PYTHON机器学习 预测分析核心算法2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

PYTHON机器学习 预测分析核心算法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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 确定训练后模型的性能15

1.6 各章内容及其依赖关系15

小结17

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最优性能115

4.2.1 训练线性模型：最小化错误以及更多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：Manbattan以及ElasticNet118

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 理解最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生成结果中选择最佳模型127

4.3.4 使用Glmnet：非常快速并且通用133

4.4 输入为数值型数据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

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204

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 获取梯度提升法的最佳性能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加上随机选择的属性子集246

6.4.2 随机森林的性能246

6.4.3 随机森林小结247

小结248

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 用梯度提升法预测红酒品质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