跳到主要内容

第 1 章 引言

对应原书 Chapter 1: Introduction。

本章定位​

本章建立统计学习的全局视角：什么是统计学习、它解决哪些问题、书中会围绕哪些数据集和模型展开。

阅读前问题​

  • 为什么统计学习既关心预测，也关心解释？
  • 回归问题和分类问题的区别是什么？
  • 无监督学习在没有输出变量时还能学到什么？
  • 本书与更数学化的统计学习教材有什么差异？

章节骨架​

  • 统计学习概览
  • 工资数据、股票市场数据、基因表达数据
  • 统计学习简史
  • 本书定位与读者对象
  • 符号和简单矩阵代数

核心概念​

  • 监督学习与无监督学习
  • 回归与分类
  • 数据集、变量、观测、输出
  • 模型直觉与应用导向

公式与推导​

本章公式主要用于建立符号系统。重点记录 nn、pp、XX、YY、xijx_{ij} 等符号含义。

图表与直觉​

图片可放在：

assets/images/ch01/

建议补充：

  • 工资数据的变量关系示意
  • 股票涨跌分类问题示意
  • 基因表达聚类问题示意

Python 实验​

本章没有正式 Lab，但可以提前记录 Python 环境安装、包管理和数据集路径。

习题与思考​

  • 用自己的话解释“统计学习”和“机器学习”的关系。
  • 为“预测”和“解释”各找一个校园或课程中的例子。
  • 找一个没有输出变量但仍然值得分析的数据场景。

与前后章节联系​

本章给出问题地图，第 2 章会正式讨论统计学习的基本框架和模型评估。

待补充​

  • 记录本书主要数据集。
  • 补充符号表。
  • 总结本章三个例子的共同点和差异。