Python机器学习——预测分析核心算法_Python教程

2020-09-13 24
VIP免费
下载不了?请联系网站客服提交链接错误!
增值服务:
Python机器学习——预测分析核心算法_Python教程
最近更新 2020年09月13日
资源编号 116771

Python机器学习——预测分析核心算法_Python教程

郑重承诺丨升级八易严选终身SVIP免费下载海量SVIP资源
增值服务:
安装指导
环境配置
二次开发
网站建设
模板修改
源码安装
¥ 5 钻石 (VIP免费升级VIP开通VIP尊享优惠特权
立即下载 升级会员
详情介绍

资源名称:Python机器学习——预测分析核心算法

内容简介:

在学习和研究机器学习的时候,面临令人眼花缭乱的算法,机器学习新手往往会不知

所措。本书从算法和Python 语言实现的角度,帮助读者认识机器学习。

书专注于两类核心的“算法族”,即惩罚线性回归和集成方法,并通过代码实例来

展示所讨论的算法的使用原则。全书共分为7 章,详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。

本书主要针对想提高机器学习技能的Python 开发人员,帮助他们解决某一特定的项

目或是提升相关的技能。

作者简介:

Michael Bowles 在硅谷黑客道场教授机器学习,提供机器学习项目咨询,同时参与了多家创业公司,涉及的领域包括生物信息学、金融高频交易等。他在麻省理工学院获得助理教授教职后,创建并运营了两家硅谷创业公司,这两家公司都已成功上市。他在黑客道场的课程往往听者云集并且好评颇多。

资源目录:

第1章关于预测的两类核心算法

1.1为什么这两类算法如此有用

1.2什么是惩罚回归方法

1.3什么是集成方法

1.4算法的选择

1.5构建预测模型的流程

1.5.1构造一个机器学习问题

1.5.2特征提取和特征工程

1.5.3确定训练后的模型的性能

1.6各章内容及其依赖关系

1.7小结

1.8参考文献

第2章通过理解数据来了解问题

2.1“解剖”一个新问题

2.1.1属性和标签的不同类型决定模型的选择

2.1.2新数据集的注意事项

2.2分类问题:用声纳发现未爆炸的水雷

2.2.1“岩石vs水雷”数据集的物理特性

2.2.2“岩石vs水雷”数据集统计特征

2.2.3用分位数图展示异常点

2.2.4类别属性的统计特征

2.2.5利用PythonPandas对“岩石vs水雷”数据集进行统计分析

2.3对“岩石vs水雷数据集”属性的可视化展示

2.3.1利用平行坐标图进行可视化展示

2.3.2属性和标签的关系可视化

2.3.3用热图(heatmap)展示属性和标签的相关性

2.3.4对“岩石vs

2.4基于因素变量的实数值预测鲍鱼的年龄

2.4.1回归问题的平行坐标图—鲍鱼问题的变量关系可视化

2.4.2回归问题如何使用关联热图—鲍鱼问题的属性对关系的可视化

2.5用实数值属性预测实数值目标:评估红酒口感

2.6多类别分类问题:它属于哪种玻璃

小结

参考文献

第3章预测模型的构建:平衡性能、复杂性以及大数据

3.1基本问题:理解函数逼近

3.1.1使用训练数据

3.1.2评估预测模型的性能

3.2影响算法选择及性能的因素——复杂度以及数据

3.2.1简单问题和复杂问题的对比

3.2.2一个简单模型与复杂模型的对比

3.2.3影响预测算法性能的因素

3.2.4选择一个算法:线性或者非线性

3.3度量预测模型性能

3.3.1不同类型问题的性能评价指标

3.3.2部署模型的性能模拟

3.4模型与数据的均衡

3.4.1通过权衡问题复杂度、模型复杂度以及数据集规模来选择模型

3.4.2使用前向逐步回归来控制过拟合

3.4.3评估并理解你的预测模型

3.4.4通过惩罚回归系数来控制过拟合——岭回归

小结

参考文献

第4章惩罚线性回归模型

4.1为什么惩罚线性回归方法如此有效

4.1.1足够快速地估计系数

4.1.2变量的重要性信息

4.1.3部署时的预测足够快速

4.1.4性能可靠

4.1.5稀疏解

4.1.6问题本身可能需要线性模型

4.1.7什么时候使用集成方法

4.2惩罚线性回归:对线性回归进行正则化以获得最优性能

4.2.1训练线性模型:最小化错误以及更多

4.2.2向OLS公式中添加一个系数惩罚项

4.2.3其他有用的系数惩罚项:Manhattan以及ElasticNet

4.2.4为什么套索惩罚会导致稀疏的系数向量

4.2.5ElasticNet惩罚项包含套索惩罚项以及岭惩罚项

4.3求解惩罚线性回归问题

4.3.1理解最小角度回归与前向逐步回归的关系

4.3.2LARS如何生成数百个不同复杂度的模型

4.3.3从数百个LARS生成结果中选择最佳模型

4.3.4使用Glmnet:非常快速并且通用

4.4基于数值输入的线性回归方法的扩展

4.4.1使用惩罚回归求解分类问题

4.4.2求解超过2种输出的分类问题

4.4.3理解基扩展:使用线性方法来解决非线性问题

4.4.4向线性方法中引入非数值属性

小结

参考文献

第5章使用惩罚线性方法来构建预测模型

5.1惩罚线性回归的Python包

5.2多变量回归:预测红酒口感

5.2.1构建并测试模型以预测红酒口感

5.2.2部署前在整个数据集上进行训练

5.2.3基扩展:基于原始属性扩展新属性来改进性能

5.3二分类:使用惩罚线性回归来检测未爆炸的水雷

5.3.1构建部署用的岩石水雷分类器

5.4多类别分类—分类犯罪现场的玻璃样本

小结

参考文献

第6章集成方法

6.1二元决策树

6.1.1如何利用二元决策树进行预测

6.1.2如何训练一个二元决策树

6.1.3决策树的训练等同于分割点的选择

6.1.4二元决策树的过拟合

6.1.5针对分类问题和类别特征所做的修改

6.2自举集成:Bagging算法

6.2.1Bagging算法是如何工作的

6.2.2Bagging算法小结

6.3梯度提升法(GradientBoosting)

6.3.1梯度提升法的基本原理

6.3.2获取梯度提升法的最佳性能

6.3.3针对多变量问题的梯度提升法

6.3.4梯度提升方法的小结

6.4随机森林

6.4.1随机森林:Bagging加上随机属性子集

6.4.2随机森林的性能

6.4.3随机森林小结

6.5小结

6.6参考文献

第7章用Python构建集成模型

7.1用Python集成方法工具包解决回归问题

7.1.1构建随机森林模型来预测红酒口感

7.1.2用梯度提升预测红酒品质

7.2用Bagging来预测红酒口感

7.3Python集成方法引入非数值属性

7.3.1对鲍鱼性别属性编码引入Python随机森林回归方法

7.3.2评估性能以及变量编码的重要性

7.3.3在梯度提升回归方法中引入鲍鱼性别属性

7.3.4梯度提升法的性能评价以及变量编码的重要性

7.4用Python集成方法解决二分类问题

7.4.1用Python随机森林方法探测未爆炸的水雷

7.4.2构建随机森林模型探测未爆炸水雷

7.4.3随机森林分类器的性能

7.4.4用Python梯度提升法探测未爆炸水雷

7.4.5梯度提升法分类器的性能

7.5用Python集成方法解决多类别分类问题

7.5.1用随机森林对玻璃进行分类

7.5.2处理类不均衡问题

7.5.3用梯度提升法对玻璃进行分类

7.5.4评估在梯度提升法中使用随机森林基学习器的好处

7.6算法比较

小结

参考文献

资源截图:

Python机器学习——预测分析核心算法_Python教程

资源下载此资源下载价格为5钻石,请先
客服QQ:4880431
收藏 (0) 打赏

感谢您的支持,我会继续努力的!

打开微信/支付宝扫一扫,即可进行扫码打赏哦,分享从这里开始,精彩与您同在
点赞 (0)

1. 本站所有资源来源于用户上传和网络,因此不包含技术服务请大家谅解!如有侵权请邮件联系客服!4882431@qq.com
2. 本站不保证所提供下载的资源的准确性、安全性和完整性,资源仅供下载学习之用!如有链接无法下载、失效或广告,请联系客服处理,有奖励!
3. 您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容资源!如用于商业或者非法用途,与本站无关,一切后果请用户自负!
4. 如果您也有好的资源或教程,您可以投稿发布,成功分享后有站币奖励和额外收入!

八易严选 python教程 Python机器学习——预测分析核心算法_Python教程 https://www.8eyx.com/116771/

相关文章

评论
暂无评论