机器学习应用与实战 pdf下载

●第1部分机器学习基础算法
第1章基于线性回归的销售量预测2
1.1机器学习概述2
1.2线性回归4
1.2.1回归的概念4
1.2.2线性回归模型4
1.3梯度下降算法7
1.4线性回归模型的构建8
1.4.1线性回归模型构建的一般步骤8
1.4.2线性回归模型的评估方法与度量指标9
1.5案例实现——基于线性回归的销售量预测9
本章总结13
作业与练习14
第2章非线性数据的多项式回归15
2.1多项式回归16
2.1.1多项式回归的概念16
2.1.20-1标准化16
2.1.3Z-Score标准化18
2.1.4特征拓展19
2.2模型训练问题与解决方法22
2.2.1欠拟合与过拟合22
2.2.2正则化方法23
2.3案例实现——非线性数据的
多项式回归24
本章总结31
作业与练习31
第3章基于逻辑回归算法的乳腺癌患病预测33
3.1逻辑回归算法33
3.1.1逻辑回归算法概述33
3.1.2概率估算34
3.1.3损失函数35
3.2分类数据的预处理36
3.2.1欠采样与过采样36
3.2.2数据的标签化37
3.2.3数据的独热编码38
3.3模型的性能评估40
3.3.1数值型模型评估方法40
3.3.2几何型模型评估方法42
3.4案例实现——基于逻辑回归算法的乳腺癌患病预测44
本章总结48
作业与练习49
第4章基于k-NN算法的分类50
4.1k-NN算法51
4.1.1k-NN算法概述51
4.1.2样本距离的度量51
4.1.3k-NN算法的工作原理51
4.1.4k-NN算法的三个要素53
4.2k-NN算法加速思路54
4.3案例实现55
4.3.1案例1——基于k-NN算法的电影分类55
4.3.2案例2——基于k-NN算法的鸢尾花数据集分类58
本章总结61
作业与练习61
第5章基于决策树算法的回归预测与分类62
5.1决策树的介绍62
5.2决策树的构建65
5.2.1特征选择65
5.2.2决策树的构建过程67
5.2.3决策树剪枝69
5.2.4连续特征的处理方法70
5.3决策树可视化70
5.4案例实现71
5.4.1案例1——基于决策树算法的商品销售量回归预测71
5.4.2案例2——基于决策树算法的鸢尾花数据集分类73
本章总结76
作业与练习76
第6章基于k-Means算法的聚类78
6.1k-Means算法79
6.1.1k-Means算法概述79
6.1.2k-Means算法的工作原理79
6.1.3k-Means算法的流程80
6.2很好k值的确定方法80
6.2.1手肘法81
6.2.2轮廓系数法81
6.3k-Means算法的改进82
6.3.1k-Means++算法83
6.3.2k-MeansⅡ算法83
6.3.3Mini-Batchk-Means算法83
6.4案例实现84
6.4.1案例1——基于手肘法使用k-Means算法的饮料聚类84
6.4.2案例2——基于轮廓系数法使用k-Means算法的饮料聚类87
本章总结89
作业与练习90
第7章基于SVM算法的分类与回归预测91
7.1SVM算法概述91
7.2SVM算法的工作原理92
7.2.1硬间隔SVM算法92
7.2.2软间隔SVM算法95
7.3核函数95
7.4SVM回归97
7.5案例实现97
7.5.1案例1——基于SVM算法的鸢尾花数据集分类97
7.5.2案例2——基于SVM算法的数据回归分析100
本章总结104
作业与练习104
第8章随机森林揭秘105
8.1集成学习概述105
8.2集成学习的实现方式107
8.2.1Bagging算法107
8.2.2Boosting算法107
8.3集成学习的组合策略108
8.3.1平均法108
8.3.2投票法108
8.3.3学习法109
8.4随机森林109
8.4.1随机森林概述109
8.4.2随机森林特征选择110
8.4.3OOB处理方式110
8.5案例实现111
8.5.1案例1——使用随机森林进行森林植被类型的预测111
8.5.2案例2——使用随机森林进行共享单车每小时租用量的预测113
本章总结115
作业与练习115
第9章基于朴素贝叶斯算法的中文预测116
9.1贝叶斯算法117
9.1.1数学基础回顾117
9.1.2贝叶斯公式118
9.2朴素贝叶斯算法119
9.2.1朴素贝叶斯算法的由来119
9.2.2拉普拉斯平滑120
9.3朴素贝叶斯算法家族121
9.3.1高斯朴素贝叶斯算法121
9.3.2多项式朴素贝叶斯算法122
9.4中文文本预测123
9.4.1词频处理123
9.4.2jieba分词器125
9.5案例实现——基于朴素贝叶斯算法的中文预测126
本章总结129
作业与练习129
第10章基于PCA降维的图片重构131
10.1降维131
10.1.1降维的作用131
10.1.2降维的理解132
10.2SVD算法解析133
10.2.1特征值分解133
10.2.2奇异值分解133
10.2.3降维可视化效果134
10.2.4降维在图片压缩中的应用136
10.3PCA降维138
10.3.1PCA降维的工作原理138
10.3.2使用PCA底层算法实现图片重构的流程139
10.4案例实现——基于PCA降维的图片重构139
本章总结143
作业与练习143
第2部分机器学习基础算法综合应用
第11章学生分数预测146
11.1数据集分析146
11.2案例实现——学生分数预测147
本章总结161
作业与练习161
第12章自闭症患者预测163
12.1数据集分析163
12.2案例实现——自闭症患者预测164
本章总结175
作业与练习175
第13章淘宝用户价值分析176
13.1数据集分析176
13.2RFM模型177
13.3雷达图178
13.4案例实现——淘宝用户价值分析178
本章总结191
作业与练习191
第14章耳机评论情感预测192
14.1数据集分析192
14.2案例实现——耳机评论情感预测193
本章总结200
作业与练习200
第3部分机器学习进阶算法与应用
第15章聚类算法综合202
15.1DBSCAN算法203
15.1.1k-Means算法的缺陷203
15.1.2DBSCAN算法分析203
15.1.3案例实现——验证k-Means算法和DBSCAN
算法的特点和区别205
15.2层次聚类算法208
15.2.1算法分析208
15.2.2案例实现——基于凝聚的层次聚类算法的数据
聚类210
15.3GMM算法213
15.3.1算法分析213
15.3.2案例实现——基于GMM算法的性别预测214
本章总结218
作业与练习218
第16章基于HMM算法的股票行情预测220
16.1HMM算法的工作原理220
16.2案例实现——基于HMM算法的股票行情预测222
本章总结226
作业与练习226
第17章Boosting算法综合228
17.1Boosting算法的工作原理简介228
17.2AdaBoost算法229
17.2.1算法概述229
17.2.2分类算法分析230
17.2.3回归算法分析231
17.2.4案例实现——基于AdaBoost算法的病马治愈预测232
17.3GBDT算法235
17.3.1算法概述235
17.3.2衰减235
17.3.3算法分析236
17.3.4案例实现——基于GBDT算法的数字手写体识别237
17.4XGBoost算法239
17.4.1算法概述239
17.4.2XGBoost算法库的安装240
17.4.3案例实现——基于XGBoost算法的数字手写体识别241
本章总结244
作业与练习244
第18章饭店销售量预测245
18.1数据集分析245
18.2异常值处理246
18.3多字段分析的含义与作用247
18.4案例实现——饭店销售量预测248
本章总结259
作业与练习260
第19章信贷违约预测261
19.1数据集分析261
19.2案例实现——信贷违约预测262
本章总结270
作业与练习270
第20章胎儿健康分类预测271
20.1数据集分析271
20.2案例实现——胎儿健康分类预测272
本章总结286
作业与练习287
第21章淘宝用户画像处理288
21.1数据集分析288
21.2用户画像289
21.2.1用户画像概述289
21.2.2用户画像所需数据290
21.3案例实现——淘宝用户画像处理290
本章总结305
作业与练习306