统计学习圣经！经典教材《统计学习导论》Python版

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

编辑：张倩，来源：机器之心

《统计学习导论》很经典，但习题用的是 R 语言实现，没关系，这次有份了Python 版。

斯坦福经典教材《The Element of Statistical Learning》（简称 ESL）被称为频率学派的统计学习「圣经」，由三位统计学大师——Trevor Hastie、Robert Tibshirani、Jerome Friedman 共同完成。这本书介绍了神经网络、支持向量机、分类树和 boosting、图模型、随机森林、集成方法、Lasso 最小角度回归和路径算法、非负矩阵分解和谱聚类等各类机器学习算法，可以帮助读者了解机器学习算法全貌。

但对于刚入门的小白来说，把这本经典教材啃下来难度还是相当大的，因为书中有大量的公式、矩阵推导，总长度达到 700 多页。因此，Trevor Hastie 等人又写了一本入门级的《Introduction to Statistical Learning with R（统计学习导论：基于 R 应用）》（简称 ISL），帮助更多的人尽快上手。ISL 弱化了数学推导的细节，更注重方法的应用，相当于 ESL 的导读版，在入门读者中很受欢迎。

但美中不足的是，书中的练习是用 R 语言来实现的，这对于主要使用 Python 语言的机器学习研究者来说不太友好。

为了克服这一障碍，有人尝试用 Python 语言解决了书里的所有概念、应用练习，并将其上传到了 GitHub。

GitHub 链接：https://github.com/hardikkamboj/An-Introduction-to-Statistical-Learning

除了练习之外，他还提供了书中某些话题的 Python 教程并重制了一些图表。

作者表示，完成这项工作并不简单，需要做很多研究工作，书中也可能存在纰漏。

和原书对应，作者给出的 Python 解决方案正文也分为以下九章：

• 统计学习

• 线性回归

• 分类

• 重采样方法

• 线性模型选择与正则化

• 非线性模型

• 基于树的方法

• 支持向量机

• 无监督学习

每章至少包含两部分：应用问题和概念问题，对应书中两种不同的练习题。

第四章的「应用问题」部分。

如果你正在读这本书或者想重新做一下书里的练习，可以参考这份 Python 版资料，也可以跟着教材的配套视频边学边做。

视频链接：https://www.bilibili.com/video/BV11t411A7Ym

“干货学习，分享在看三连↓