開坑前言

本系列筆記基于《An Introduction to Statistical Learning with Applications in R》和其中文翻譯版《統(tǒng)計學習導論》。

概述

第二章 K-nearest neighbor classfier
第三章 線性回歸（是所有回歸方法的基礎(chǔ)）
第四章 Logistic Regression（邏輯回歸） 和 Linear discriminany analysis（線性判別分析）
第五章 交叉驗證 和 Bootstrap (自助法)
第六章 stepwise selection(逐步變量選擇)、ridge regression(嶺回歸)、principle components regression(主成分回歸)、partial least quares(偏最小二乘)、lasso回歸
（是在標準線性回歸基礎(chǔ)上的改進）

其余為 非線性統(tǒng)計學習方法：

第七章 一元輸入變量問題中頗有成效的非線性方法，之后再說明這些方法如何被運用到多與一個輸入變量的非線性可加模型中
第八章 樹類模型： bagging(裝袋法)、boosting(提升法)、隨機森林
第九章 SVM 既可以用于線性分類 也可以用于非線性
第十章 只有輸入變量沒有輸出的一類方法： PCA 、 k-means clustering、 hierarchical clustering(系統(tǒng)聚類)