吴喜之，北京大学数学力学系本科，美国北卡罗来纳大学统计博士。中国人民大学统计学院教授，博士生导师。曾在美国加利福尼亚大学、北卡罗来纳大学以及南开大学、北京大学等多所著名学府执教。张 敏 重庆工商大学讲师。作为第一作者发表CSSCI、CSCD、SCI文章多篇，主持或参与国家级及省部级课题多项，作为第二作者出版关于数据科学的教材多部。

《应用回归及分类》第一版自2016年出版以来，经过两版的沉淀，已经成为一本全面介绍回归和分类方法的权威教材，它涵盖了从传统统计学到现代机器学习的各种内容。本书旨在为读者提供一套完整、系统的数据分析工具和方法，帮助他们更好地理解和应用回归及分类技术。
1.在回归方面：本书详细介绍了经典线性回归和广义线性模型，这些模型是回归分析的基础，适用于各种实际问题的建模和预测。此外，本书还深入探讨了纵向数据（分层模型）的处理方法，为读者提供了处理复杂数据结构的有效手段。
2. 在机器学习回归方法方面：本书涵盖了决策树、bagging、随机森林、mboost、人工神经网络、支持向量机、k最近邻方法等多种技术。这些方法在现代数据分析中得到了广泛应用，具有强大的预测能力和灵活性。通过本书的学习，读者将能够熟练掌握这些方法的原理和应用技巧。
3.在分类方面：本书首先介绍了经典判别分析与logistic回归分类方法，这些方法在分类问题中具有重要地位。随后，本书深入探讨了机器学习分类方法，包括决策树、bagging、随机森林、adaboost、人工神经网络、支持向量机、k最近邻方法等。这些方法在处理复杂分类问题时具有显著优势，能够帮助读者提高分类准确性和效率。