文档介绍：统计学****方法——cart, bagging, random forest, boosting
? cart(classification and regression tree)
breiman, friedman, olshen & stone (1984), quinlan (1993)
思想:递归地将输入空间分割成矩形
优点:可以进行变量选择,可以克服missing data,可以处理混合预测缺点:不稳定
example:
对于下面的数据,希望分割成红色和绿色两个类,原本数据生成是这样的: red class: x1^2+x2^2>=
green class: otherwise
经过不断分割可以得到最后的分类树:篇二:22本数据分析、挖掘的好书推荐―绝对干货,不看后悔!
深入浅出数据分析
这书挺简单的,基本的内容都涉及了,说得也比较清楚,最后谈到了r是大加分。难易程度:非常易。
啤酒与尿布
通过案例来说事情,而且是最经典的例子。
难易程度:非常易。
数据之美
一本介绍性的书籍,每章都解决一个具体的问题,甚至还有代码,对理解数据分析的应用领域和做法非常有帮助。
难易程度:易。
集体智慧编程
学****数据分析、数据挖掘、机器学****人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学****和数据挖掘中的算法,浅显易懂,还有可执行的python代码。难易程度:中。
machine learning in action
难易程度:中。
推荐系统实践
这本书不用说了,研究推荐系统必须要读的书,而且是第一本要读的书。难易程度:中上。
数据挖掘导论
最近几年数据挖掘教材中比较好的一本书,被美国诸多大学的数据挖掘课作为教材,没有推荐jiawei han老师的那本书,因为个人觉得那本书对于初学者来说不太容易读懂。
难易程度:中上。
the elements of statistical learning
这本书有对应的中文版:统计学****基础(豆瓣)。书中配有r包,非常赞!可以参照着代码学****算法。
难易程度:难。
统计学****方法
李航老师的扛鼎之作,强烈推荐。
难易程度:难。
pattern recognition and machine learning
经典中的经典。
machine learning
去年出版的新书,作者kevin murrphy教授是机器学****领域中年少有为的代表。这书是他的集大成之作,写完之后,就去google了,产学研结合,没有比这个更好的了。
bayesian reasoning and machine learning
看名字就知道了,彻彻底底的bayesian学派的书,里面的内容非常多,有一张图将机器学****中设计算法的关系总结了一下,很棒。
machine learning for hackers
也是通过实例讲解机器学****算法,用r实现的,可以一边学****机器学****一边学****r。
probabilistic graphical models
鸿篇巨制,这书谁要是读完了告诉我一声。
convex optimization
凸优化中最好的教材,没有之一了。课程也非常棒,stephen老师拿着纸一步一步推到,图一点一点画,太棒了。
graphical