出版社内容情報
本書は，重回帰，関数データ解析，樹形モデル，判別分析，一般化線形回帰，ニューラルネットワーク，サポートベクターマシン，生存時間解析について解説し，Ｒを使ってこれらの手法を利用する方法を述べている。本書で取り上げた手法は，それ自体が有意義なマシンラーニングを実現するための有力な道具であるとともに，より高度な手法を理解したり構築したりする際の礎にもなる。第2版にあたり，第3章 関数データ解析，第7章 ニューラルネットワーク，第9章 生存時間解析を全面改訂した。
第1章 序 論
1.1 母集団と標本
1.2 確率分
1.3 R言語
1.4 本書の構成
第2章 重回帰
2.1 重回帰式の導出と性質
2.2 予測変数の選択
2.3 重回帰式の妥当性
2.4 重回帰式における検定
2.5 ダブル・クロスバリデーション
2.6 カテゴリー型の予測変数を含む重回帰
第3章 関数データ解析
3.1 平滑化スプライン
3.2 平滑化スプラインにおける平滑化パラメータ
3.3 スカラーを目的変数とする関数線型モデル
3.4 スカラーを目的変数とする関数線型モデルの作成手順
3.5 スカラーを目的変数とする関数線型モデルによる気象データの解析
3.6 関数データを目的変数とする関数線型モデルによる気象データの解析
3.7 主成分分析
3.8 関数主成分分析
3.9 関数主成分分析による気象データの解析
第4章 Fisherの判別分析
4.1 2群判別
4.2 多群判別
4.3 正準判別解析
4.A 相関比に基づく線形判別式の導出
4.B ロジスティック判別
第5章 一般化加法モデル(GAM)による判別
5.1 ロジスティック判別
5.2 ベクトル一般化加法モデル(VGAM)
5.3 ポアソン回帰と負二項回帰
5.A GACVの導出
5.B ロジスティック判別モデルのパラメータ推定
5.C Overdispersion
第6章 樹形モデルとMARS
6.1 はじめに
6.2 樹形モデルの基本概念
6.3 回帰のための樹形モデル
6.4 分類のための樹形モデル
6.5 バギング樹形モデル
6.6 予測変数が1つのときのMARS
6.7 予測変数が2つ以上のときのMARS
第7章 ニューラルネットワーク
7.1 階層型ニューラルネット
7.2 隠れユニット数の決定と適合度検定
7.3 適用例
第8章 サポートベクターマシン(SVM)
8.1 SVM
8.2 カーネル法
8.3 適用例
8.A 別法（ソフトマージン）
8.B 別法（ハードマージン）
8.C 入力空間と特徴空間
8.D SVMとロジスティック判別
第9章 生存時間解析
9.1 比例ハザードモデル
9.2 時間依存型生存データ解析
9.3 イベントヒストリー解析
9.4 競合リスクモデル
参考文献
索 引
目次
第１章 序論
第２章 重回帰
第３章 関数データ解析
第４章 Ｆｉｓｈｅｒの判別分析
第５章 一般化加法モデル（ＧＡＭ）による判別
第６章 樹形モデルとＭＡＲＳ
第７章 ニューラルネットワーク
第８章 サポートベクターマシン（ＳＶＭ）
第９章 生存時間解析
著者等紹介
辻谷將明［ツジタニマサアキ］
１９４８年生まれ。１９８０年大阪府立大学大学院工学研究科修了。専攻は数理統計学。現職、大阪電気通信大学情報通信工学部情報工学科教授、工学博士
竹澤邦夫［タケザワクニオ］
１９５９年生まれ。１９８４年名古屋大学大学院工学研究科応用物理学専攻博士課程前期修了。専攻は応用統計学。現職、独立行政法人農業・食品産業技術総合研究機構中央農業総合研究センター情報利用研究領域上席研究員、博士（農学）（本データはこの書籍が刊行された当時に掲載されていたものです）
※書籍に掲載されている著者及び編者、訳者、監修者、イラストレーターなどの紹介情報です。
