scikit-learn机器学习实战

第1章 机器学习概述 3
1.1 什么是机器学习 4
1.2 机器学习的作用领域 6
1.3 机器学习的分类 7
1.4 机器学习理论基础 8
1.5 机器学习应用开发的典型步骤 9
1.6 本章小结 10
1.7 复习题 11
第2章 机器学习之数据特征 12
2.1 数据分布性 12
2.2 数据相关性 22
2.3 数据聚类性 27
2.4 数据主成分分析 30
2.5 数据动态性 37
2.6 数据可视化 40
2.7 本章小结 42
2.8 复习题 43
第3章 用scikit-learn估计器分类 44
3.1 scikit-learn基础 44
3.2 scikit-learn估计器 47
3.3 本章小结 52
3.4 复习题 52
第4章 朴素贝叶斯分类 53
4.1 算法原理 53
4.2 朴素贝叶斯分类 57
4.3 朴素贝叶斯分类实例 61
4.4 朴素贝叶斯连续值的处理 65
4.5 本章小结 67
4.6 复习题 67
第5章 线性回归 68
5.1 简单的线性回归模型 68
5.2 分割数据集 73
5.3 用简单线性回归模型预测考试成绩 77
5.4 本章小结 82
5.5 复习题 82
第6章 用k近邻算法分类和回归 83
6.1 k近邻算法模型 83
6.2 用k近邻算法处理分类问题 87
6.3 用k近邻算法对鸢尾花进行分类 89
6.4 用k近邻算法进行回归拟合 92
6.5 本章小结 95
6.6 复习题 95
第7章 从简单线性回归到多元线性回归 97
7.1 多变量的线性模型 97
7.2 模型的优化 100
7.3 用多元线性回归模型预测波士顿房价 108
7.4 本章小结 115
7.5 复习题 115
第8章 从线性回归到逻辑回归 116
8.1 逻辑回归模型 116
8.2 多元分类问题 120
8.3 正则化项 123
8.4 模型优化 124
8.5 用逻辑回归算法处理二分类问题 126
8.6 识别手写数字的多元分类问题 132
8.7 本章小结 136
8.8 复习题 137
第9章 非线性分类和决策树回归 138
9.1 决策树特点 139
9.2 决策树分类 140
9.3 决策树回归 142
9.4 决策树复杂度及使用技巧 145
9.5 决策树算法：ID3、C4.5和CART 146
9.6 本章小结 148
9.7 复习题 149
第10章 集成方法：从决策树到随机森林 150
10.1 Bagging元估计器 150
10.2 由随机树组成的森林 151
10.3 AdaBoost 155
10.4 梯度树提升 156
10.5 本章小结 167
10.6 复习题 167
第11章 从感知机到支持向量机 168
11.1 线性支持向量机分类 168
11.2 非线性支持向量机分类 174
11.3 支持向量机回归 181
11.4 本章小结 184
11.5 复习题 185
第12章 从感知机到人工神经网络 186
12.1 从神经元到人工神经元 186
12.2 感知器 189
12.3 多层感知器 194
12.4 本章小结 199
12.5 复习题 200
第13章 主成分分析降维 201
13.1 数据的向量表示及降维问题 201
13.2 向量的表示及基变换 202
13.3 协方差矩阵及优化目标 205
13.4 PCA算法流程 209
13.5 PCA实例 210
13.6 scikit-learn PCA降维实例 211
13.7 核主成分分析KPCA简介 216
13.8 本章小结 217
13.9 复习题 217
参考文献 218