻率分佈
    3-3-7 實現頻率分佈、累積頻數分佈、累積頻率分佈
    3-3-8 術語 直方圖
    3-3-9 用於繪圖的matplotlib、seaborn
    3-3-10 實現直方圖
    3-3-11 實現組的大小不同的直方圖
    3-3-12 術語 核密度估計
    3-3-13 實現核密度估計
  3-4 單變數數據的統計量
    3-4-1 實現環境準備
    3-4-2 準備實驗數據
    3-4-3 實現樣本容量
    3-4-4 實現總和

    8-3-22 實現回歸模型中的方差分析
  8-4 含有多個解釋變數的模型
    8-4-1 實現環境準備
    8-4-2 實現錯誤的分析：只比較均值
    8-4-3 術語 協變數
    8-4-4 實現比較回歸直線的截距
    8-4-5 實現使用普通的方差分析進行檢驗
    8-4-6 實現多個解釋變數的平方和計算
    8-4-7 術語 調整平方和
    8-4-8 實現Type II檢驗
    8-4-9 實現讀入新數據
    8-4-10 術語 交互作用
    8-4-11 實現錯誤的分析：模型中未包含交互作用
    8-4-12 實現建立包含交互作用的模型
    8-4-13 實現Type III檢驗
    8-4-14 實現使用AIC進行變數選擇
    8-4-15 實現交互作用項的含義
    8-4-16 實現formula參數的功能
    8-4-17 實現設計矩陣
第9章 廣義線性模型
  9-1 廣義線性模型概述
    9-1-1 廣義線性模型的組成
    9-1-2 本書使用的概率分佈
    9-1-3 術語 泊松分佈
    9-1-4 術語 指數型分佈族
    9-1-5 指數型分佈族常用的概率分佈
    9-1-6 術語 線性預測運算元
    9-1-7 術語 聯繫函數
    9-1-8 聯繫函數與概率分佈的關係
    9-1-9 廣義線性模型的參數估計
    9-1-10 廣義線性模型的檢驗方法
  9-2 邏輯斯諦回歸
    9-2-1 術語 邏輯斯諦回歸
    9-2-2 本節示例
    9-2-3 二值分類問題
    9-2-4 術語 logit函數
    9-2-5 術語 反函數
    9-2-6 術語 logistic函數
    9-2-7 logistic函數的性質
    9-2-8 邏輯斯諦回歸的推導
    9-2-9 邏輯斯諦回歸的似然函數
    9-2-10 實現環境準備
    9-2-11 實現讀入數據並可視化
    9-2-12 實現邏輯斯諦回歸
    9-2-13 實現邏輯斯諦回歸的結果
    9-2-14 實現邏輯斯諦回歸的模型選擇
    9-2-15 實現使用邏輯斯諦回歸進行預測
    9-2-16 實現邏輯斯諦回歸的回歸曲線
    9-2-17 術語 優勢和對數優勢
    9-2-18 術語 優勢比和對數優勢比

    9-2-19 實現邏輯斯諦回歸的係數與優勢比的關係
  9-3 廣義線性模型的評估
    9-3-1 實現環境準備
    9-3-2 術語 皮爾遜殘差
    9-3-3 實現皮爾遜殘差
    9-3-4 術語 偏差
    9-3-5 術語 偏差殘差
    9-3-6 實現偏差殘差
    9-3-7 術語 交叉熵誤差
  9-4 泊松回歸
    9-4-1 泊松分佈
    9-4-2 泊松分佈與二項分佈的關係
    9-4-3 實現環境準備
    9-4-4 實現泊松分佈
    9-4-5 術語 泊松回歸
    9-4-6 本節示例
    9-4-7 泊松回歸的推導
    9-4-8 實現讀入數據
    9-4-9 實現泊松回歸
    9-4-10 實現泊松回歸的模型選擇
    9-4-11 實現使用泊松回歸進行預測
    9-4-12 實現泊松回歸的回歸曲線
    9-4-13 實現回歸係數的含義
第10章 統計學與機器學習
  10-1 機器學習基礎
    10-1-1 術語 機器學習
    10-1-2 術語 監督學習
    10-1-3 術語 無監督學習
    10-1-4 術語 強化學習
    10-1-5 術語 基於規則的機器學習
    10-1-6 統計學與機器學習無法徹底分離
    10-1-7 統計學注重過程，機器學習注重結果
  10-2 正則化、Ridge回歸與Lasso回歸
    10-2-1 術語 正則化
    10-2-2 術語 Ridge回歸
    10-2-3 術語 Lasso回歸
    10-2-4 確定正則化強度
    10-2-5 將解釋變數標準化
    10-2-6 Ridge回歸與Lasso回歸的差異
    10-2-7 變數選擇與正則化的對比
    10-2-8 正則化的意義
  10-3 Python中的Ridge回歸與Lasso回歸
    10-3-1 術語 scikit-learn
    10-3-2 實現環境準備
    10-3-3 實現解釋變數的標準化
    10-3-4 實現定義響應變數
    10-3-5 實現普通最小二乘法
    10-3-6 實現使用sklearn實現線性回歸
    10-3-7 實現Ridge回歸：懲罰指標的影響
    10-3-8 實現Ridge回歸：確定最佳正則化強度

    10-3-9 實現Lasso回歸：懲罰指標的影響
    10-3-10 實現Lasso回歸：確定最佳正則化強度
    10-3-11 實現使用Lasso回歸進行預測
  10-4 線性模型與神經網路
    10-4-1 術語 輸入向量、目標向量、權重、偏置
    10-4-2 術語 單層感知機
    10-4-3 術語 激活函數
    10-4-4 從線性模型到神經網路
    10-4-5 術語 隱藏層
    10-4-6 術語 神經網路
    10-4-7 神經網路的結構
    10-4-8 神經網路中的L2正則化
    10-4-9 實現環境準備
    10-4-10 實現一元回歸分析
    10-4-11 實現使用神經網路實現回歸
    10-4-12 實現邏輯斯諦回歸
    10-4-13 實現使用神經網路實現分類
    10-4-14 實現生成用於複雜分類問題的數據
    10-4-15 實現將數據分割為訓練集與測試集
    10-4-16 實現對複雜數據進行邏輯斯諦回歸分析
    10-4-17 實現使用神經網路對複雜數據進行分類
    10-4-18 線性模型與神經網路各自的優點
  參考文獻（圖靈社區下載）

    3-4-5 實現樣本均值
    3-4-6 術語 樣本方差
    3-4-7 實現樣本方差
    3-4-8 術語 無偏方差
    3-4-9 實現無偏方差
    3-4-10 術語 標準差
    3-4-11 實現標準差
    3-4-12 術語 變異係數
    3-4-13 實現變異係數
    3-4-14 術語 標準化
    3-4-15 實現標準化
    3-4-16 術語 最小值、最大值、中位數、四分位數
    3-4-17 實現最小值、最大值
    3-4-18 實現中位數
    3-4-19 實現四分位數
    3-4-20 實現眾數
    3-4-21 實現pandas的describe函數
  3-5 多變數數據的統計量
    3-5-1 實現環境準備
    3-5-2 實現準備用於實驗的數據
    3-5-3 術語 協方差
    3-5-4 術語 協方差矩陣
    3-5-5 實現協方差
    3-5-6 實現協方差矩陣
    3-5-7 術語 皮爾遜積矩相關係數
    3-5-8 術語 相關矩陣
    3-5-9 實現皮爾遜積矩相關係數
    3-5-10 相關係數無效的情況
    3-5-11 術語 列聯表
    3-5-12 實現列聯表
  3-6 分層分析
    3-6-1 術語 分層分析
    3-6-2 術語 整潔數據
    3-6-3 術語 雜亂數據
    3-6-4 雜亂數據的例子
    3-6-5 實現環境準備
    3-6-6 實現讀取實驗數據
    3-6-7 實現分組計算統計量
    3-6-8 實現企鵝數據
    3-6-9 實現企鵝數據的分層分析
    3-6-10 實現缺失數據的處理
    3-6-11 實現簡單直方圖
    3-6-12 實現分組直方圖
  3-7 使用圖形
    3-7-1 實現環境準備
    3-7-2 術語 matplotlib、seaborn
    3-7-3 實現讀取實驗數據
    3-7-4 實現散點圖
    3-7-5 實現圖形的裝飾和保存
    3-7-6 實現折線圖

    3-7-7 實現條形圖
    3-7-8 實現箱形圖
    3-7-9 實現小提琴圖
    3-7-10 術語 軸級函數與圖級函數
    3-7-11 實現基於種類和性別的小提琴圖
    3-7-12 實現基於種類、島名和性別的小提琴圖
    3-7-13 實現散點圖矩陣
第4章 概率論與概率分佈
  4-1 什麼是概率論
    4-1-1 為什麼要學習概率論
    4-1-2 第4章 的內容脈絡
    4-1-3 術語 集合
    4-1-4 術語 元素
    4-1-5 術語 集合的外延表示與內涵表示
    4-1-6 術語 子集
    4-1-7 術語 維恩圖
    4-1-8 術語 交集與並集
    4-1-9 術語 差集
    4-1-10 術語 空集
    4-1-11 術語 全集
    4-1-12 術語 補集
    4-1-13 術語 樣本點、樣本空間、事件
    4-1-14 術語 互斥事件
    4-1-15 通過擲骰子聯想到的各種概率
    4-1-16 術語 概率的公理化定義
    4-1-17 用頻率解釋概率
    4-1-18 主觀概率學派
    4-1-19 術語 概率的加法定理
    4-1-20 術語 條件概率
    4-1-21 術語 概率的乘法定理
    4-1-22 術語 獨立事件
  4-2 什麼是概率分佈
    4-2-1 術語 隨機變數與樣本值
    4-2-2 術語 離散隨機變數與連續隨機變數
    4-2-3 術語 概率分佈
    4-2-4 術語 概率質量函數
    4-2-5 術語 均勻分佈（離散型）
    4-2-6 術語 概率密度
    4-2-7 術語 概率密度函數
    4-2-8 概率的總和與概率密度積分的聯繫
    4-2-9 術語 均勻分佈（連續型）
    4-2-10 術語 累積分佈函數
    4-2-11 均勻分佈的累積分佈函數
    4-2-12 術語 百分位數
    4-2-13 術語 期望值
    4-2-14 術語 隨機變數的方差
    4-2-15 均勻分佈的期望值與方差
    4-2-16 術語 多元概率分佈
    4-2-17 術語 聯合概率分佈
    4-2-18 術語 邊緣化、邊緣分佈

    4-2-19 術語 條件概率分佈
    4-2-20 術語 隨機變數的獨立
    4-2-21 二元概率分佈的例子
    4-2-22 術語 隨機變數的協方差與相關係數
    4-2-23 術語 獨立同分佈
  4-3 二項分佈
    4-3-1 術語 試驗
    4-3-2 術語 二值隨機變數
    4-3-3 術語 伯努利試驗
    4-3-4 術語 成功概率
    4-3-5 術語 伯努利分佈
    4-3-6 設計程序來模擬抽籤
    4-3-7 實現環境準備
    4-3-8 實現抽1張便箋的模擬
    4-3-9 實現抽10張便箋的模擬
    4-3-10 實現抽10張便箋並重複10 000 次的模擬
    4-3-11 術語 二項分佈
    4-3-12 實現二項分佈
    4-3-13 實現生成服從二項分佈的隨機數
    4-3-14 實現二項分佈的期望值與方差
    4-3-15 實現二項分佈的累積分佈函數
    4-3-16 實現二項分佈的百分位數
    4-3-17 實現二項分佈的右側概率
  4-4 正態分佈
    4-4-1 實現環境準備
    4-4-2 術語 正態分佈
    4-4-3 實現正態分佈的概率密度函數
    4-4-4 正態分佈的由來
    4-4-5 實現誤差累積的模擬
    4-4-6 術語 中心極限定理
    4-4-7 正態分佈的性質
    4-4-8 實現生成服從正態分佈的隨機數
    4-4-9 實現正態分佈的累積分佈函數
    4-4-10 實現正態分佈的百分位數
    4-4-11 實現正態分佈的右側概率
第5章 統計推斷
  5-1 統計推斷的思路
    5-1-1 術語 抽樣
    5-1-2 術語 簡單隨機抽樣
    5-1-3 湖中釣魚示例
    5-1-4 樣本與隨機變數
    5-1-5 作為抽樣過程的總體分佈
    5-1-6 用術語 來描述抽樣過程
    5-1-7 模型的應用
    5-1-8 術語 瓮模型
    5-1-9 把抽樣過程抽象化的模型
    5-1-10 總體分佈與總體的頻率分佈
    5-1-11 更現實的湖中釣魚示例
    5-1-12 做假設
    5-1-13 假設總體服從正態分佈

    5-1-14 術語 概率分佈的參數
    5-1-15 術語 參數模型與非參數模型
    5-1-16 術語 統計推斷
    5-1-17 假設總體分佈是正態分佈之後的做法
    5-1-18 小結：統計推斷的思路
    5-1-19 從5-2節開始的解說流程
    5-1-20 所做的假設是否恰當
  5-2 用Python模擬抽樣
    5-2-1 實現環境準備
    5-2-2 抽樣過程
    5-2-3 實現在只有5條魚的湖中抽樣
    5-2-4 實現從魚較多的湖中抽樣
    5-2-5 實現總體分佈的可視化
    5-2-6 實現對比總體分佈和正態分佈的概率密度函數
    5-2-7 實現抽樣過程的抽象描述
    5-2-8 補充討論
    5-2-9 假設總體服從正態分佈是否恰當
  5-3 估計總體均值
    5-3-1 實現環境準備
    5-3-2 術語 總體均值、總體方差、總體標準差
    5-3-3 術語 估計量、估計值
    5-3-4 樣本均值作為總體均值的估計量
    5-3-5 模擬的內容
    5-3-6 實現載入總體數據
    5-3-7 實現計算樣本均值
    5-3-8 實現多次計算樣本均值
    5-3-9 實現樣本均值的均值
    5-3-10 術語 無偏性、無偏估計量
    5-3-11 樣本均值作為總體均值的無偏估計量
    5-3-12 實現編寫一個多次計算樣本均值的函數
    5-3-13 實現不同樣本容量的樣本均值的分佈
    5-3-14 計算樣本均值的標準差
    5-3-15 術語 標準誤差
    5-3-16 實現樣本容量更大時的樣本均值
    5-3-17 術語 一致性、一致估計量
    5-3-18 術語 大數定律
    5-3-19 統計推斷的思考模式
  5-4 估計總體方差
    5-4-1 實現環境準備
    5-4-2 實現準備一個總體
    5-4-3 用樣本方差、無偏方差估計總體方差
    5-4-4 實現計算樣本方差和無偏方差
    5-4-5 實現樣本方差的均值
    5-4-6 實現無偏方差的均值
    5-4-7 無偏方差用作總體方差的無偏估計量
    5-4-8 實現樣本容量更大時的無偏方差
  5-5 從正態總體衍生的概率分佈
    5-5-1 實現環境準備
    5-5-2 術語 樣本分佈
    5-5-3 正態分佈的應用

    5-5-4 術語 分佈
    5-5-5 實現模擬準備
    5-5-6 實現分佈
    5-5-7 樣本均值服從的分佈
    5-5-8 實現樣本均值的標準化
    5-5-9 術語 t值
    5-5-10 術語 t分佈
    5-5-11 實現t分佈
    5-5-12 術語 F分佈
    5-5-13 實現F分佈
    5-6 區間估計
    5-6-1 實現環境準備
    5-6-2 術語 點估計、區間估計
    5-6-3 實現點估計
    5-6-4 術語 置信水平、置信區間
    5-6-5 術語 置信界限
    5-6-6 總體均值的區間估計
    5-6-7 實現總體均值的區間估計
    5-6-8 決定置信區間大小的因素
    5-6-9 區間估計結果的解讀
    5-6-10 總體方差的區間估計
    5-6-11 實現總體方差的區間估計
第6章 假設檢驗
  6-1 單樣本t檢驗
    6-1-1 假設檢驗入門
    6-1-2 關於總體均值的單樣本t檢驗
    6-1-3 術語 零假設與備擇假設
    6-1-4 術語 顯著性差異
    6-1-5 t檢驗的直觀解釋
    6-1-6 均值差異大不代表存在顯著性差異
    6-1-7 術語 檢驗統計量
    6-1-8 回顧t值
    6-1-9 小結
    6-1-10 術語 第一類錯誤與第二類錯誤
    6-1-11 術語 顯著性水平
    6-1-12 術語 拒絕域與接受域
    6-1-13 術語 p值
    6-1-14 小結
    6-1-15 回顧t值與t分佈的關係
    6-1-16 術語 單側檢驗與雙側檢驗
    6-1-17 計算拒絕域
    6-1-18 計算p值
    6-1-19 本節涉及的數學式
    6-1-20 實現環境準備
    6-1-21 實現計算t值
    6-1-22 實現計算拒絕域
    6-1-23 實現計算p值
    6-1-24 實現通過模擬計算p值
  6-2 均值差檢驗
    6-2-1 雙樣本t檢驗

    6-2-2 配對樣本t檢驗
    6-2-3 實現環境準備
    6-2-4 實現配對樣本t檢驗
    6-2-5 獨立樣本t檢驗（異方差）
    6-2-6 實現獨立樣本t檢驗（異方差）
    6-2-7 獨立樣本t檢驗（同方差）
    6-2-8 術語 p值操縱
  6-3 列聯表檢驗
    6-3-1 使用列聯表的優點
    6-3-2 本節示例
    6-3-3 計算期望頻數
    6-3-4 計算觀測頻數和期望頻數的差異
    6-3-5 實現環境準備
    6-3-6 實現計算p值
    6-3-7 實現列聯表檢驗
    6-4 檢驗結果的解讀
    6-4-1 p值小於或等於0.05  時的表述方法
    6-4-2 p值大於0.05  時的表述方法
    6-4-3 假設檢驗的常見誤區
    6-4-4 p值小不代表差異大
    6-4-5 p值大於0.05  不代表沒有差異
    6-4-6 術語 假設檢驗的非對稱性
    6-4-7 在檢驗之前確定顯著性水平
    6-4-8 是否有必要學習假設檢驗
    6-4-9 是否滿足前提條件
第7章 統計模型基礎
  7-1 統計模型
    7-1-1 術語 模型
    7-1-2 術語 建模
    7-1-3 模型的作用
    7-1-4 從正態總體中隨機抽樣的模型
    7-1-5 術語 數學模型
    7-1-6 術語 概率模型
    7-1-7 模型的估計
    7-1-8 模型的升級
    7-1-9 基於模型的預測
    7-1-10 簡化複雜的世界
    7-1-11 從某個角度觀察複雜的現象
    7-1-12 統計模型與經典數據分析的對比
    7-1-13 統計模型的應用
  7-2 建立線性模型的方法
    7-2-1 本節示例
    7-2-2 術語 響應變數與解釋變數
    7-2-3 術語 線性模型
    7-2-4 術語 係數與權重
    7-2-5 如何建立線性模型
    7-2-6 線性模型的選擇
    7-2-7 術語 變數選擇
    7-2-8 術語 空模型
    7-2-9 通過假設檢驗選擇變數

    7-2-10 通過信息量準則選擇變數
    7-2-11 模型評估
    7-2-12 在建模之前確定分析目的
  7-3 數據表示與模型名稱
    7-3-1 從廣義線性模型的角度對模型進行分類
    7-3-2 術語 正態線性模型
    7-3-3 術語 回歸分析
    7-3-4 術語 多元回歸分析
    7-3-5 術語 方差分析
    7-3-6 術語 協方差分析
    7-3-7 機器學習中的術語
  7-4 參數估計：最大化似然
    7-4-1 為什麼要學習參數估計
    7-4-2 術語 似然
    7-4-3 術語 似然函數
    7-4-4 術語 對數似然
    7-4-5 對數的性質
    7-4-6 術語 最大似然法
    7-4-7 術語 最大似然估計量
    7-4-8 術語 最大對數似然
    7-4-9 服從正態分佈的數據的似然
    7-4-10 術語 多餘參數
    7-4-11 正態線性模型的似然
    7-4-12 最大似然法計算示例
    7-4-13 最大似然估計量的性質
  7-5 參數估計：最小化損失
    7-5-1 術語 損失函數
    7-5-2 術語 擬合值與預測值
    7-5-3 術語 殘差
    7-5-4 為什麼不能將殘差之和直接作為損失指標
    7-5-5 術語 殘差平方和
    7-5-6 術語 最小二乘法
    7-5-7 最小二乘法與最大似然法的關係
    7-5-8 術語 誤差函數
    7-5-9 多種損失函數
  7-6 預測精度的評估與變數選擇
    7-6-1 術語 擬合精度與預測精度
    7-6-2 術語 過擬合
    7-6-3 變數選擇的意義
    7-6-4 術語 泛化誤差
    7-6-5 術語 訓練集與測試集
    7-6-6 術語 交叉驗證
    7-6-7 術語 赤池信息量準則
    7-6-8 術語 相對熵
    7-6-9 相對熵的最小化與平均對數似然
    7-6-10 AIC與平均對數似然中的偏差
    7-6-11 使用AIC進行變數選擇
    7-6-12 用變數選擇代替假設檢驗
    7-6-13 應該使用假設檢驗還是AIC
第8章 正態線性模型

  8-1 含有單個連續型解釋變數的模型（一元回歸）
    8-1-1 實現環境準備
    8-1-2 實現讀入數據並繪製其圖形
    8-1-3 建模
    8-1-4 使用最小二乘法估計係數
    8-1-5 實現估計係數
    8-1-6 估計出的係數的期望值與方差
    8-1-7 實現使用statsmodels建模
    8-1-8 實現列印估計結果並檢驗係數
    8-1-9 實現summary函數的輸出
    8-1-10 實現使用AIC進行模型選擇
    8-1-11 實現使用一元回歸進行預測
    8-1-12 實現置信區間和預測區間
    8-1-13 術語 回歸直線
    8-1-14 實現使用seaborn繪製回歸直線
    8-1-15 實現繪製置信區間和預測區間
    8-1-16 回歸直線的方差
  8-2 正態線性模型的評估
    8-2-1 實現環境準備
    8-2-2 實現獲取殘差
    8-2-3 術語 決定係數
    8-2-4 實現決定係數
    8-2-5 術語 修正決定係數
    8-2-6 實現修正決定係數
    8-2-7 實現殘差的可視化
    8-2-8 術語 分點陣圖
    8-2-9 實現分點陣圖
    8-2-10 實現對照summary函數的輸出結果分析殘差
  8-3 方差分析
    8-3-1 本節示例
    8-3-2 什麼時候應該使用方差分析
    8-3-3 術語 多重假設檢驗
    8-3-4 方差分析的直觀理解：F比
    8-3-5 顯著性差異與小提琴圖
    8-3-6 方差分析的直觀理解：分離效應和誤差
    8-3-7 術語 組間差異與組內差異
    8-3-8 實現環境準備
    8-3-9 實現生成數據並可視化
    8-3-10 實現計算各水平均值與總體均值
    8-3-11 實現方差分析①：計算組間偏差平方和與組內偏差平方和
    8-3-12 實現方差分析②：計算組間方差與組內方差
    8-3-13 實現方差分析③：計算F比和p值
    8-3-14 單因素方差分析的計算過程
    8-3-15 術語 平方和分解
    8-3-16 解釋變數為分類變數的正態線性模型
    8-3-17 術語 虛擬變數
    8-3-18 實現statsmodels中的方差分析
    8-3-19 術語 方差分析表
    8-3-20 模型係數的含義
    8-3-21 實現使用模型分離效應和誤差

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032