书名：用Python动手学统计学（第2版）
定价：99.8
ISBN：9787115673817
作者：[日]马场真哉
版次：第1版
出版时间：2025-06

内容提要：
本书是统计学的入门书，对同一个知识点分别使用文字说明、数学式和Python示例代码进行讲解，循序渐进地介绍了统计学和Python的基础知识、描述统计、统计推断、假设检验、正态线性模型和广义线性模型等统计模型，以及机器学习等。通过阅读本书，读者不仅可以深刻理解统计学术语、统计分析方法和预测方法等，还可以学到前沿的机器学习知识，以及如何使用Python实现数据可视化和建模等。 本书结构清晰、直观易懂，适合统计学和Python的初学者及对数据科学和机器学习感兴趣的读者使用，也可作为高等院校计算机、统计等专业学生的入门书。



作者简介：
[日]马场真哉：出生于日本兵库县，2014年毕业于北海道大学水产科学院。分享统计学基础与应用、数据分析和Python编程等知识的网站Logics of Blue的管理者。著有《用R学编程和数据分析》《用R和Stan入门数据分析：基于贝叶斯统计建模》《时序分析和状态空间模型基础：用R和Stan学习理论和实现》《从均值和方差入门广义线性模型》《决策分析与预测的应用：从基础理论到Python实现》等。

目录：
目　录
第 1章　开始学习统计学1
1-1　统计学2
1-1-1　描述统计2
1-1-2　统计推断3
1-2　描述统计的*要性4
1-2-1　为什么需要描述统计4
1-2-2　均值存在的问题4
1-2-3　使用均值以外的指标5
1-2-4　数据可视化5
1-3　统计推断的*要性6
1-3-1　为什么需要统计推断6
1-3-2　 术语 　总体与样本6
1-3-3　 术语 　样本容量7
1-3-4　推断的形象描述7
1-3-5　样本的随机偏差与区间估计8
1-3-6　判断与假设检验8
1-3-7　模型与推断8
1-3-8　从线性模型到机器学习9
第 2章　Python与Jupyter Notebook基础11
2-1　环境搭建12
2-1-1　 术语 　Python12
2-1-2　 术语 　Anaconda12
2-1-3　 术语 　Jupyter Notebook13
2-1-4　安装Anaconda13
2-1-5　安装早期版本的Anaconda13
2-1-6　 术语 　Python编程术语14
2-2　认识Jupyter Notebook15
2-2-1　启动Jupyter Notebook15
2-2-2　创建新文件16
2-2-3　执行代码17
2-2-4　保存执行结果17
2-2-5　使用Markdown功能18
2-2-6　退出Jupyter Notebook19
2-2-7　使用Anaconda Prompt19
2-3　Python编程基础21
2-3-1　 实现 　四则运算21
2-3-2　 实现 　其他运算22
2-3-3　 实现 　注释22
2-3-4　 实现 　数据类型23
2-3-5　 实现 　比较运算25
2-3-6　 实现 　变量25
2-3-7　 实现 　函数27
2-3-8　 实现 　常用的函数28
2-3-9　 实现 　类与实例30
2-3-10　 实现 　基于if语句的程序分支32
2-3-11　 实现 　基于for语句的循环33
2-3-12　编写易用程序的技巧33
2-4　认识numpy与pandas35
2-4-1　 实现 　导入外部功能35
2-4-2　 术语 　numpy与pandas36
2-4-3　 实现 　列表36
2-4-4　 实现 　行与列36
2-4-5　 实现 　数组37
2-4-6　 实现 　数组的运算38
2-4-7　 实现 　二维数组38
2-4-8　 实现 　生成等差数列的方法39
2-4-9　 实现 　各类数组的生成40
2-4-10　 实现 　切片41
2-4-11　 实现 　数据帧43
2-4-12　 实现 　读取文件中的数据44
2-4-13　 实现 　连接数据帧45
2-4-14　 实现 　取出指定的列46
2-4-15　 实现 　取出指定的行47
2-4-16　 实现 　序列49
2-4-17　 实现 　函数文档50
第3章　描述统计51
3-1　数据的种类52
3-1-1　 术语 　观察、变量52
3-1-2　 术语 　定量数据、分类数据53
3-1-3　 术语 　离散型数据、连续型数据53
3-1-4　 术语 　二值数据、多值数据53
3-1-5　 术语 　名义尺度、顺序尺度、间距尺度、比例尺度54
3-1-6　 术语 　单变量数据、多变量数据55
3-1-7　 术语 　时间序列数据、横截面数据55
3-2　读懂数学式56
3-2-1　数学式作为表达方式56
3-2-2　用数学式表示样本56
3-2-3　为什么要使用数学式57
3-2-4　加法与Σ符号58
3-2-5　用数学式表示样本均值58
3-2-6　乘法与Π符号59
3-3　频数分布60
3-3-1　为什么要学习多种统计方法60
3-3-2　 术语 　频数、频数分布61
3-3-3　 术语 　组、组中值61
3-3-4　 实现 　环境准备61
3-3-5　 实现 　频数分布62
3-3-6　 术语 　频率分布、累积频数分布、累积频率分布65
3-3-7　 实现 　频率分布、累积频数分布、累积频率分布65
3-3-8　 术语 　直方图67
3-3-9　用于绘图的matplotlib、seaborn67
3-3-10　 实现 　直方图68
3-3-11　 实现 　组的大小不同的直方图69
3-3-12　 术语 　核密度估计70
3-3-13　 实现 　核密度估计72
3-4　单变量数据的统计量75
3-4-1　 实现 　环境准备75
3-4-2　准备实验数据75
3-4-3　 实现 　样本容量77
3-4-4　 实现 　总和77
3-4-5　 实现 　样本均值78
3-4-6　 术语 　样本方差79
3-4-7　 实现 　样本方差81
3-4-8　 术语 　无偏方差82
3-4-9　 实现 　无偏方差83
3-4-10　 术语 　标准差84
3-4-11　 实现 　标准差85
3-4-12　 术语 　变异系数85
3-4-13　 实现 　变异系数86
3-4-14　 术语 　标准化87
3-4-15　 实现 　标准化88
3-4-16　 术语 　*小值、*值、中位数、四分位数89
3-4-17　 实现 　*小值、*值89
3-4-18　 实现 　中位数90
3-4-19　 实现 　四分位数91
3-4-20　 实现 　众数92
3-4-21　 实现 　pandas的describe函数93
3-5　多变量数据的统计量94
3-5-1　 实现 　环境准备94
3-5-2　 实现 　准备用于实验的数据94
3-5-3　 术语 　协方差95
3-5-4　 术语 　协方差矩阵96
3-5-5　 实现 　协方差96
3-5-6　 实现 　协方差矩阵97
3-5-7　 术语 　皮尔逊积矩相关系数98
3-5-8　 术语 　相关矩阵98
3-5-9　 实现 　皮尔逊积矩相关系数99
3-5-10　相关系数无效的情况99
3-5-11　 术语 　列联表100
3-5-12　 实现 　列联表100
3-6　分层分析103
3-6-1　 术语 　分层分析103
3-6-2　 术语 　整洁数据103
3-6-3　 术语 　杂乱数据104
3-6-4　杂乱数据的例子105
3-6-5　 实现 　环境准备106
3-6-6　 实现 　读取实验数据106
3-6-7　 实现 　分组计算统计量107
3-6-8　 实现 　企鹅数据108
3-6-9　 实现 　企鹅数据的分层分析109
3-6-10　 实现 　缺失数据的处理110
3-6-11　 实现 　简单直方图112
3-6-12　 实现 　分组直方图113
3-7　使用图形114
3-7-1　 实现 　环境准备114
3-7-2　 术语 　matplotlib、seaborn114
3-7-3　 实现 　读取实验数据115
3-7-4　 实现 　散点图117
3-7-5　 实现 　图形的装饰和保存117
3-7-6　 实现 　折线图119
3-7-7　 实现 　条形图119
3-7-8　 实现 　箱形图120
3-7-9　 实现 　小提琴图121
3-7-10　 术语 　轴级函数与图级函数122
3-7-11　 实现 　基于种类和性别的小提琴图124
3-7-12　 实现 　基于种类、岛名和性别的小提琴图125
3-7-13　 实现 　散点图矩阵126
第4章　概率论与概率分布127
4-1　什么是概率论128
4-1-1　为什么要学习概率论128
4-1-2　第4章的内容脉络129
4-1-3　 术语 　集合130
4-1-4　 术语 　元素130
4-1-5　 术语 　集合的外延表示与内涵表示130
4-1-6　 术语 　子集130
4-1-7　 术语 　维恩图131
4-1-8　 术语 　交集与并集131
4-1-9　 术语 　差集132
4-1-10　 术语 　空集132
4-1-11　 术语 　全集133
4-1-12　 术语 　补集133
4-1-13　 术语 　样本点、样本空间、事件133
4-1-14　 术语 　互斥事件134
4-1-15　通过掷骰子联想到的各种概率135
4-1-16　 术语 　概率的公理化定义135
4-1-17　用频率解释概率135
4-1-18　主观概率学派136
4-1-19　 术语 　概率的加法定理137
4-1-20　 术语 　条件概率137
4-1-21　 术语 　概率的乘法定理138
4-1-22　 术语 　独立事件139
4-2　什么是概率分布140
4-2-1　 术语 　随机变量与样本值140
4-2-2　 术语 　离散随机变量与连续随机变量141
4-2-3　 术语 　概率分布141
4-2-4　 术语 　概率质量函数141
4-2-5　 术语 　均匀分布（离散型）143
4-2-6　 术语 　概率密度144
4-2-7　 术语 　概率密度函数144
4-2-8　概率的总和与概率密度积分的联系145
4-2-9　 术语 　均匀分布（连续型）147
4-2-10　 术语 　累积分布函数147
4-2-11　均匀分布的累积分布函数148
4-2-12　 术语 　百分位数148
4-2-13　 术语 　期望值149
4-2-14　 术语 　随机变量的方差151
4-2-15　均匀分布的期望值与方差152
4-2-16　 术语 　多元概率分布153
4-2-17　 术语 　联合概率分布154
4-2-18　 术语 　边缘化、边缘分布154
4-2-19　 术语 　条件概率分布155
4-2-20　 术语 　随机变量的独立155
4-2-21　二元概率分布的例子156
4-2-22　 术语 　随机变量的协方差与相关系数157
4-2-23　 术语 　独立同分布157
4-3　二项分布159
4-3-1　 术语 　试验159
4-3-2　 术语 　二值随机变量159
4-3-3　 术语 　伯努利试验160
4-3-4　 术语 　成功概率160
4-3-5　 术语 　伯努利分布160
4-3-6　设计程序来模拟抽签161
4-3-7　 实现 　环境准备161
4-3-8　 实现 　抽1张便笺的模拟161
4-3-9　 实现 　抽10张便笺的模拟163
4-3-10　 实现 　抽10张便笺并重复10 000 次的模拟165
4-3-11　 术语 　二项分布167
4-3-12　 实现 　二项分布168
4-3-13　 实现 　生成服从二项分布的随机数171
4-3-14　 实现 　二项分布的期望值与方差172
4-3-15　 实现 　二项分布的累积分布函数173
4-3-16　 实现 　二项分布的百分位数174
4-3-17　 实现 　二项分布的右侧概率175
4-4　正态分布176
4-4-1　 实现 　环境准备176
4-4-2　 术语 　正态分布176
4-4-3　 实现 　正态分布的概率密度函数177
4-4-4　正态分布的由来180
4-4-5　 实现 　误差累积的模拟180
4-4-6　 术语 　中心极限定理183
4-4-7　正态分布的性质184
4-4-8　 实现 　生成服从正态分布的随机数185
4-4-9　 实现 　正态分布的累积分布函数185
4-4-10　 实现 　正态分布的百分位数186
4-4-11　 实现 　正态分布的右侧概率186
第5章　统计推断187
5-1　统计推断的思路188
5-1-1　 术语 　抽样188
5-1-2　 术语 　简单随机抽样188
5-1-3　湖中钓鱼示例189
5-1-4　样本与随机变量189
5-1-5　作为抽样过程的总体分布190
5-1-6　用术语来描述抽样过程191
5-1-7　模型的应用191
5-1-8　 术语 　瓮模型192
5-1-9　把抽样过程抽象化的模型192
5-1-10　总体分布与总体的频率分布193
5-1-11　更现实的湖中钓鱼示例194
5-1-12　做假设194
5-1-13　假设总体服从正态分布195
5-1-14　 术语 　概率分布的参数195
5-1-15　 术语 　参数模型与非参数模型195
5-1-16　 术语 　统计推断196
5-1-17　假设总体分布是正态分布之后的做法196
5-1-18　小结：统计推断的思路196
5-1-19　从5-2节开始的解说流程197
5-1-20　所做的假设是否恰当197
5-2　用Python模拟抽样199
5-2-1　 实现 　环境准备199
5-2-2　抽样过程199
5-2-3　 实现 　在只有5条鱼的湖中抽样200
5-2-4　 实现 　从鱼较多的湖中抽样201
5-2-5　 实现 　总体分布的可视化202
5-2-6　 实现 　对比总体分布和正态分布的概率密度函数203
5-2-7　 实现 　抽样过程的抽象描述205
5-2-8　补充讨论206
5-2-9　假设总体服从正态分布是否恰当206
5-3　估计总体均值208
5-3-1　 实现 　环境准备208
5-3-2　 术语 　总体均值、总体方差、总体标准差208
5-3-3　 术语 　估计量、估计值209
5-3-4　样本均值作为总体均值的估计量209
5-3-5　模拟的内容209
5-3-6　 实现 　载入总体数据210
5-3-7　 实现 　计算样本均值210
5-3-8　 实现 　多次计算样本均值211
5-3-9　 实现 　样本均值的均值212
5-3-10　 术语 　无偏性、无偏估计量212
5-3-11　样本均值作为总体均值的无偏估计量213
5-3-12　 实现 　编写一个多次计算样本均值的函数214
5-3-13　 实现 　不同样本容量的样本均值的分布215
5-3-14　计算样本均值的标准差217
5-3-15　 术语 　标准误差219
5-3-16　 实现 　样本容量更大时的样本均值220
5-3-17　 术语 　一致性、一致估计量222
5-3-18　 术语 　大数定律222
5-3-19　统计推断的思考模式223
5-4　估计总体方差224
5-4-1　 实现 　环境准备224
5-4-2　 实现 　准备一个总体224
5-4-3　用样本方差、无偏方差估计总体方差225
5-4-4　 实现 　计算样本方差和无偏方差225
5-4-5　 实现 　样本方差的均值226
5-4-6　 实现 　无偏方差的均值227
5-4-7　无偏方差用作总体方差的无偏估计量227
5-4-8　 实现 　样本容量更大时的无偏方差229
5-5　从正态总体衍生的概率分布231
5-5-1　 实现 　环境准备231
5-5-2　 术语 　样本分布232
5-5-3　正态分布的应用232
5-5-4　 术语 　分布232
5-5-5　 实现 　模拟准备233
5-5-6　 实现 　分布234
5-5-7　样本均值服从的分布236
5-5-8　 实现 　样本均值的标准化237
5-5-9　 术语 　t值239
5-5-10　 术语 　t分布239
5-5-11　 实现 　t分布240
5-5-12　 术语 　F分布242
5-5-13　 实现 　F分布243
5-6　区间估计246
5-6-1　 实现 　环境准备246
5-6-2　 术语 　点估计、区间估计247
5-6-3　 实现 　点估计247
5-6-4　 术语 　置信水平、置信区间248
5-6-5　 术语 　置信界限248
5-6-6　总体均值的区间估计248
5-6-7　 实现 　总体均值的区间估计249
5-6-8　决定置信区间大小的因素251
5-6-9　区间估计结果的解读252
5-6-10　总体方差的区间估计254
5-6-11　 实现 　总体方差的区间估计255
第6章　假设检验257
6-1　单样本t检验258
6-1-1　假设检验入门258
6-1-2　关于总体均值的单样本t检验258
6-1-3　 术语 　*假设与备择假设259
6-1-4　 术语 　显著性差异259
6-1-5　t检验的直观解释260
6-1-6　均值差异大不代表存在显著性差异261
6-1-7　 术语 　检验统计量261
6-1-8　回顾t值261
6-1-9　小结1262
6-1-10　 术语 　第 一类错误与*类错误263
6-1-11　 术语 　显著性水平263
6-1-12　 术语 　拒绝域与接受域263
6-1-13　 术语 　p值264
6-1-14　小结2264
6-1-15　回顾t值与t分布的关系265
6-1-16　 术语 　单侧检验与双侧检验265
6-1-17　计算拒绝域266
6-1-18　计算p值267
6-1-19　本节涉及的数学式268
6-1-20　 实现 　环境准备269
6-1-21　 实现 　计算t值270
6-1-22　 实现 　计算拒绝域271
6-1-23　 实现 　计算p值271
6-1-24　 实现 　通过模拟计算p值272
6-2　均值差检验274
6-2-1　双样本t检验274
6-2-2　配对样本t检验274
6-2-3　 实现 　环境准备275
6-2-4　 实现 　配对样本t检验276
6-2-5　独立样本t检验（异方差）277
6-2-6　 实现 　独立样本t检验（异方差）278
6-2-7　独立样本t检验（同方差）279
6-2-8　 术语 　p值操纵279
6-3　列联表检验281
6-3-1　使用列联表的优点281
6-3-2　本节示例282
6-3-3　计算期望频数283
6-3-4　计算观测频数和期望频数的差异283
6-3-5　 实现 　环境准备284
6-3-6　 实现 　计算p值284
6-3-7　 实现 　列联表检验285
6-4　检验结果的解读287
6-4-1　p值小于或等于0.05时的表述方法287
6-4-2　p值大于0.05时的表述方法287
6-4-3　假设检验的常见误区288
6-4-4　p值小不代表差异大288
6-4-5　p值大于0.05不代表没有差异289
6-4-6　 术语 　假设检验的非对称性289
6-4-7　在检验之前确定显著性水平289
6-4-8　是否有*要学习假设检验290
6-4-9　是否满足前提条件290
第7章　统计模型基础291
7-1　统计模型292
7-1-1　 术语 　模型292
7-1-2　 术语 　建模292
7-1-3　模型的作用292
7-1-4　从正态总体中随机抽样的模型292
7-1-5　 术语 　数学模型293
7-1-6　 术语 　概率模型294
7-1-7　模型的估计294
7-1-8　模型的升级295
7-1-9　基于模型的预测295
7-1-10　简化复杂的世界295
7-1-11　从某个角度观察复杂的现象296
7-1-12　统计模型与*数据分析的对比296
7-1-13　统计模型的应用297
7-2　建立线性模型的方法298
7-2-1　本节示例298
7-2-2　 术语 　响应变量与解释变量298
7-2-3　 术语 　线性模型299
7-2-4　 术语 　系数与权重300
7-2-5　如何建立线性模型300
7-2-6　线性模型的选择301
7-2-7　 术语 　变量选择301
7-2-8　 术语 　空模型302
7-2-9　通过假设检验选择变量302
7-2-10　通过信息量准则选择变量302
7-2-11　模型评估303
7-2-12　在建模之前确定分析目的303
7-3　数据表示与模型名称304
7-3-1　从广义线性模型的角度对模型进行分类304
7-3-2　 术语 　正态线性模型304
7-3-3　 术语 　回归分析305
7-3-4　 术语 　多元回归分析305
7-3-5　 术语 　方差分析305
7-3-6　 术语 　协方差分析305
7-3-7　机器学习中的术语306
7-4　参数估计：*化似然307
7-4-1　为什么要学习参数估计307
7-4-2　 术语 　似然307
7-4-3　 术语 　似然函数308
7-4-4　 术语 　对数似然308
7-4-5　对数的性质309
7-4-6　 术语 　*似然法311
7-4-7　 术语 　*似然估计量311
7-4-8　 术语 　*对数似然311
7-4-9　服从正态分布的数据的似然312
7-4-10　 术语 　多余参数312
7-4-11　正态线性模型的似然312
7-4-12　*似然法计算示例314
7-4-13　*似然估计量的性质315
7-5　参数估计：*小化损失316
7-5-1　 术语 　损失函数316
7-5-2　 术语 　拟合值与预测值316
7-5-3　 术语 　残差317
7-5-4　为什么不能将残差之和直接作为损失指标317
7-5-5　 术语 　残差平方和318
7-5-6　 术语 　*小二乘法319
7-5-7　*小二乘法与*似然法的关系319
7-5-8　 术语 　误差函数320
7-5-9　多种损失函数320
7-6　预测精度的评估与变量选择321
7-6-1　 术语 　拟合精度与预测精度321
7-6-2　 术语 　过拟合321
7-6-3　变量选择的意义321
7-6-4　 术语 　泛化误差322
7-6-5　 术语 　训练集与测试集322
7-6-6　 术语 　交叉验证322
7-6-7　 术语 　赤池信息量准则323
7-6-8　 术语 　相对熵323
7-6-9　相对熵的*小化与平均对数似然324
7-6-10　AIC与平均对数似然中的偏差325
7-6-11　使用AIC进行变量选择325
7-6-12　用变量选择代替假设检验325
7-6-13　应该使用假设检验还是AIC326
第8章　正态线性模型327
8-1　含有单个连续型解释变量的模型（一元回归）328
8-1-1　 实现 　环境准备328
8-1-2　 实现 　读入数据并绘制其图形329
8-1-3　建模330
8-1-4　使用*小二乘法估计系数330
8-1-5　 实现 　估计系数332
8-1-6　估计出的系数的期望值与方差333
8-1-7　 实现 　使用statsmodels建模334
8-1-8　 实现 　打印估计结果并检验系数335
8-1-9　 实现 　summary函数的输出336
8-1-10　 实现 　使用AIC进行模型选择337
8-1-11　 实现 　使用一元回归进行预测339
8-1-12　 实现 　置信区间和预测区间340
8-1-13　 术语 　回归直线341
8-1-14　 实现 　使用seaborn绘制回归直线342
8-1-15　 实现 　绘制置信区间和预测区间343
8-1-16　回归直线的方差344
8-2　正态线性模型的评估346
8-2-1　 实现 　环境准备346
8-2-2　 实现 　获取残差347
8-2-3　 术语 　决定系数348
8-2-4　 实现 　决定系数348
8-2-5　 术语 　修正决定系数351
8-2-6　 实现 　修正决定系数351
8-2-7　 实现 　残差的可视化352
8-2-8　 术语 　分位图353
8-2-9　 实现 　分位图353
8-2-10　 实现 　对照summary函数的输出结果分析残差355
8-3　方差分析357
8-3-1　本节示例357
8-3-2　什么时候应该使用方差分析357
8-3-3　 术语 　多重假设检验358
8-3-4　方差分析的直观理解：F比358
8-3-5　显著性差异与小提琴图359
8-3-6　方差分析的直观理解：分离效应和误差360
8-3-7　 术语 　组间差异与组内差异361
8-3-8　 实现 　环境准备361
8-3-9　 实现 　生成数据并可视化362
8-3-10　 实现 　计算各水平均值与总体均值363
8-3-11　 实现 　方差分析①：计算组间偏差平方和与组内偏差平方和364
8-3-12　 实现 　方差分析②：计算组间方差与组内方差366
8-3-13　 实现 　方差分析③：计算F比和p值367
8-3-14　单因素方差分析的计算过程367
8-3-15　 术语 　平方和分解369
8-3-16　解释变量为分类变量的正态线性模型370
8-3-17　 术语 　虚拟变量370
8-3-18　 实现 　statsmodels中的方差分析371
8-3-19　 术语 　方差分析表371
8-3-20　模型系数的含义372
8-3-21　 实现 　使用模型分离效应和误差372
8-3-22　 实现 　回归模型中的方差分析373
8-4　含有多个解释变量的模型377
8-4-1　 实现 　环境准备377
8-4-2　 实现 　错误的分析：只比较均值378
8-4-3　 术语 　协变量380
8-4-4　 实现 　比较回归直线的截距380
8-4-5　 实现 　使用普通的方差分析进行检验383
8-4-6　 实现 　多个解释变量的平方和计算384
8-4-7　 术语 　调整平方和386
8-4-8　 实现 　Type II检验386
8-4-9　 实现 　读入新数据388
8-4-10　 术语 　交互作用388
8-4-11　 实现 　错误的分析：模型中未包含交互作用388
8-4-12　 实现 　建立包含交互作用的模型390
8-4-13　 实现 　Type III检验390
8-4-14　 实现 　使用AIC进行变量选择392
8-4-15　 实现 　交互作用项的含义393
8-4-16　 实现 　formula参数的功能396
8-4-17　 实现 　设计矩阵398
第9章　广义线性模型401
9-1　广义线性模型概述402
9-1-1　广义线性模型的组成402
9-1-2　本书使用的概率分布402
9-1-3　 术语 　泊松分布403
9-1-4　 术语 　指数型分布族403
9-1-5　指数型分布族常用的概率分布404
9-1-6　 术语 　线性预测算子404
9-1-7　 术语 　联系函数405
9-1-8　联系函数与概率分布的关系406
9-1-9　广义线性模型的参数估计406
9-1-10　广义线性模型的检验方法406
9-2　逻辑斯谛回归408
9-2-1　 术语 　逻辑斯谛回归408
9-2-2　本节示例408
9-2-3　二值分类问题408
9-2-4　 术语 　logit函数409
9-2-5　 术语 　反函数409
9-2-6　 术语 　logistic函数409
9-2-7　logistic函数的性质410
9-2-8　逻辑斯谛回归的推导410
9-2-9　逻辑斯谛回归的似然函数411
9-2-10　 实现 　环境准备412
9-2-11　 实现 　读入数据并可视化412
9-2-12　 实现 　逻辑斯谛回归414
9-2-13　 实现 　逻辑斯谛回归的结果414
9-2-14　 实现 　逻辑斯谛回归的模型选择415
9-2-15　 实现 　使用逻辑斯谛回归进行预测416
9-2-16　 实现 　逻辑斯谛回归的回归曲线417
9-2-17　 术语 　优势和对数优势418
9-2-18　 术语 　优势比和对数优势比419
9-2-19　 实现 　逻辑斯谛回归的系数与优势比的关系419
9-3　广义线性模型的评估421
9-3-1　 实现 　环境准备421
9-3-2　 术语 　皮尔逊残差422
9-3-3　 实现 　皮尔逊残差423
9-3-4　 术语 　偏差424
9-3-5　 术语 　偏差残差425
9-3-6　 实现 　偏差残差425
9-3-7　 术语 　交叉熵误差427
9-4　泊松回归429
9-4-1　泊松分布429
9-4-2　泊松分布与二项分布的关系429
9-4-3　 实现 　环境准备430
9-4-4　 实现 　泊松分布431
9-4-5　 术语 　泊松回归433
9-4-6　本节示例433
9-4-7　泊松回归的推导433
9-4-8　 实现 　读入数据434
9-4-9　 实现 　泊松回归434
9-4-10　 实现 　泊松回归的模型选择435
9-4-11　 实现 　使用泊松回归进行预测436
9-4-12　 实现 　泊松回归的回归曲线437
9-4-13　 实现 　回归系数的含义437
第 10章　统计学与机器学习439
10-1　机器学习基础440
10-1-1　 术语 　机器学习440
10-1-2　 术语 　监督学习440
10-1-3　 术语 　无监督学习440
10-1-4　 术语 　强化学习441
10-1-5　 术语 　基于规则的机器学习441
10-1-6　统计学与机器学习无法彻底分离441
10-1-7　统计学注重过程，机器学习注重结果441
10-2　正则化、Ridge回归与Lasso回归443
10-2-1　 术语 　正则化443
10-2-2　 术语 　Ridge回归443
10-2-3　 术语 　Lasso回归444
10-2-4　确定正则化强度445
10-2-5　将解释变量标准化445
10-2-6　Ridge回归与Lasso回归的差异445
10-2-7　变量选择与正则化的对比446
10-2-8　正则化的意义447
10-3　Python中的Ridge回归与Lasso回归448
10-3-1　 术语 　scikit-learn448
10-3-2　 实现 　环境准备448
10-3-3　 实现 　解释变量的标准化450
10-3-4　 实现 　定义响应变量451
10-3-5　 实现 　普通*小二乘法452
10-3-6　 实现 　使用sklearn实现线性回归453
10-3-7　 实现 　Ridge回归：惩罚指标的影响453
10-3-8　 实现 　Ridge回归：确定*正则化强度456
10-3-9　 实现 　Lasso回归：惩罚指标的影响457
10-3-10　 实现 　Lasso回归：确定*正则化强度458
10-3-11　 实现 　使用Lasso回归进行预测459
10-4　线性模型与神经网络461
10-4-1　 术语 　输入向量、目标向量、权重、偏置461
10-4-2　 术语 　单层感知机461
10-4-3　 术语 　*函数462
10-4-4　从线性模型到神经网络463
10-4-5　 术语 　隐藏层463
10-4-6　 术语 　神经网络464
10-4-7　神经网络的结构464
10-4-8　神经网络中的L2正则化465
10-4-9　 实现 　环境准备465
10-4-10　 实现 　一元回归分析466
10-4-11　 实现 　使用神经网络实现回归468
10-4-12　 实现 　逻辑斯谛回归471
10-4-13　 实现 　使用神经网络实现分类474
10-4-14　 实现 　生成用于复杂分类问题的数据476
10-4-15　 实现 　将数据分割为训练集与测试集477
10-4-16　 实现 　对复杂数据进行逻辑斯谛回归分析478
10-4-17　 实现 　使用神经网络对复杂数据进行分类478
10-4-18　线性模型与神经网络各自的优点479
参考文献（图灵社区下载）