2018

8.3 贝叶斯方法
第 267-270 页。如果使用无信息先验分布，则贝叶斯方法会得到与最大似然和自助法一样的结果。
王冠嵩
2018-12-14 统计学习基础（译注）
8.4 自助法与贝叶斯推断的关系 😱
第 271-272 页。自助法得到的分布近似于非参数无信息后验分布，可看作是“山寨版”的贝叶斯后验分布。而且它很容易计算，不需要指定先验函数也不需要从后验分布抽样。
王冠嵩
2018-12-17 统计学习基础（译注）
8.5 最大期望（EM）算法
第 272-279 页。引入隐变量后，将对似然函数的最大化分解为期望（E)和最大化（M）两个步骤交替进行。
王冠嵩
2018-12-18 统计学习基础（译注）
8.6 后验分布的马尔可夫链蒙特卡洛抽样
第 279-282 页。吉布斯采样基于条件分布进行抽样，最终稳定后样本服从联合分布。其流程与最大期望算法比较相似。
王冠嵩
2018-12-20 统计学习基础（译注）
8.7 自助聚合（Bagging）
第 282-288 页。自助聚合通过对自助样本上的预测取平均，保持偏差的同时降低了方差，从而改善了模型。自助聚合需要自助抽样彼此之间相对独立。
王冠嵩
2018-12-24 统计学习基础（译注）
8.8 模型平均和堆叠（stacking）
第 288-290 页。在对模型的平均中，委员会方法赋予各个模型相同的权重，堆叠方法赋予各个模型（估计）最优权重。
王冠嵩
2018-12-27 统计学习基础（译注）
8.9 随机搜索：Bumping
第 290-292 页。Bumping 方法在自助样本上拟合模型，然后在原始的训练集上根据某个准则来选择模型。它适用于会遇到很多局部解或选取准则不易最优化的问题中。
王冠嵩
2018-12-27 统计学习基础（译注）
9 加性模型、树模型和相关方法
第 295-336 页。
王冠嵩
最近更新于 2022-09-26 统计学习基础（译注）
9.1 广义加性模型
第 295-304 页。广义加性模型是对线性模型的一个有效的推广，在保持了可解释性的同时，可纳入一些非线性的效果。
王冠嵩
最近更新于 2022-09-26 统计学习基础（译注）
9.2 树结构模型
第 305-317 页。介绍了回归树和决策树的 CART 实现，以及树模型的优点和缺点。
王冠嵩
最近更新于 2022-05-31 统计学习基础（译注）