由吳喜之編著的《應用回歸及分類——基於R/基
於R應用的統計學叢書》包括的內容有：經典線性回
歸、廣義線性模型、縱向數據(分層模型)，機器學習
回歸方法(決策樹、bagging、隨機森林、mboost、人
工神經網絡、支持向量機、k最近鄰方法)、生存分析
及Cox模型、經典判別分析與logistic回歸分類、機
器學習分類方法(決策樹、bagging、隨機森林、
adaboost、人工神經網絡、支持向量機、k最近鄰方
法)。其中，縱向數據(分層模型)及生存分析及Cox模
型的內容可根據需要選用，所有其他的內容都應該在
教學中涉及，可以簡化甚至忽略的內容為一些數學推
導和某些不那麼優秀的模型，不可以忽略的是各種方
法的直觀意義及理念。

前言
第一章 引言
1.1 作為科學的統計
1.1.1 統計是科學
1.1.2 模型驅動的歷史及數據驅動的未來
1.1.3 數據中的信息是由觀測值數目及相關變量的數目決定的
1.2 傳統參數模型和機器學習算法模型
1.2.1 參數模型比算法模型容易解釋是偽命題
1.2.2 參數模型的競爭模型的對立性和機器學習不同模型的協和性
1.2.3 評價和對比模型
1.3 **統計教學及課本的若干誤區
1.3.1 假設檢驗的誤區：不能拒*就接受?
1.3.2 p值的誤區
1.3.3 置信區間的誤區
1.3.4 樣本量是多少纔算大樣本?
1.3.5 用31個省市自治區數據能做什麼?
1.3.6 彙總數據(比如部分均值)和原始觀測值的區別
1.4 R軟件入門
1.4.1 簡介
1.4.2 安裝和運行小貼士
1.4.3 動手
1.5 習題
第二章 經典線性回歸
2.1 模型形式
2.1.1 自變量為一個數量變量的情況
2.1.2 自變量為多個數量變量的情況
2.1.3 “線性”是對繫數而言的
2.2 用*小二乘法估計線性模型
2.2.1 一個數量自變量的情況
2.2.2 指數變換
2.2.3 多個數量自變量的情況
2.2.4 自變量為定性變量的情況
2.3 關於繫數的性質和推斷
2.3.1 基本假定
2.3.2 關於□的t檢驗
2.3.3 關於多自變量繫數復合假設F檢驗及方差分析表
2.3.4 定性變量的顯著性必須從方差分析表看出
2.3.5 關於殘差的檢驗及點圖
2.4 通過一個“教科書數據”來理解簡單*小二乘回歸
2.4.1 幾種競爭的線性模型
2.4.2 孤立地看模型可能會產生多個模型都“正確”的結論
2.4.3 比較多個模型試圖得到相對較好的模型
2.4.4 對例2.4的6個模型做預測精度的交叉驗證
2.5 一個“非教科書數據”例子
2.5.1 線性回歸的嘗試
2.5.2 和其他方法的交叉驗證比較
2.6 經典*小二乘回歸誤導彙總
2.6.1 大量主觀的假定
2.6.2 對回歸結果的缺乏根據的“解釋”
2.6.3 增加無關的(“錯誤的”)自變量對預測會不會有影響?
2.7 處理線性回歸多重共線性的經典方法
2.7.1 多重共線性
2.7.2 逐步回歸
2.7.3 嶺回歸
2.7.4 lasso回歸
2.7.5 適應性lasso回歸
2.7.6 偏*小二乘回歸
2.7.7 對例2.7，偏*小二乘回歸優於所有常用經典方法
……
第三章 廣義線性模型
第四章 縱向數據及分層模型
第五章 機器學習回歸方法
第六章 生存分析及Cox模型
第七章 經典分類：判別分析
第八章 機器學習分類方法
附錄 練習：熟練使用R軟件
參考文獻