Python中文网

Python机器学习 预测分析核心算法

cnpython684

Python机器学习 预测分析核心算法,由人民邮电出版社在2016-12-01月出版发行,本书编译以及作者信息为: [美] Michael Bowles(鲍尔斯) 著,沙嬴,李鹏 译,这是第1次发行, 国际标准书号为:9787115433732,品牌为异步图书, 这本书采用平装开本为16开,纸张采为胶版纸,全书共有316页,字数万字,值得推荐。

此书内容摘要

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。

关于此书作者

Michael Bowles,在硅谷黑客道场教授机器学习,提供机器学习项目咨询,同时参与了多家创业公司,涉及的领域包括生物信息学、金融高频交易等。他在麻省理工学院获得助理教授教职后,创建并运营了两家硅谷创业公司,这两家公司都已成功上市。他在黑客道场的课程往往听者云集并且好评颇多。

编辑们的推荐

机器学习关注于预测,其核心是一种基于数学和算法的技术,要掌握该技术,需要对数学及统计概念有深入理解,能够熟练使用R 语言或者其他编程语言。
本书通过集中介绍两类可以进行有效预测的机器学习算法,展示了如何使用Python 编程语言完成机器学习任务,从而降低机器学习难度,使机器学习能够被更广泛的人群掌握。
作者利用多年的机器学习经验带领读者设计、构建并实现自己的机器学习方案。本书尽可能地用简单的术语来介绍算法,避免复杂的数学推导,同时提供了示例代码帮助读者迅速上手。读者会很快深入了解模型构建背后的原理,不论简单问题还是复杂问题,读者都可以学会如何找到问题的解决算法。书中详细的示例,给出了具体的可修改的代码,展示了机器学习机理,涵盖了线性回归和集成方法,帮助理解使用机器学习方法的基本流程。
本书为不具备数学或统计背景的读者量身打造,详细介绍了如何:
● 针对任务选择合适算法; ● 对不同目的应用训练好的模型;
● 学习数据处理机制,准备数据; ● 评估模型性能以保证应用效果;
● 掌握Python 机器学习核心算法包; ● 使用示例代码设计和构建你自己的模型;
● 构建实用的多功能预测模型。

Python机器学习 预测分析核心算法图书的目录

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:
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
4.2.5ElasticNet 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
4.3.2LARS 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
6.2.1Bagging 算法是如何
工作的................................219
6.2.2Bagging 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
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
7.3Python 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

部分内容试读

暂无.

关于此书评价

暂无.

书摘内容

暂无.

Python机器学习 预测分析核心算法最新最全的试读、书评、目录、简介信息由Python中文网整理提供。