Python机器学习——预测分析核心算法 PDF格式高清电子书免费下载

Python机器学习——预测分析核心算法

作者 【美】Michael Bowles(鲍尔斯)
译者 沙灜 李鹏
出版社 人民邮电出版社
出版日期 2017-01-01
页数 320
格式 Paper book / ebook (PDF)
ISBN 9787115433732
价格 69
  • 内容简介
  • 图书目录
  • 免费下载

出版信息

ISBN:9787115433732
语言:简体中文
包装/印刷类型:1
开本:16开
出版时间:2017-01-01
页数:320

内容简介

本书通过结合Python语言特色以及核心的机器学习算法来向读者介绍一种简单且高效的数据分析和预测的方法,书中对于如何运用Python语言这一工具给出了详细而全面的描述。本书形式新颖,依托Python语言更好地将众多复杂的数学概念转化为简单易懂的示例。通过阅读本书,读者将深入理解每一种机器学习的算法,并且能够依据书中所介绍的方法来对自己身边的数据尝试进行分析,实现理论到使用技能的深层跨越。

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。

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

目录

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

点击展开

点击收起

Python机器学习——预测分析核心算法 PDF格式高清电子书免费下载

提醒:本站所有图书资源均索引自互联网,版权争议与本站无关。如有侵权或其他争议的可能性,请发起版权投诉,因本站未参与任何制作、转制、存储等任一环节,故无法对涉及到的资源进行删除,本站会依据DMCA原则, 对涉及的资源链接进行删除。因为所有图书资源均不属于本站,本站只提供索引服务,故本站不保证任何资源的准确性,权威性,请使用者自行判断。

  • 查看原页面 报告错误 复制提取码下载 提取码:3s4z
  • 查看原页面 报告错误 复制提取码下载 提取码:6bdp

看了 Python机器学习——预测分析核心算法 的用户也看了: