高维统计模型的估计理论与模型识别

高维统计模型的估计理论与模型识别
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: ,
2020-05
版次: 1
ISBN: 9787040538847
定价: 79.00
装帧: 其他
开本: 16开
纸张: 胶版纸
页数: 276页
分类: 自然科学
12人买过
  • 本书系统介绍了半变系数复杂数据模型、广义半参数部分可加模型、广义半变系数模型、随机逻辑扩散方程和非平稳高维统计模型的估计理论和模型识别,同时探讨了当前备受关注的变量选择、分位数回归、高维分类和大数据等问题。 本书的主要创新之处是将非线性数据、相依数据、非平稳数据和分类数据引入高维统计模型,发展了估计理论和模型识别方法;对稀疏高维统计模型引入了正则方法和变量选择来提高高维统计模型的识别能力和预测精度;对非平稳随机微分方程发展了稳健推断理论和基于局部停时的空间推断方法;对高维分类模型引入不同惩罚函数建立了正则分类模型,利用(组)坐标下降算法得到了快速收敛的迭代估计,提高了稀疏分类模型的预测精度。 本书可作为统计学及相关专业的本科生、研究生和科研工作人员的参考书。
  • 内容简介:
    本书系统介绍了半变系数复杂数据模型、广义半参数部分可加模型、广义半变系数模型、随机逻辑扩散方程和非平稳高维统计模型的估计理论和模型识别,同时探讨了当前备受关注的变量选择、分位数回归、高维分类和大数据等问题。 本书的主要创新之处是将非线性数据、相依数据、非平稳数据和分类数据引入高维统计模型,发展了估计理论和模型识别方法;对稀疏高维统计模型引入了正则方法和变量选择来提高高维统计模型的识别能力和预测精度;对非平稳随机微分方程发展了稳健推断理论和基于局部停时的空间推断方法;对高维分类模型引入不同惩罚函数建立了正则分类模型,利用(组)坐标下降算法得到了快速收敛的迭代估计,提高了稀疏分类模型的预测精度。 本书可作为统计学及相关专业的本科生、研究生和科研工作人员的参考书。
查看详情
12