搜索
java python go vue ev4 人工智能 架构师 前端 网课 素材
优百课栈 › 知识城堡 › 电子书库 › 《Python机器学习 预测分析核心算法》
返回列表 发新帖

《Python机器学习 预测分析核心算法》

[复制链接]
online_admin aixure 发表于 2023-1-22 20:12:16 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
201207lgub11bu0u1b7dd4
售 价: ￥5￥89加入会员，免费下载
库 存:9999 件
销 量:12 件
源 址:
卖家服务:  
客 服:QQ（早10点-晚6点）
立即购买
立即购买
资源详情
内容简介[url=]编辑[/url][url=] 播报[/url]
在学习和研究机器学习的时候，面临令人眼花缭乱的算法，机器学习新手往往会不知所措。本书从算法和Python 语言实现的角度，帮助读者认识机器学习。本书专注于两类核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则。全书共分为7 章，详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。 [1]
本书主要针对想提高机器学习技能的Python 开发人员，帮助他们解决某一特定的项目或是提升相关的技能。

图书目录[url=]编辑[/url][url=] 播报[/url]
第 1　章 关于预测的两类核心
算法 1
1.1　为什么这两类算法如此有用 　1
1.2　什么是惩罚回归方法 　6
1.3　什么是集成方法 　8
1.4　算法的选择 　9
1.5　构建预测模型的流程 　11
1.5.1　构造一个机器学习问题 12
1.5.2　特征提取和特征工程 14
1.5.3　确定训练后的模型的性能 15
1.6　各章内容及其依赖关系 　15
1.7　小结 　17
1.8　参考文献 　17
第 2　章 通过理解数据来了解
问题 19
2.1　“解剖”一个新问题 　19
2.1.1　属性和标签的不同类型
决定模型的选择　 21
2.1.2　新数据集的注意事项 22
2.2　分类问题：用声纳发现未
爆炸的水雷　 　23
2.2.1　“ 岩石vs 水雷”数据集的
物理特性　 23
2.2.2　“ 岩石vs 水雷”数据集统计
特征　 27
2.2.3　用分位数图展示异常点 30
2.2.4　类别属性的统计特征 32
2.2.5　利用Python Pandas 对“岩石
vs　水雷”数据集进行统计
分析　 32
2.3　对“岩石vs 水雷数据集”属性的
可视化展示　 　35
2.3.1　利用平行坐标图进行可视化
展示　 35
2.3.2　属性和标签的关系可视化 37
2.3.3　用热图（heat map）展示
属性和标签的相关性　 44
2.3.4　对“岩石vs. 水雷”数据集
探究过程小结　 45
2.4　基于因素变量的实数值预测-
鲍鱼的年龄　 　45
2.4.1　回归问题的平行坐标图- 鲍鱼
问题的变量关系可视化　 51
2.4.2　回归问题如何使用关联热
图－鲍鱼问题的属性对关
系的可视化　 55
2.5　用实数值属性预测实数值目标：
评估红酒口感　 　57
2.6　多类别分类问题：它属于哪种
玻璃　 　63
小结　 　68
参考文献　 　69
第3　章 预测模型的构建：平衡性
能、复杂性以及大数据　 71
3.1　基本问题：理解函数逼近 　71
3.1.1　使用训练数据 72
3.1.2　评估预测模型的性能 73
3.2　影响算法选择及性能的因素——
复杂度以及数据　 　74
3.2.1　简单问题和复杂问题的
对比　 74
3.2.2　一个简单模型与复杂模型的
对比　 77
3.2.3　影响预测算法性能的因素 80
3.2.4　选择一个算法：线性或者
非线性　 81
3.3　度量预测模型性能 　81
3.3.1　不同类型问题的性能评价
指标　 82
3.3.2　部署模型的性能模拟 92
3.4　模型与数据的均衡 　94
3.4.1　通过权衡问题复杂度、模型
复杂度以及数据集规模来选
择模型　 94
3.4.2　使用前向逐步回归来控制过
拟合　 95
3.4.3　评估并理解你的预测模型 101
3.4.4　通过惩罚回归系数来控制
过拟合——岭回归　 103
小结　 　112
参考文献　 　112
第4　章 惩罚线性回归模型 113
4.1　为什么惩罚线性回归方法如此
有效　 　113
4.1.1　足够快速地估计系数 114
4.1.2　变量的重要性信息 114
4.1.3　部署时的预测足够快速 114
4.1.4　性能可靠 114
4.1.5　稀疏解 115
4.1.6　问题本身可能需要线性
模型　 115
4.1.7　什么时候使用集成方法 115
4.2　惩罚线性回归：对线性回归进行
正则化以获得**优性能　 　115
4.2.1　训练线性模型：**小化错误
以及更多　 117
4.2.2　向OLS 公式中添加一个
系数惩罚项　 118
4.2.3　其他有用的系数惩罚项：
Manhattan　以及ElasticNet 118
4.2.4　为什么套索惩罚会导致稀疏的
系数向量　 119
4.2.5　ElasticNet 惩罚项包含套索
惩罚项以及岭惩罚项　 120
4.3　求解惩罚线性回归问题 　121
4.3.1　理解**小角度回归与前向逐步
回归的关系　 121
4.3.2　LARS 如何生成数百个不同
复杂度的模型　 125
4.3.3　从数百个LARS 生成结果中
选择**佳模型　 127
4.3.4　使用Glmnet ：非常快速
并且通用　 133
4.4　基于数值输入的线性回归方法的
扩展　 　140
4.4.1　使用惩罚回归求解分类
问题　 140
4.4.2　求解超过2 种输出的分类
问题　 145
4.4.3　理解基扩展：使用线性方法来
解决非线性问题　 145
4.4.4　向线性方法中引入非数值
属性　 148
小结　 　152
参考文献　 　153
第5　章 使用惩罚线性方法来
构建预测模型　 155
5.1　惩罚线性回归的Python 包 　155
5.2　多变量回归：预测红酒口感 　156
5.2.1　构建并测试模型以预测红酒
口感　 157
5.2.2　部署前在整个数据集上进行
训练　 162
5.2.3　基扩展：基于原始属性扩展
新属性来改进性能　 168
5.3　二分类：使用惩罚线性回归来
检测未爆炸的水雷　 　172
5.3.1　构建部署用的岩石水雷
分类器　 183
5.4　多类别分类- 分类犯罪现场的
玻璃样本　 　196
小结　 　201
参考文献　 　202
第6　章 集成方法 203
6.1　二元决策树 　203
6.1.1　如何利用二元决策树进行
预测　 205
6.1.2　如何训练一个二元决策树 207
6.1.3　决策树的训练等同于
分割点的选择　 211
6.1.4　二元决策树的过拟合 214
6.1.5　针对分类问题和类别特征
所做的修改　 218
6.2　自举集成：Bagging 算法 　219
6.2.1　Bagging 算法是如何
工作的　 219
6.2.2　Bagging 算法小结 230
6.3　梯度提升法（Gradient
Boosting）　 　230
6.3.1　梯度提升法的基本原理 230
6.3.2　获取梯度提升法的**佳
性能　 234
6.3.3　针对多变量问题的梯度
提升法　 237
6.3.4　梯度提升方法的小结 241
6.4　随机森林 　241
6.4.1　随机森林：Bagging 加上随机
属性子集　 246
6.4.2　随机森林的性能 246
6.4.3　随机森林小结 247
6.5　小结 　248
6.6　参考文献 　248
第7　章 用Python 构建集成
模型　 251
7.1　用Python 集成方法工具包解决
回归问题　 　251
7.1.1　构建随机森林模型来预测
红酒口感　 251
7.1.2　用梯度提升预测红酒品质 258
7.2　用Bagging 来预测红酒口感 　266
7.3　Python 集成方法引入非数值
属性　 　271
7.3.1　对鲍鱼性别属性编码引入
Python　随机森林回归
方法　 271
7.3.2　评估性能以及变量编码的
重要性　 274
7.3.3　在梯度提升回归方法中引入
鲍鱼性别属性　 276
7.3.4　梯度提升法的性能评价以及
变量编码的重要性　 279
7.4　用Python 集成方法解决二分类
问题　 　282
7.4.1　用Python 随机森林方法探测
未爆炸的水雷　 282
7.4.2　构建随机森林模型探测未
爆炸水雷　 283
7.4.3　随机森林分类器的性能 288
7.4.4　用Python 梯度提升法探测
未爆炸水雷　 289
7.4.5　梯度提升法分类器的性能 296
7.5　用Python 集成方法解决多类别
分类问题　 　300
7.5.1　用随机森林对玻璃进行
分类　 300
7.5.2　处理类不均衡问题 304
7.5.3　用梯度提升法对玻璃进行
分类　 306
7.5.4　评估在梯度提升法中使用随机
森林基学习器的好处　 311
7.6　算法比较 　313
小结　 　315
参考文献　 　315

机器 机器学习 学习 预测 预测分析
温馨提示：
1、如果下载地址失效，请尽快反馈给我们，我们尽快修复。点此反馈>>
2、全站资源高清无密，课程百分百高清，完整，原画，包含所有的视频+素材+课件+源码，官方同步体验！每天更新，成为vip后可免费下载本站IT课程。点此办理会员>>
3、有任何问题，请咨询QQ：87887023
4、支持7*24小时自助购买，购买后自动发货，链接永久有效，自动更新

相关帖子
回复

使用道具 举报

返回列表 发表新帖
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 注册

本版积分规则

plugin
aixure管理员

关注0

粉丝0

帖子5155

发布主题
一周下载排行最近7x24小时热帖
最新发布
ads3
专注资源整合与知识分享
客服QQ

87887023

周一至周日9:00-23:00

反馈建议

点此进行反馈 kfs 在线QQ咨询
ftqrcode

扫描二维码关注我们

label_sm_90020

Powered by 优百课栈 X3.4© 2019-2025