The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer Series in Statistics) [ハードカバー]

additive  al  algorithm  analysis  approach  average  basis  between  bias  boundary  case  chapter  class  classification  classifier  cluster  coefficients  components  consider  curve  data  decision  density  different  dimension  distribution  error  estimate  ex  example  features  figure  first  fit  form  function  gaussian  given  hence  input  kernel  large  learning  least  left  linear  local  loss  matrix  mean  methods  mixture  model  network  number  observations  panel  parameters  points  prediction  predictors  probability  problem  procedure  rate  region  regression  response  results  right  rule  sample  section  see  set  shown  shows  since  size  smoothing  solution  space  spline  squares  step  support  terms  test  training  tree  two  use  used  values  variables  variance  vector  weights  xi  zero