统计学习是一套以复杂数据建模和数据理解为目的的工具集，是近期才发展起来的统计学的一个新领域。本书出自统计学习领域声名显赫的几位专家，结合R语言介绍了分析大数据必不可少的工具，提供一些重要的建模和预测技术，并借助丰富的实验来解释如何用R语言实现统计学习方法。论题包括线性回归、分类、重抽样方法、压缩方法、基于树的方法、支持向量机、聚类等，作者借助彩图和实际案例直观解释这些方法。为了读者更好地理解书中内容，每章后还配有丰富的概念性和应用性练习题。
书中内容与《The Elements of Statistical Learning》的大部分内容相同，但是本书起点低，弱化了数学推导的细节，更注重方法的应用，所以更适合作为入门教材。当然，这本《统计学习导论》不仅是优秀的“统计学习”或“机器学习”课程的教材，也是数据挖掘、数据分析等相关从业者不可或缺的参考书。
中文版序
译者序
前言
第1章导论
1.1统计学习概述
1.2统计学习简史
1.3关于这本书
1.4这本书适用的读者群
1.5记号与简单的矩阵代数
1.6本书的内容安排
1.7用于实验和习题的数据集
1.8本书网站
1.9致谢
第2章统计学习
2.1什么是统计学习
2.2评价模型精度
2.3实验： R语言简介
2.4习题
第3章线性回归
3.1简单线性回归
3.2多元线性回归
3.3回归模型中的其他注意事项
3.4营销计划
3.5线性回归与K最近邻法的比较
3.6实验：线性回归
3.7习题
第4章分类
4.1分类问题概述
4.2为什么线性回归不可用
4.3逻辑斯谛回归
4.4线性判别分析
4.5分类方法的比较
4.6R实验：逻辑斯谛回归、LDA、QDA和KNN
4.7习题
第5章重抽样方法
5.1交叉验证法
5.2自助法
5.3实验：交叉验证法和自助法
5.4习题
第6章线性模型选择与正则化
6.1子集选择
6.2压缩估计方法
6.3降维方法
6.4高维问题
6.5实验1：子集选择方法
6.6实验2：岭回归和lasso
6.7实验3：PCR和PLS回归
6.8习题
第7章非线性模型
7.1多项式回归
7.2阶梯函数
7.3基函数
7.4回归样条
7.5光滑样条
7.6局部回归
7.7广义可加模型
7.8实验：非线性建模
7.9习题
第8章基于树的方法
8.1决策树基本原理
8.2装袋法、随机森林和提升法
8.3实验：决策树
8.4习题
第9章支持向量机
9.1最大间隔分类器
9.2支持向量分类器
9.3狭义的支持向量机
9.4多分类的SVM
9.5与逻辑斯谛回归的关系
9.6实验：支持向量机
9.7习题
第10章无指导学习
10.1无指导学习的挑战
10.2主成分分析
10.3聚类分析方法
10.4实验1：主成分分析
10.5实验2：聚类分析
10.6实验3：以NCI60数据为例
10.7习题
★本书是机器学习的很好入门教材，在同类书中遥遥领先，其大优势是：当把一个机器学习算法应用到现实世界问题时，你必须了解的所有必要细节都可以在这本书中找到。因此，这本书必然会吸引很多领域的读者，包括计算机科学、企业管理和市场营销。
—— Charalambos Poullis, Computing Reviews
★这本书也是优秀的R语言入门读物，书中所有统计方法的实现代码都有详细解释……必定会有许多人（包括我）受益于这本书。我在自己的教学中无疑会用到这本书中的很多示例、实验和数据集。
—— Pierre Alquier, Mathematical Reviews
★本书旨在向有关人员介绍全新的统计学习方法，这些人包括学生、研究人员和相关领域从业者，他们感兴趣的是分析数据，并专注于统计方法的实现以及随后的结果解释……本书还演示了怎样借助丰富的R包使用这些方法，借助有趣的真实数据提供详细的应用案例。
—— Klaus Nordhausen, International Statistical Review
★本书在结构上分为10章，覆盖对复杂的真实数据集建模和挖掘所需的工具……适合本科生和相关研究人员……每章后附的丰富习题（既有概念性习题，又有应用性习题）有助于对概念的理解。
—— Irina Ioana Mohorianu, zbMATH
★这本书不仅完美阐释了机器学习的理论和数学基础，最后还提供丰富的R编程实践案例。而这后一部分R编程实践案例正是我等待已久的，因为它可以直接应用。
—— Daniel Gutierrez, Inside Big Data