實(shí)用機(jī)器學(xué)習(xí)

第1章　引論　1
1．1　什么是機(jī)器學(xué)習(xí)　1
1．2　機(jī)器學(xué)習(xí)算法的分類　2
1．3　實(shí)際應(yīng)用　3
1．3．1　病人住院時(shí)間預(yù)測　3
1．3．2　信用分?jǐn)?shù)估計(jì)　4
1．3．3　Netflix上的影片推薦　4
1．3．4　酒店推薦　5
1．3．5　討論　6
1．4　本書概述　7
1．4．1　本書結(jié)構(gòu)　9
1．4．2　閱讀材料及其他資源　10
第2章　R語言　12
2．1　R的簡單介紹　12
2．2　R的初步體驗(yàn)　13
2．3　基本語法　14
2．3．1　語句　14
2．3．2　函數(shù)　17
2．4　常用數(shù)據(jù)結(jié)構(gòu)　19
2．4．1　向量　19
2．4．2　因子　23
2．4．3　矩陣　24
2．4．4　數(shù)據(jù)框　26
2．4．5　列表　29
2．4．6　下標(biāo)系統(tǒng)　33
2．5　公式對象和apply函數(shù)　34
2．6　R軟件包　36
2．6．1　軟件包的安裝　37
2．6．2　軟件包的使用　38
2．6．3　軟件包的開發(fā)　38
2．7　網(wǎng)絡(luò)資源　38
第3章　數(shù)學(xué)基礎(chǔ)　39
3．1　概率　39
3．1．1　基本概念　39
3．1．2　基本公式　40
3．1．3　常用分布　42
3．1．4　隨機(jī)向量及其分布　43
3．1．5　隨機(jī)變量的數(shù)字特征　46
3．1．6　隨機(jī)向量的數(shù)字特征　48
3．2　統(tǒng)計(jì)　49
3．2．1　常用數(shù)據(jù)特征　49
3．2．2　參數(shù)估計(jì)　52
3．3　矩陣　54
3．3．1　基本概念　54
3．3．2　基本運(yùn)算　56
3．3．3　特征值與特征向量　57
3．3．4　矩陣分解　60
3．3．5　主成分分析　62
3．3．6　R中矩陣的計(jì)算　68
第4章　數(shù)據(jù)探索和預(yù)處理　74
4．1　數(shù)據(jù)類型　74
4．2　數(shù)據(jù)探索　75
4．2．1　常用統(tǒng)計(jì)量　76
4．2．2　使用R實(shí)際探索數(shù)據(jù)　76
4．3　數(shù)據(jù)預(yù)處理　82
4．3．1　缺失值的處理　82
4．3．2　數(shù)據(jù)的標(biāo)準(zhǔn)化　83
4．3．3　刪除已有變量　85
4．3．4　數(shù)據(jù)的變換　86
4．3．5　構(gòu)建新的變量：啞變量　86
4．3．6　離群數(shù)據(jù)的處理　88
4．4　數(shù)據(jù)可視化　89
4．4．1　直方圖　89
4．4．2　柱狀圖　92
4．4．3　莖葉圖　95
4．4．4　箱線圖　96
4．4．5　散點(diǎn)圖　100
第5章　回歸分析　104
5．1　回歸分析的基本思想　104
5．2　線性回歸和最小二乘法　105
5．2．1　最小二乘法的幾何解釋　106
5．2．2　線性回歸和極大似然估計(jì)　107
5．3　嶺回歸和Lasso　108
5．3．1　嶺回歸　108
5．3．2　Lasso與稀疏解　110
5．3．3　Elastic Net　114
5．4　回歸算法的評價(jià)和選取　114
5．4．1　均方差和均方根誤差　114
5．4．2　可決系數(shù)　114
5．4．3　偏差-方差權(quán)衡　115
5．5　案例分析　118
5．5．1　數(shù)據(jù)導(dǎo)入和探索　118
5．5．2　數(shù)據(jù)預(yù)處理　120
5．5．3　將數(shù)據(jù)集分成訓(xùn)練集和測試集　121
5．5．4　建立一個(gè)簡單的線性回歸模型　121
5．5．5　建立嶺回歸和Lasso模型　122
5．5．6　選取合適的模型　124
5．5．7　構(gòu)造新的變量　126
5．6　小結(jié)　126
第6章　分類算法　127
6．1　分類的基本思想　127
6．2　決策樹　130
6．2．1　基本原理　130
6．2．2　決策樹學(xué)習(xí)　131
6．2．3　過擬合和剪枝　138
6．2．4　實(shí)際使用　139
6．2．5　討論　148
6．3　邏輯回歸　148
6．3．1　sigmoid函數(shù)的性質(zhì)　148
6．3．2　通過極大似然估計(jì)來估計(jì)參數(shù)　149
6．3．3　牛頓法　151
6．3．4　正則化項(xiàng)的引入　153
6．3．5　實(shí)際使用　154
6．4　支持向量機(jī)　161
6．4．1　基本思想：最大化分類間隔　161
6．4．2　最大分類間隔的數(shù)學(xué)表示　163
6．4．3　如何處理線性不可分的數(shù)據(jù)　164
6．4．4　Hinge損失函數(shù)　166
6．4．5　對偶問題　168
6．4．6　非線性支持向量機(jī)和核技巧　170
6．4．7　實(shí)際使用　173
6．5　損失函數(shù)和不同的分類算法　175
6．5．1　損失函數(shù)　175
6．5．2　正則化項(xiàng)　178
6．6　交叉檢驗(yàn)和caret包　180
6．6．1　模型選擇和交叉檢驗(yàn)　180
6．6．2　在R中實(shí)現(xiàn)交叉檢驗(yàn)以及caret包　182
6．7　分類算法的評價(jià)和比較　192
6．7．1　準(zhǔn)確率　193
6．7．2　混淆矩陣　193
6．7．3　精確率、召回率和F1度量　195
6．7．4　ROC曲線和AUC　196
6．7．5　R中評價(jià)標(biāo)準(zhǔn)的計(jì)算　199
6．8　不平衡分類問題　201
6．8．1　使用不同的算法評價(jià)標(biāo)準(zhǔn)　201
6．8．2　樣本權(quán)值　201
6．8．3　取樣方法　202
6．8．4　代價(jià)敏感學(xué)習(xí)　203
第7章　推薦算法　205
7．1　推薦系統(tǒng)基礎(chǔ)　205
7．1．1　常用符號　208
7．1．2　推薦算法的評價(jià)標(biāo)準(zhǔn)　209
7．2　基于內(nèi)容的推薦算法　210
7．3　基于矩陣分解的算法　211
7．3．1　無矩陣分解的基準(zhǔn)方法　211
7．3．2　基于奇異值分解的推薦算法　212
7．3．3　基于SVD推薦算法的變體　216
7．4　基于鄰域的推薦算法　222
7．4．1　基于用戶的鄰域推薦算法　223
7．4．2　基于商品的鄰域推薦算法　225
7．4．3　混合算法　226
7．4．4　相似度的計(jì)算　227
7．5　R中recommenderlab的實(shí)際 使用　232
7．6　推薦算法的評價(jià)和選取　250
第8章　排序?qū)W習(xí)　253
8．1　排序?qū)W習(xí)簡介　253
8．1．1　解決排序問題的基本思路　254
8．1．2　構(gòu)造特征　255
8．1．3　獲取相關(guān)度分?jǐn)?shù)　256
8．1．4　數(shù)學(xué)符號　257
8．2　排序算法的評價(jià)　257
8．2．1　MAP　258
8．2．2　DCG　260
8．2．3　NDCG　261
8．2．4　討論　261
8．3　逐點(diǎn)方法　262
8．3．1　基于SVM的逐點(diǎn)排序方法　263
8．3．2　逐點(diǎn)方法討論　264
8．4　逐對方法　265
8．4．1　Ranking SVM算法　265
8．4．2　IR-SVM算法　266
8．4．3　RankNet算法　267
8．4．4　LambdaRank算法　271
8．4．5　LambdaMART算法　273
8．5　逐列方法　279
8．5．1　SVMmap算法　279
8．5．2　討論　283
第9章　集成學(xué)習(xí)　284
9．1　集成學(xué)習(xí)簡介　284
9．2　bagging簡介　285
9．3　隨機(jī)森林　289
9．3．1　訓(xùn)練隨機(jī)森林的基本流程　289
9．3．2　利用隨機(jī)森林估計(jì)變量的 重要性　290
9．3．3　隨機(jī)森林的實(shí)際使用　291
9．4　boosting簡介　300
9．4．1　boosting和指數(shù)損失函數(shù)　301
9．4．2　AdaBoost算法　302
9．4．3　AdaBoost的實(shí)際使用　306
9．4．4　討論　311
9．5　提升決策樹和梯度提升算法　311
9．5．1　提升決策樹和梯度提升算法的基本原理　311
9．5．2　如何避免過擬合　315
9．5．3　gbm包的實(shí)際使用　318
9．5．4　討論　327
9．6　學(xué)習(xí)器的聚合及stacking　328
9．6．1　簡單平均　328
9．6．2　加權(quán)平均　329
9．6．3　stacking的基本思想及應(yīng)用　329
9．7　小結(jié)　331
參考文獻(xiàn)　332
索引　334