一.資料圖片

二.資料簡介

在學習和研究機器學習的時候，面臨令人眼花繚亂的算法，機器學習新手往往會不知

所措。本書從算法和Python 語言實現(xiàn)的角度，幫助讀者認識機器學習。

書專注于兩類核心的“算法族”，即懲罰線性回歸和集成方法，并通過代碼實例來

展示所討論的算法的使用原則。全書共分為7 章，詳細討論了預測模型的兩類核心算法、預測模型的構建、懲罰線性回歸和集成方法的具體應用和實現(xiàn)。

本書主要針對想提高機器學習技能的Python 開發(fā)人員，幫助他們解決某一特定的項

目或是提升相關的技能。

三.資料目錄

第1章關于預測的兩類核心算法
1.1為什么這兩類算法如此有用
1.2什么是懲罰回歸方法
1.3什么是集成方法
1.4算法的選擇
1.5構建預測模型的流程
1.5.1構造一個機器學習問題
1.5.2特征提取和特征工程
1.5.3確定訓練后的模型的性能
1.6各章內容及其依賴關系
1.7小結
1.8參考文獻
第2章通過理解數(shù)據(jù)來了解問題
2.1“解剖”一個新問題
2.1.1屬性和標簽的不同類型決定模型的選擇
2.1.2新數(shù)據(jù)集的注意事項
2.2分類問題：用聲納發(fā)現(xiàn)未爆炸的水雷
2.2.1“巖石vs水雷”數(shù)據(jù)集的物理特性
2.2.2“巖石vs水雷”數(shù)據(jù)集統(tǒng)計特征
2.2.3用分位數(shù)圖展示異常點
2.2.4類別屬性的統(tǒng)計特征
2.2.5利用PythonPandas對“巖石vs水雷”數(shù)據(jù)集進行統(tǒng)計分析
2.3對“巖石vs水雷數(shù)據(jù)集”屬性的可視化展示
2.3.1利用平行坐標圖進行可視化展示
2.3.2屬性和標簽的關系可視化
2.3.3用熱圖（heatmap）展示屬性和標簽的相關性
2.3.4對“巖石vs
2.4基于因素變量的實數(shù)值預測鮑魚的年齡
2.4.1回歸問題的平行坐標圖—鮑魚問題的變量關系可視化
2.4.2回歸問題如何使用關聯(lián)熱圖—鮑魚問題的屬性對關系的可視化
2.5用實數(shù)值屬性預測實數(shù)值目標：評估紅酒口感
2.6多類別分類問題：它屬于哪種玻璃
小結
參考文獻
第3章預測模型的構建：平衡性能、復雜性以及大數(shù)據(jù)
3.1基本問題：理解函數(shù)逼近
3.1.1使用訓練數(shù)據(jù)
3.1.2評估預測模型的性能
3.2影響算法選擇及性能的因素——復雜度以及數(shù)據(jù)
3.2.1簡單問題和復雜問題的對比
3.2.2一個簡單模型與復雜模型的對比
3.2.3影響預測算法性能的因素
3.2.4選擇一個算法：線性或者非線性
3.3度量預測模型性能
3.3.1不同類型問題的性能評價指標
3.3.2部署模型的性能模擬
3.4模型與數(shù)據(jù)的均衡
3.4.1通過權衡問題復雜度、模型復雜度以及數(shù)據(jù)集規(guī)模來選擇模型
3.4.2使用前向逐步回歸來控制過擬合
3.4.3評估并理解你的預測模型
3.4.4通過懲罰回歸系數(shù)來控制過擬合——嶺回歸
小結
參考文獻
第4章懲罰線性回歸模型
4.1為什么懲罰線性回歸方法如此有效
4.1.1足夠快速地估計系數(shù)
4.1.2變量的重要性信息
4.1.3部署時的預測足夠快速
4.1.4性能可靠
4.1.5稀疏解
4.1.6問題本身可能需要線性模型
4.1.7什么時候使用集成方法
4.2懲罰線性回歸：對線性回歸進行正則化以獲得最優(yōu)性能
4.2.1訓練線性模型：最小化錯誤以及更多
4.2.2向OLS公式中添加一個系數(shù)懲罰項
4.2.3其他有用的系數(shù)懲罰項：Manhattan以及ElasticNet
4.2.4為什么套索懲罰會導致稀疏的系數(shù)向量
4.2.5ElasticNet懲罰項包含套索懲罰項以及嶺懲罰項
4.3求解懲罰線性回歸問題
4.3.1理解最小角度回歸與前向逐步回歸的關系
4.3.2LARS如何生成數(shù)百個不同復雜度的模型
4.3.3從數(shù)百個LARS生成結果中選擇最佳模型
4.3.4使用Glmnet：非?？焖俨⑶彝ㄓ?br/>4.4基于數(shù)值輸入的線性回歸方法的擴展
4.4.1使用懲罰回歸求解分類問題
4.4.2求解超過2種輸出的分類問題
4.4.3理解基擴展：使用線性方法來解決非線性問題
4.4.4向線性方法中引入非數(shù)值屬性
小結
參考文獻
第5章使用懲罰線性方法來構建預測模型
5.1懲罰線性回歸的Python包
5.2多變量回歸：預測紅酒口感
5.2.1構建并測試模型以預測紅酒口感
5.2.2部署前在整個數(shù)據(jù)集上進行訓練
5.2.3基擴展：基于原始屬性擴展新屬性來改進性能
5.3二分類：使用懲罰線性回歸來檢測未爆炸的水雷
5.3.1構建部署用的巖石水雷分類器
5.4多類別分類—分類犯罪現(xiàn)場的玻璃樣本
小結
參考文獻
第6章集成方法
6.1二元決策樹
6.1.1如何利用二元決策樹進行預測
6.1.2如何訓練一個二元決策樹
6.1.3決策樹的訓練等同于分割點的選擇
6.1.4二元決策樹的過擬合
6.1.5針對分類問題和類別特征所做的修改
6.2自舉集成：Bagging算法
6.2.1Bagging算法是如何工作的
6.2.2Bagging算法小結
6.3梯度提升法（GradientBoosting）
6.3.1梯度提升法的基本原理
6.3.2獲取梯度提升法的最佳性能
6.3.3針對多變量問題的梯度提升法
6.3.4梯度提升方法的小結
6.4隨機森林
6.4.1隨機森林：Bagging加上隨機屬性子集
6.4.2隨機森林的性能
6.4.3隨機森林小結
6.5小結
6.6參考文獻
第7章用Python構建集成模型
7.1用Python集成方法工具包解決回歸問題
7.1.1構建隨機森林模型來預測紅酒口感
7.1.2用梯度提升預測紅酒品質
7.2用Bagging來預測紅酒口感
7.3Python集成方法引入非數(shù)值屬性
7.3.1對鮑魚性別屬性編碼引入Python隨機森林回歸方法
7.3.2評估性能以及變量編碼的重要性
7.3.3在梯度提升回歸方法中引入鮑魚性別屬性
7.3.4梯度提升法的性能評價以及變量編碼的重要性
7.4用Python集成方法解決二分類問題
7.4.1用Python隨機森林方法探測未爆炸的水雷
7.4.2構建隨機森林模型探測未爆炸水雷
7.4.3隨機森林分類器的性能
7.4.4用Python梯度提升法探測未爆炸水雷
7.4.5梯度提升法分類器的性能
7.5用Python集成方法解決多類別分類問題
7.5.1用隨機森林對玻璃進行分類
7.5.2處理類不均衡問題
7.5.3用梯度提升法對玻璃進行分類
7.5.4評估在梯度提升法中使用隨機森林基學習器的好處
7.6算法比較
小結
參考文獻

本文鏈接：http://fangxuan.com.cn/python/545.html