机器学习——Python实践
2020-04-17 10:16:41 0 举报AI智能生成
机器学习——Python实践
作者其他创作
大纲/内容
第五部分 优化模型
16 集成算法
16.1 集成的方法
16.2 装袋算法
16.2.1 装袋决策树
16.2.2 随机森林
16.2.3 极端随机树
16.3 提升算法
16.3.1 AdaBoost
16.3.2 随机梯度提升
16.4 投票算法
16.5 总结
17 算法调参
17.1 机器学习算法调参
17.2 网格搜索优化参数
17.3 随机搜索优化参数
17.4 总结
第六部分 结果部署
18 持久化加载模型
18.1 通过pickle序列化和反序列化机器学习的模型
18.2 通过joblib序列化和反序列化机器学习的模型
18.3 生成模型的技巧
18.4 总结
第七部分 项目实践
19 预测模型项目模板
19.1 在项目中实践机器学习
19.2 机器学习项目的Python模板
19.3 各步骤的详细说明
步骤1：定义问题
步骤2：理解数据
步骤3：数据准备
步骤4：评估算法
步骤5：优化模型
步骤6：结果部署
19.4 使用模板的小技巧
19.5 总结
20 回归项目实例
20.1 定义问题
20.2 导入数据
20.3 理解数据
20.4 数据可视化
20.4.1 单一特征图表
20.4.2 多重数据图表
20.4.3 思路总结
20.5 分离评估数据集
20.6 评估算法
20.6.1 评估算法——原始数据
20.6.2 评估算法——正态化数据
20.7 调参改善算法
20.8 集成算法
20.9 集成算法调参
20.10 确定最终模型
20.11 总结
21 二分类实例
21.1 问题定义
21.2 导入数据
21.3 分析数据
21.3.1 描述性统计
21.3.2 数据可视化
21.4 分离评估数据集
21.5 评估算法
21.6 算法调参
21.6.1 K近邻算法调参
21.6.2 支持向量机调参
21.7 集成算法
21.8 确定最终模型
21.9 总结
22 文本分类实例
22.1 问题定义
22.2 导入数据
22.3 文本特征提取
22.4 评估算法
22.5 算法调参
22.5.1 逻辑回归调参
22.5.2 朴素贝叶斯分类器调参
22.6 集成算法
22.7 集成算法调参
22.8 确定最终模型
22.9 总结
附录A
A.1 IDE PyCharm介绍
A.2 Python文档
A.3 SciPy、NumPy、Matplotlib和Pandas文档
A.4 树模型可视化
A.5 scikit-learn的算法选择路径
A.6 聚类分析
作者介绍
第一部分 初始
1 初识机器学习
1.1 学习机器学习的误区
1.2 什么是机器学习
1.3 Python中的机器学习
1.4 学习机器学习的原则
1.5 学习机器学习的技巧
1.6 这本书不涵盖以下内容
1.7 代码说明
1.8 总结
2 Python机器学习的生态圈
2.1 Python
2.2 SciPy
2.3 scikit-learn
2.4 环境安装
2.4.1 安装Python
2.4.2 安装SciPy
2.4.3 安装scikit-learn
2.4.4 更加便捷的安装方式
2.5 总结
3 第一个机器学习项目
3.1 机器学习中的Hello World项目
3.2 导入数据
3.2.1 导入类库
3.2.2 导入数据集
3.3 概述数据
3.3.1 数据维度
3.3.2 查看数据自身
3.3.3 统计描述数据
3.3.4 数据分类分布
3.4 数据可视化
3.4.1 单变量图表
3.4.2 多变量图表
3.5 评估算法
3.5.1 分离出评估数据集
3.5.2 评估模式
3.5.3 创建模型
3.5.4 选择最优模型
3.6 实施预测
3.7 总结
4 Python和SciPy速成
4.1 Python速成
4.1.1 基本数据类型和赋值运算
4.1.2 控制语句
4.1.3 复杂数据类型
4.1.4 函数
4.1.5 with语句
4.2 NumPy速成
4.2.1 创建数组
4.2.2 访问数据
4.2.3 算数运算
4.3 Matplotlib速成
4.3.1 绘制线条图
4.3.2 散点图
4.4 Pandas速成
4.4.1 Series
4.4.2 DataFrame
4.5 总结
第二部分 数据理解
5 数据导入
5.1 CSV文件
5.1.1 文件头
5.1.2 文件中的注释
5.1.3 分隔符
5.1.4 引号
5.2 Pima Indians数据集
5.3 采用标准Python类库导入数据
5.4 采用NumPy导入数据
5.5 采用Pandas导入数据
5.6 总结
6 数据理解
6.1 简单地查看数据
6.2 数据的维度
6.3 数据属性和类型
6.4 描述性统计
6.5 数据分组分布（适用于分类算法）
6.6 数据属性的相关性
6.7 数据的分布分析
6.8 总结
7 数据可视化
7.1 单一图表
7.1.1 直方图
7.1.2 密度图
7.1.3 箱线图
7.2 多重图表
7.2.1 相关矩阵图
7.2.2 散点矩阵图
7.3 总结
第三部分 数据准备
8 数据预处理
8.1 为什么需要数据预处理
8.2 格式化数据
8.3 调整数据尺度
8.4 正态化数据
8.5 标准化数据
8.6 二值数据
8.7 总结
9 数据特征选定
9.1 特征选定
9.2 单变量特征选定
9.3 递归特征消除
9.4 主要成分分析
9.5 特征重要性
9.6 总结
第四部分 选择模型
10 评估算法
10.1 评估算法的方法
10.2 分离训练数据集和评估数据集
10.3 K折交叉验证分离
10.4 弃一交叉验证分离
10.5 重复随机分离评估数据集与训练数据集
10.6 总结
11 算法评估矩阵
11.1 算法评估矩阵
11.2 分类算法矩阵
11.2.1 分类准确度
11.2.2 对数损失函数
11.2.3 AUC图
11.2.4 混淆矩阵
11.2.5 分类报告
11.3 回归算法矩阵
11.3.1 平均绝对误差
11.3.2 均方误差
11.3.3 决定系数（R2）
11.4 总结
12 审查分类算法
12.1 算法审查
12.2 算法概述
12.3 线性算法
12.3.1 逻辑回归
12.3.2 线性判别分析
12.4 非线性算法
12.4.1 K近邻算法
12.4.2 贝叶斯分类器
12.4.3 分类与回归树
12.4.4 支持向量机
12.5 总结
13 审查回归算法
13.1 算法概述
13.2 线性算法
13.2.1 线性回归算法
13.2.2 岭回归算法
13.2.3 套索回归算法
13.2.4 弹性网络回归算法
13.3 非线性算法
13.3.1 K近邻算法
13.3.2 分类与回归树
13.3.3 支持向量机
13.4 总结
14 算法比较
14.1 选择最佳的机器学习算法
14.2 机器学习算法的比较
14.3 总结
15 自动流程
15.1 机器学习的自动流程
15.2 数据准备和生成模型的Pipeline
15.3 特征选择和生成模型的Pipeline
15.4 总结
0 条评论
下一页
