日本免费精品视频,男人的天堂在线免费视频,成人久久久精品乱码一区二区三区,高清成人爽a毛片免费网站

目錄

第1章 關(guān)于預(yù)測(cè)的兩類核心

算法 ................................................1

1.1為什么這兩類算法如此有用 .......1

1.2什么是懲罰回歸方法.....................6

1.3什么是集成方法 .............................8

1.4算法的選擇 ......................................9

1.5構(gòu)建預(yù)測(cè)模型的流程...................11

1.5.1構(gòu)造一個(gè)機(jī)器學(xué)習(xí)問(wèn)題 ......12

1.5.2特征提取和特征工程 ..........14

1.5.3確定訓(xùn)練后的模型的性能 .....15

1.6各章內(nèi)容及其依賴關(guān)系 ..............15

1.7小結(jié) .................................................17

1.8參考文獻(xiàn) ........................................17

第2章 通過(guò)理解數(shù)據(jù)來(lái)了解

問(wèn)題 ..............................................19

2.1“解剖”一個(gè)新問(wèn)題 .....................19

2.1.1屬性和標(biāo)簽的不同類型

決定模型的選擇..................21

2.1.2新數(shù)據(jù)集的注意事項(xiàng) ..........22

2.2分類問(wèn)題：用聲納發(fā)現(xiàn)未

爆炸的水雷....................................23

2.2.1“ 巖石vs 水雷”數(shù)據(jù)集的

物理特性..............................23

2.2.2“ 巖石vs 水雷”數(shù)據(jù)集統(tǒng)計(jì)

特征......................................27

2.2.3用分位數(shù)圖展示異常點(diǎn) ......30

2.2.4類別屬性的統(tǒng)計(jì)特征 ..........32

2.2.5利用Python Pandas 對(duì)“巖石

vs水雷”數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)

分析......................................32

2.3對(duì)“巖石vs 水雷數(shù)據(jù)集”屬性的

可視化展示....................................35

2.3.1利用平行坐標(biāo)圖進(jìn)行可視化

展示......................................35

2.3.2屬性和標(biāo)簽的關(guān)系可視化 .....37

2.3.3用熱圖(heat map)展示

屬性和標(biāo)簽的相關(guān)性..........44

2.3.4對(duì)“巖石vs. 水雷”數(shù)據(jù)集

探究過(guò)程小結(jié)......................45

2.4基于因素變量的實(shí)數(shù)值預(yù)測(cè)-

鮑魚(yú)的年齡....................................45

2.4.1回歸問(wèn)題的平行坐標(biāo)圖- 鮑魚(yú)

問(wèn)題的變量關(guān)系可視化......51

2.4.2回歸問(wèn)題如何使用關(guān)聯(lián)熱

圖－鮑魚(yú)問(wèn)題的屬性對(duì)關(guān)

系的可視化..........................55

2.5用實(shí)數(shù)值屬性預(yù)測(cè)實(shí)數(shù)值目標(biāo)：

評(píng)估紅酒口感................................57

2.6多類別分類問(wèn)題：它屬于哪種

玻璃.................................................63

小結(jié)............................................................68

參考文獻(xiàn)...................................................69

第3章 預(yù)測(cè)模型的構(gòu)建：平衡性

能、復(fù)雜性以及大數(shù)據(jù)....71

3.1基本問(wèn)題：理解函數(shù)逼近..........71

3.1.1使用訓(xùn)練數(shù)據(jù) ......................72

3.1.2評(píng)估預(yù)測(cè)模型的性能 ..........73

3.2影響算法選擇及性能的因素——

復(fù)雜度以及數(shù)據(jù)...........................74

3.2.1簡(jiǎn)單問(wèn)題和復(fù)雜問(wèn)題的

對(duì)比......................................74

3.2.2一個(gè)簡(jiǎn)單模型與復(fù)雜模型的

對(duì)比......................................77

3.2.3影響預(yù)測(cè)算法性能的因素 ....80

3.2.4選擇一個(gè)算法：線性或者

非線性..................................81

3.3度量預(yù)測(cè)模型性能 .......................81

3.3.1不同類型問(wèn)題的性能評(píng)價(jià)

指標(biāo)......................................82

3.3.2部署模型的性能模擬 ..........92

3.4模型與數(shù)據(jù)的均衡 .......................94

3.4.1通過(guò)權(quán)衡問(wèn)題復(fù)雜度、模型

復(fù)雜度以及數(shù)據(jù)集規(guī)模來(lái)選

擇模型..................................94

3.4.2使用前向逐步回歸來(lái)控制過(guò)

擬合......................................95

3.4.3評(píng)估并理解你的預(yù)測(cè)模型....101

3.4.4通過(guò)懲罰回歸系數(shù)來(lái)控制

過(guò)擬合——嶺回歸............103

小結(jié)..........................................................112

參考文獻(xiàn).................................................112

第4章 懲罰線性回歸模型 ..........113

4.1為什么懲罰線性回歸方法如此

有效...............................................113

4.1.1足夠快速地估計(jì)系數(shù) ........114

4.1.2變量的重要性信息 ............114

4.1.3部署時(shí)的預(yù)測(cè)足夠快速 ....114

4.1.4性能 ............................114

4.1.5稀疏解 ................................115

4.1.6問(wèn)題本身可能需要線性

模型....................................115

4.1.7什么時(shí)候使用集成方法 ....115

4.2懲罰線性回歸：對(duì)線性回歸進(jìn)行

正則化以獲得性能............115

4.2.1訓(xùn)練線性模型：最小化錯(cuò)誤

以及更多............................117

4.2.2向OLS 公式中添加一個(gè)

系數(shù)懲罰項(xiàng)........................118

4.2.3其他有用的系數(shù)懲罰項(xiàng)：

Manhattan以及ElasticNet .....118

4.2.4為什么套索懲罰會(huì)導(dǎo)致稀疏的

系數(shù)向量............................119

4.2.5ElasticNet 懲罰項(xiàng)包含套索

懲罰項(xiàng)以及嶺懲罰項(xiàng)........120

4.3求解懲罰線性回歸問(wèn)題 ............121

4.3.1理解最小角度回歸與前向逐步

回歸的關(guān)系........................121

4.3.2LARS 如何生成數(shù)百個(gè)不同

復(fù)雜度的模型....................125

4.3.3從數(shù)百個(gè)LARS 生成結(jié)果中

選擇模型....................127

4.3.4使用Glmnet ：非常快速

并且通用............................133

4.4基于數(shù)值輸入的線性回歸方法的

擴(kuò)展...............................................140

4.4.1使用懲罰回歸求解分類

問(wèn)題....................................140

4.4.2求解超過(guò)2 種輸出的分類

問(wèn)題....................................145

4.4.3理解基擴(kuò)展：使用線性方法來(lái)

解決非線性問(wèn)題................145

4.4.4向線性方法中引入非數(shù)值

屬性....................................148

小結(jié)..........................................................152

參考文獻(xiàn).................................................153

第5章 使用懲罰線性方法來(lái)

構(gòu)建預(yù)測(cè)模型.....................155

5.1懲罰線性回歸的Python 包 .....155

5.2多變量回歸：預(yù)測(cè)紅酒口感 ...156

5.2.1構(gòu)建并測(cè)試模型以預(yù)測(cè)紅酒

口感....................................157

5.2.2部署前在整個(gè)數(shù)據(jù)集上進(jìn)行

訓(xùn)練....................................162

5.2.3基擴(kuò)展：基于原始屬性擴(kuò)展

新屬性來(lái)改進(jìn)性能............168

5.3二分類：使用懲罰線性回歸來(lái)

檢測(cè)未爆炸的水雷.....................172

5.3.1構(gòu)建部署用的巖石水雷

分類器................................183

5.4多類別分類- 分類犯罪現(xiàn)場(chǎng)的

玻璃樣本......................................196

小結(jié)..........................................................201

參考文獻(xiàn).................................................202

第6章 集成方法 .................................203

6.1二元決策樹(shù) ..................................203

6.1.1如何利用二元決策樹(shù)進(jìn)行

預(yù)測(cè)....................................205

6.1.2如何訓(xùn)練一個(gè)二元決策樹(shù)....207

6.1.3決策樹(shù)的訓(xùn)練等同于

分割點(diǎn)的選擇....................211

6.1.4二元決策樹(shù)的過(guò)擬合 ........214

6.1.5針對(duì)分類問(wèn)題和類別特征

所做的修改........................218

6.2自舉集成：Bagging 算法 .........219

6.2.1Bagging 算法是如何

工作的................................219

6.2.2Bagging 算法小結(jié) .............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獲取梯度提升法的

性能....................................234

6.3.3針對(duì)多變量問(wèn)題的梯度

提升法................................237

6.3.4梯度提升方法的小結(jié) ........241

6.4隨機(jī)森林 ......................................241

6.4.1隨機(jī)森林：Bagging 加上隨機(jī)

屬性子集............................246

6.4.2隨機(jī)森林的性能 ................246

6.4.3隨機(jī)森林小結(jié) ....................247

6.5小結(jié) ...............................................248

6.6參考文獻(xiàn) ......................................248

第7章 用Python 構(gòu)建集成

模型............................................251

7.1用Python 集成方法工具包解決

回歸問(wèn)題......................................251

7.1.1構(gòu)建隨機(jī)森林模型來(lái)預(yù)測(cè)

紅酒口感............................251

7.1.2用梯度提升預(yù)測(cè)紅酒品質(zhì) ....258

7.2用Bagging 來(lái)預(yù)測(cè)紅酒口感 ....266

7.3Python 集成方法引入非數(shù)值

屬性...............................................271

7.3.1對(duì)鮑魚(yú)性別屬性編碼引入

Python隨機(jī)森林回歸

方法....................................271

7.3.2評(píng)估性能以及變量編碼的

重要性................................274

7.3.3在梯度提升回歸方法中引入

鮑魚(yú)性別屬性....................276

7.3.4梯度提升法的性能評(píng)價(jià)以及

變量編碼的重要性............279

7.4用Python 集成方法解決二分類

問(wèn)題...............................................282

7.4.1用Python 隨機(jī)森林方法探測(cè)

未爆炸的水雷....................282

7.4.2構(gòu)建隨機(jī)森林模型探測(cè)未

爆炸水雷............................283

7.4.3隨機(jī)森林分類器的性能 ....288

7.4.4用Python 梯度提升法探測(cè)

未爆炸水雷........................289

7.4.5梯度提升法分類器的性能....296

7.5用Python 集成方法解決多類別

分類問(wèn)題......................................300

7.5.1用隨機(jī)森林對(duì)玻璃進(jìn)行

分類....................................300

7.5.2處理類不均衡問(wèn)題 ............304

7.5.3用梯度提升法對(duì)玻璃進(jìn)行

分類....................................306

7.5.4評(píng)估在梯度提升法中使用隨機(jī)

森林基學(xué)習(xí)器的好處........311

7.6算法比較 ......................................313

小結(jié)..........................................................315

參考文獻(xiàn).................................................315