應(yīng)用回歸及分類：基于R

　　本書包括的內(nèi)容有： 經(jīng)典線性回歸、廣義線性模型、縱向數(shù)據(jù)（分層模型）， 機器學習回歸方法（決策樹、bagging、隨機森林、mboost、人工神經(jīng)網(wǎng)絡(luò)、支持向量機、k最近鄰方法）、生存分析及Cox模型、經(jīng)典判別分析與logistic回歸分類、機器學習分類方法（決策樹、bagging、隨機森林、adaboost、人工神經(jīng)網(wǎng)絡(luò)、支持向量機、k最近鄰方法）. 其中， 縱向數(shù)據(jù)（分層模型）及生存分析及Cox模型的內(nèi)容可根據(jù)需要選用， 所有其他的內(nèi)容都應(yīng)該在教學中涉及， 可以簡化甚至忽略的內(nèi)容為一些數(shù)學推導(dǎo)和某些不那么優(yōu)秀的模型， 不可以忽略的是各種方法的直觀意義及理念.

　　吳喜之，北京大學數(shù)學力學系本科，美國北卡羅來納大學統(tǒng)計博士。中國人民大學統(tǒng)計學院教授，博士生導(dǎo)師。曾在美國加利福尼亞大學、北卡羅來納大學以及南開大學、北京大學等多所著名學府執(zhí)教。