譯者序 前言 第1章 導論 1.1 預測與解釋 1.2 預測模型的關鍵部分 1.3 專業術語 1.4 實例數據集和典型數據場景 1.5 概述 1.6 符號 第一部分 一般策略 第2章 預測建模過程簡介 2.1 案例分析：預測燃油效能 2.2 主題 2.3 總結 第3章 數據預處理 3.1 案例分析：高內涵篩選中的細胞分組 3.2 單個預測變量數據變換 3.3 多個預測變量數據變換 3.4 處理缺失值 3.5 移除預測變量 3.6 增加預測變量 3.7 區間化預測變量 3.8 計算 習題 第4章 過度擬合與模型調優 4.1 過度擬合的問題 4.2 模型調優 4.3 數據分割 4.4 重抽樣技術 4.5 案例分析：信用評分 4.6 選擇調優參數值 4.7 數據劃分建議 4.8 不同模型間的選擇 4.9 計算 習題 第二部分 回歸模型 第5章 衡量回歸模型的效果 5.1 模型效果的定量度量 5.2 方差偏差的權衡 5.3 計算 第6章 線性回歸及其擴展 6.1 案例分析：定量構效關系建模 6.2 線性回歸 6.3 偏最小二乘法 6.4 懲罰模型 6.5 計算 習題 第7章 非線性回歸模型 7.1 神經網絡 7.2 多元自適應回歸樣條 7.3 支持向量機 7.4 K近鄰 7.5 計算 習題 第8章 回歸樹與基于規則的模型 8.1 簡單回歸樹 8.2 回歸模型樹 8.3 基于規則的模型 8.4 裝袋樹 8.5 隨機森林 8.6 助推法 8.7 Cubist 8.8 計算 習題 第9章 溶解度模型總結 第10章 案例研究：混凝土混合物的抗壓強度 10.1 模型構建策略 10.2 模型性能 10.3 優化抗壓強度 10.4 計算 第三部分 分類模型 第11章 分類模型的效果度量 11.1 類預測 11.2 評估預測類 11.3 評估類概率 11.4 計算 第12章 判別分析和其他線性分類模型 12.1 案例分析：預測是否成功申請經費 12.2 邏輯回歸 12.3 線性判別分析 12.4 偏最小二乘判別分析 12.5 懲罰模型 12.6 最近收縮質心 12.7 計算 習題 第13章 非線性分類模型 13.1 非線性判別分析 13.2 神經網絡 13.3 靈活判別分析 13.4 支持向量機 13.5 K近鄰 13.6 樸素貝葉斯 13.7 計算 習題 第14章 分類樹與基于規則的模型 14.1 基本的分類樹 14.2 基于規則的模型 14.3 裝袋決策樹 14.4 隨機森林 14.5 助推法 14.6 C5.0 14.7 比較兩種分類預測變量編碼方式 14.8 計算 習題 第15章 經費申請模型的總結 第16章 對嚴重類失衡的補救方法 16.1 案例分析: 預測房車保險所有權 16.2 類失衡的影響 16.3 模型調優 16.4 選擇截點 16.5 調整先驗概率 16.6 不等案例權重 16.7 抽樣方法 16.8 成本敏感度訓練 16.9 計算 習題 第17章 案例研究：作業調度 17.1 數據切分和模型策略 17.2 結果 17.3 計算 第18章 衡量預測變量重要性 18.1 數值結果變量 18.2 分類結果變量 18.3 其他方法 18.4 計算 習題 第19章 特征選擇介紹 19.1 使用無信息預測變量的結果 19.2 減少預測變量個數的方法 19.3 繞封法 19.4 過濾法 19.5 選擇偏差 19.6 案例分析：預測認知損傷 19.7 計算 習題 第20章 影響模型表現的因素 20.1 第Ⅲ類錯誤 20.2 結果變量的測量誤差 20.3 預測變量的測量誤差 20.4 連續變量離散化 20.5 模型預測何時是可信的 20.6 大樣本的影響 20.7 計算 習題 附錄 附錄A 各種模型的總結 附錄B R語言介紹 附錄C 值得關注的網站 參考文獻