非參數統計（基于Python）

定　價：￥49.00

作　者：	王星著
出版社：	中國人民大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787300301495	出版時間：	2022-06-01	包裝：	平裝
開本：	16開	頁數：	312	字數：

內容簡介

　　非參數統計是統計學和數據科學的重要分支領域。本書作為該領域的基礎教材，其特點體現在以下幾方面：1．針對性強。本書針對數據分析專業(yè)的特點和需要，闡述非參數統計的基本概念、理論、方法和編程，重點從非受控觀察數據對參數推斷知識的需要角度出發(fā)，將統計推斷知識、理論和方法與反事實復雜場景因果關系的解讀與判斷問題相結合，應用于穩(wěn)健估計、局部模式、嚴格證據的信息提取任務中。2．通用性強。適用于Python技術數據管理人才培養(yǎng)。增加Python技術的應用內容，編寫了Python綜合程序，降低了統計理論學習難度，增強了技術的可嵌入性；自主研發(fā)的精確分析求解程序，大大補充了Python中小數據推斷程序的不足，計算的便利性大幅提升，適用于Python自動化測試、運維、數據分析等多種高端數據管理崗位的嵌入式學習需求。3．內容新穎。順應人工智能時代發(fā)展和數據分析大環(huán)境的變化，對特征工程有效降噪及控制錯誤發(fā)現率等方面的內容作了闡述與分析，針對深度學習對圖像應用的需求增加，增加了深度學習的內容。

作者簡介

　　王星中國人民大學統計學院教授，北京師范大學數學本科與碩士，中國人民大學統計學博士。國家社科基金重點項目負責人，《中國大百科全書》第三版統計學卷編委。在《統計研究》《中國人民大學學報》《數理統計與管理》和JAMA等刊物發(fā)表多篇論文。主要研究方向包括稀疏網絡挖掘模型、高維復雜數據統計學習、深度學習等。主要著作和譯作包括《非參數統計》《大數據分析：方法與應用》《人文社會科學文獻網絡知識模型與應用》《統計學習導論一基于R應用》等。講授課程包括非參數統計、大數據分析、機器學習方法等。曾獲北京市高等教育教學成果獎二等獎、第十屆全國統計科學研究優(yōu)秀成果獎二等獎、全國應用統計案例大賽一等獎指導教師等學術獎勵；開設非參數統計MOOC課程。

圖書目錄

第 1章基本概念
1．1非參數統計的概念與產生
1．1．1 非參數統計的研究對象
1．1．2 非參數統計簡史
1．2假設檢驗回顧
1．3經驗分布和分布探索
1．3．1 經驗分布
1．3．2 生存函數
1．4檢驗的相對效率
1．5分位數和非參數估計
1．5．1 順序統計量
1．5．2 分位數的定義
1．5．3 分位數的估計
1．5．4 分位數的圖形表示
1．6秩檢驗統計量
1．6．1 無重復數據的秩及性質
1．6．2 帶結數據的秩及性質
1．7 U統計量
1．7．1 單一樣本的U統計量和主要特征
1．7．2 兩樣本 U檢驗統計量和分布
習題
第 2章單變量位置推斷問題
2．1符號檢驗和分位數推斷
2．1．1基本概念
2．1．2大樣本的檢驗方法
2．1．3符號檢驗在配對樣本比較中的應用
2．1．4分位數檢驗――符號檢驗的推廣
2．2 Cox-Stuart趨勢存在性檢驗
2．2．1最優(yōu)權重Cox-Stuart統計量基本原理
2．2．2無權重Cox-Stuart統計量
2．3隨機游程檢驗
2．3．1兩類隨機游程檢驗
2．3．2三類及多類游程檢驗
2．4 Wilcoxon符號秩檢驗
2．4．1基本概念
2．4．2 Wilcoxon符號秩檢驗和抽樣分布
2．5估計量的穩(wěn)健性評價
2．5．1敏感曲線
2．5．2影響函數
2．5．3失效點
2．6單組數據的位置參數置信區(qū)間估計
2．6．1順序統計量位置參數置信區(qū)間估計
2．6．2基于方差估計法的位置參數置信區(qū)間估計
2．7正態(tài)記分檢驗
2．8分布的一致性檢驗
2．8．1 χ2擬合優(yōu)度檢驗
2．8．2 Kolmogorov-Smirnov正態(tài)性檢驗
2．8．3 Liliefor正態(tài)分布檢驗
2．9單一總體漸近相對效率比較
習題
第3章兩獨立樣本數據的位置和尺度推斷 ?
3．1 Brown-Mood中位數檢驗
3．1．1假設檢驗問題
3．1．2大樣本檢驗
3．2 Wilcoxon-Mann-Whitney秩和檢驗
3．2．1無結點Wilcoxon-Mann-Whitney秩和檢驗 ?
3．2．2帶結點時的計算公式
3．2．3 MX ． MY的點估計和區(qū)間估計
3．3 Mann-Whitney U統計量與ROC曲線
3．4置換檢驗
3．5 Mood方差檢驗
3．6 Moses方差檢驗
習題
第4章多組數據位置推斷
4．1試驗設計和方差分析的基本概念回顧
4．2多重檢驗問題
4．2．1 FDR控制基本原理
4．2．2 FDR的相關討論
4．3高階鑒定法(HC)
4．4 Kruskal-Wallis單因素方差分析
4．4．1 Kruskal-Wallis檢驗的基本原理
4．4．2有結點的檢驗
4．5 Jonckheere-Terpstra檢驗
4．5．1無結點Jonckheere-Terpstra檢驗
4．5．2帶結點的Jonkheere-Terpstra檢驗
4．6 Friedman秩方差分析法
4．6．1 Friedman檢驗的基本原理
4．6．2 Hollander-Wolfe兩處理間比較
4．7隨機區(qū)組數據的調整秩和檢驗
4．8 Cochran檢驗
4．9 Durbin不完全區(qū)組分析法習題
第5章分類數據的關聯分析
5．1 r×s列聯表和χ2獨立性檢驗
5．2 χ2齊性檢驗
5．3 Fisher精確性檢驗
5．4 McNemar檢驗
5．5 Mantel-Haenszel檢驗
5．6關聯規(guī)則
5．6．1關聯規(guī)則基本概念
5．6．2 Apriori算法
5．7 Ridit檢驗法
5．7．1 Ridit得分的計算和假設檢驗
5．7．2 根據置信區(qū)間分組
5．8對數線性模型
5．8．1泊松回歸
5．8．2對數線性模型的基本概念
5．8．3模型的設計矩陣
5．8．4模型的估計和檢驗
5．8．5高維對數線性模型和獨立性
習題
第 6章秩相關和穩(wěn)健回歸 ?
6．1 Spearman秩相關檢驗
6．2 Kendallτ相關檢驗
6．3多變量Kendall協和系數檢驗
6．4 Kappa一致性檢驗
6．5 HBR基于秩的穩(wěn)健回歸
6．5．1基于秩的R估計
6．5．2假設檢驗
6．5．3多重決定系數 CMD
6．5．4回歸診斷
6．6中位數回歸系數估計法
6．6．1 Brown-Mood方法
6．6．2 Theil方法
6．6．3關于α和 β的檢驗
6．7線性分位回歸模型習題
第7章非參數密度估計
7．1直方圖密度估計
7．1．1基本概念
7．1．2理論性質和最優(yōu)帶寬
7．1．3多維直方圖 ?
7．2核密度估計
7．2．1核函數的基本概念
7．2．2理論性質和帶寬
7．2．3置信帶和中心極限定理
7．2．4多維核密度估計
7．2．5貝葉斯決策和非參數密度估計
7．3 k近鄰估計
習題
第8章非參數回歸
8．1核回歸光滑模型
8．2局部多項式回歸
8．2．1局部線性回歸
8．2．2局部多項式回歸的基本原理
8．3 LOWESS穩(wěn)健回歸
8．4 k近鄰回歸
8．4．1 k近鄰估計
8．4．2 k近鄰核估計
8．5正交序列回歸
8．6罰最小二乘法
8．7樣條回歸
8．7．1模型
8．7．2 樣條回歸模型的節(jié)點
8．7．3 常用的樣條基函數
8．7．4 樣條模型自由度
習題
第9章數據挖掘與機器學習
9．1分類一般問題
9．2線性判別
IR-LDA基本原理
9．3 Logistic回歸
9．3．1 Logistic回歸模型
9．3．2 Logistic回歸模型的極大似然估計
9．3．3 Logistic回歸和線性判別函數LDA的比較
9．4 k近鄰
9．4．1 參數選擇與維數災難
9．4．2 k近鄰與線性模型之間的比較
9．5決策樹
9．5．1決策樹的基本概念
9．5．2 CART
9．5．3決策樹的剪枝
9．5．4回歸樹
9．5．5決策樹的特點
9．6 Boosting
9．6．1 Boosting提升方法
9．6．2 AdaBoost．M1算法
9．7支持向量機
9．7．1最大分類間隔
9．7．2支持向量機問題的求解
9．7．3支持向量機的核方法
9．8隨機森林
9．8．1隨機森林算法的定義 ?
9．8．2隨機森林算法的性質
9．8．3如何確定隨機森林算法中樹的節(jié)點分裂變量
9．8．4隨機森林的回歸算法
9．8．5有關隨機森林算法的一些評價
9．9 MARS
9．9．1 MARS與 CART的聯系
9．9．2 MARS的一些性質
9．10深度學習
9．10．1神經網絡
9．10．2卷積神經網絡
習題
附錄 Python基礎
參考文獻