全书导览
书籍定位
本书是统计学习的入门教材，强调模型直觉、应用场景和 Python 实验。阅读时可以把它看成三条线并行推进：
- 概念线：什么是监督学习、无监督学习、误差、偏差、方差、可解释性。
- 模型线：线性模型、分类模型、重采样、正则化、非线性方法、树模型、支持向量机、深度学习、生存分析、无监督学习、多重检验。
- 实践线：每章的 Python 实验、数据集分析、模型评估和结果解释。
阅读路线
建议分三轮读。
| 阶段 | 目标 | 章节 |
|---|---|---|
| 第一轮 | 建立全局地图，理解模型类型和基本术语 | 第 1-5 章 |
| 第二轮 | 深入监督学习模型，掌握模型选择和非线性方法 | 第 6-10 章 |
| 第三轮 | 扩展到特殊数据结构和统计推断问题 | 第 11-13 章 |
章节关系
flowchart TD
A["第1章 引言"] --> B["第2章 统计学习"]
B --> C["第3章 线性回归"]
B --> D["第4章 分类"]
C --> E["第5章 重采样"]
D --> E
E --> F["第6章 变量选择与正则化"]
F --> G["第7章 超越线性"]
G --> H["第8章 树模型"]
D --> I["第9章 支持向量机"]
H --> J["第10章 深度学习"]
B --> K["第12章 无监督学习"]
E --> L["第13章 多重检验"]
D --> M["第11章 生存分析"]
阅读时重点盯住的问题
- 这个模型解决什么类型的问题？
- 输入、输出、损失函数和评价指标分别是什么？
- 它的可解释性如何？
- 它依赖哪些假设？
- 它容易在哪些数据情形下失效？
- Python 实验里如何调用、拟合、预测和评估？
笔记状态
| 章节 | 中文标题 | 状态 |
|---|---|---|
| 第 1 章 | 引言 | 待阅读 |
| 第 2 章 | 统计学习 | 待阅读 |
| 第 3 章 | 线性回归 | 待阅读 |
| 第 4 章 | 分类 | 待阅读 |
| 第 5 章 | 重采样方法 | 待阅读 |
| 第 6 章 | 线性模型选择与正则化 | 待阅读 |
| 第 7 章 | 超越线性 | 待阅读 |
| 第 8 章 | 基于树的方法 | 待阅读 |
| 第 9 章 | 支持向量机 | 待阅读 |
| 第 10 章 | 深度学习 | 待阅读 |
| 第 11 章 | 生存分析与删失数据 | 待阅读 |
| 第 12 章 | 无监督学习 | 待阅读 |
| 第 13 章 | 多重检验 | 待阅读 |