机器学习算法原理与实践

图书信息

内容简介

本书共13章, 主要内容包括配置开发环境、机器学习的基本概念、文件管理和KNN、线性回归、逻辑回归、K-means聚类算法、决策树、集成算法、AdaBoost算法、梯度提升树、降维算法、朴素贝叶斯、LCBM 算法等。

目录

1. 机器学习算法原理与实践 目录
2. **章 配置开发环境
3. **节 Anaconda下载与安装
4. 第二节 Jupyter基本操作
5. 第三节 升级与维护
6. 第二章 机器学习的基本概念
7. **节 机器学习概念
8. 第二节 建模准备
9. 第三节 模型训练
10. 第四节 建模流程
11. 第三章 文件管理和KNN
12. **节 设置工作文件夹
13. 第二节 虚拟环境的设置
14. 第三节 KNN算法原理
15. 第四节 预测案例
16. 第五节 K折交叉验证
17. 第四章 线性回归
18. **节 线性回归方程
19. 第二节 误差分析
20. 第三节 似然函数求解
21. 第四节 回归求解
22. 第五节 梯度下降
23. 第六节 评价指标
24. 第七节 案例
25. 第五章 逻辑回归
26. **节 Sigmod函数
27. 第二节 逻辑回归本质
28. 第三节 阈值
29. 第四节 参数估计
30. 第五节 评估指标
31. 第六章 K―means聚类算法
32. **节 聚类算法的特征
33. 第二节 算法原理
34. 第三节 常用参数
35. 第四节 K―means优缺点
36. 第七章 决策树
37. **节 决策树历史
38. 第二节 决策树原理
39. 第三节 熵
40. 第四节 构造实例
41. 第五节 信息增益率和gini系数
42. 第六节 回归决策树
43. 第七节 剪枝方法
44. 第八节 决策树优缺点
45. 第八章 集成算法
46. **节 随机森林
47. 第二节 boosting算法
48. 第三节 stacking模型
49. 第四节 随机森林参数
50. 第九章 AdaBoost算法
51. **节 算法原理
52. 第二节 算法流程
53. 第三节 参数求解
54. 第四节 AdaBoost参数
55. 第十章 梯度提升树
56. **节 GBDT'概述
57. 第二节 数学流程
58. 第三节 GBDT优缺点
59. 第四节 GBDT调参
60. 第十一章 降维算法
61. **节 “维”的解释
62. 第二节 。PCA与SvD
63. 第十二章 朴素贝叶斯
64. **节 朴素贝叶斯原理
65. 第二节 朴素贝叶斯分类器
66. 第三节 评估指标
67. 第四节 朴素贝叶斯优缺点
68. 第五节 应用场景
69. 第十三章 LGBM算法
70. **节 LGBM原理概述
71. 第二节 LGBM相关技术
72. 第三节 GOSS采样与直方图优化算法
73. 第四节 LGBM数学推导
74. 参考文献
75. 展开全部