在读完第二章线性回归之后，发现本书并不像其他机器学习的书一样仅仅介绍模型及预测，而是从数理统计的角度来分析并解释模型，全书要求的数学基础较高，并要大致了解r语言，总体来说值得初学者一读。

下面按章节给出本书对第1版做出的修改。

第1章重新制作了流程图，更正了一个无意中的输入错误，并新增了一些方法。

第2章改进了代码，并给出了更美观的图表，此外基本与第1版一致。

第3章改善并精简了代码。增加了多元自适应回归样条模型，这是我最喜欢的技术之一，它的效果非常好，可以处理非线性问题，而且易于解释。我将它作为基础模型，将其他模型作为“挑战者”，看看其他模型能否在性能上超过样条模型。

第4章不但介绍了回归模型中的特征选择技术，还包括了分类模型中的特征选择技术。

第5章梳理并精简了代码。

第6章增加了XGBOOST扩展包提供的流行技术，还增加了使用随机森林作为特征选择工具的技术。

第7章更新了一些深度学习方法的信息，并改进了使用H2O软件包的代码，包括超参数搜索技术。

第8章新增了使用随机森林进行无监督学习的方法。

第9章使用了新的数据集，新增了样本外预测的方法。

第10章新增了序列分析方法，我发现这种方法越来越重要，特别是在营销领域。

第11章属于全新内容，使用了若干个非常棒的软件包。

第12章添加了另外几年的气候数据，以及对几种不同因果关系测试方法的演示。

第13章增加了数据，改进了代码。

第14章也是新内容，帮助你在云上简单而又快速地获取R。