久久久久亚洲AV成人,91国产,自拍影视乱伦精品

內(nèi)容簡介

　　集成學習通過自動對比多個模型的輸出，將輸出結(jié)合起來，融合成強大的集成模型，得出最優(yōu)結(jié)果。集成學習發(fā)揮“集體智慧”，結(jié)果更準確，克服了單一模型的局限性。這種創(chuàng)新方法能夠綜合多個視角的響應；即使在沒有大規(guī)模數(shù)據(jù)集的情況下，也能給出可靠的預測結(jié)果?！都蓪W習實戰(zhàn)》呈現(xiàn)同時應用多種機器學習方法的實用技巧。每章都列舉一個獨特案例（如醫(yī)學診斷、情感分析等），展示一個功能完備的集成方法。本書不探討深奧的數(shù)學知識，所講內(nèi)容淺顯易懂，代碼豐富，供你輕松進行實驗！主要內(nèi)容● Bagging法、提升法和梯度提升法● 分類、回歸和檢索方法● 集成方法的模型和決策可解釋性● 特征工程和集成多樣性

作者簡介

　　Gautam Kunapuli擁有逾15年的學術界和機器學習行業(yè)經(jīng)驗，重點研究人機協(xié)作學習、基于知識和建議的學習算法，以及針對機器學習難題的可擴展學習。

圖書目錄

第I部分　集成學習基礎知識
第1章　集成方法：炒作還是福音· 3
1.1　集成方法：集體智慧 4
1.2　關注集成學習原因 6
1.3　單個模型中的擬合度與復雜性 8
1.3.1　決策樹回歸 8
1.3.2　支持向量回歸 12
1.4　第一個集成模型 15
1.5　集成方法的術語和分類 19
1.6　小結(jié) 21
第II部分　基本集成方法
第2章　同質(zhì)并行集成：Bagging法和隨機森林 25
2.1　并行集成 26
2.2　Bagging法：Bootstrap結(jié)合算法 27
2.2.1　直覺：重采樣和模型結(jié)合 28
2.2.2　實現(xiàn)Bagging法 31
2.2.3　使用scikit-learn實現(xiàn)Bagging法 33
2.2.4　使用并行化進行更快的訓練 35
2.3　隨機森林 36
2.3.1　隨機決策樹 36
2.3.2　使用scikit-learn實現(xiàn)隨機森林 38
2.3.3　特征重要性 39
2.4　更多同質(zhì)并行集成· 40
2.4.1　Pasting 40
2.4.2　隨機子空間和random patch法 41
2.4.3　極度隨機樹 42
2.5　案例研究：乳腺癌診斷 43
2.5.1　加載和預處理 43
2.5.2　Bagging法、隨機森林和極度隨機樹 44
2.5.3　隨機森林中的特征重要性 47
2.6　小結(jié) 50
第3章　異質(zhì)并行集成：結(jié)合強學習器 53
3.1　異質(zhì)集成的基礎估計器 54
3.1.1　擬合基礎估計器 55
3.1.2　基礎估計器的單個預測 58
3.2　通過加權結(jié)合預測 60
3.2.1　多數(shù)投票 62
3.2.2　準確率加權 63
3.2.3　熵加權法 65
3.2.4　Dempster-Shafer結(jié)合 67
3.3　通過元學習結(jié)合預測 69
3.3.1　Stacking 70
3.3.2　通過交叉驗證進行Stacking 74
3.4　案例研究：情感分析 77
3.4.1　預處理 78
3.4.2　降低維度 81
3.4.3　blending分類器 82
3.5　小結(jié) 85
第4章　順序集成：自適應提升 87
4.1　弱學習器的順序集成 88
4.2　AdaBoost：自適應提升 90
4.2.1　直覺法：使用加權樣本進行學習 90
4.2.2　實現(xiàn)AdaBoost 93
4.2.3　使用scikit-learn的AdaBoost 99
4.3　AdaBoost在實踐中的應用 101
4.3.1　學習率· 102
4.3.2　早停和剪枝 104
4.4　案例研究：手寫數(shù)字分類 106
4.4.1　利用 t-SNE降維 107
4.4.2　提升 109
4.5　LogitBoost：使用邏輯損失進行提升 112
4.5.1　邏輯損失函數(shù)與指數(shù)損失函數(shù) 112
4.5.2　將回歸作為分類的弱學習算法 113
4.5.3　實現(xiàn)LogitBoost 113
4.6　小結(jié) 116
第5章　順序集成：梯度提升 117
5.1　用梯度下降實現(xiàn)最小化 118
5.1.1　舉例說明梯度下降 119
5.1.2　在損失函數(shù)上進行梯度下降訓練 125
5.2　梯度提升：梯度下降提升 128
5.2.1　直覺：使用殘差學習 128
5.2.2　實現(xiàn)梯度提升 132
5.2.3　使用scikit-learn進行梯度提升 136
5.2.4　基于直方圖的梯度提升 138
5.3　LightGBM：梯度提升框架 140
5.3.1　為何將LightGBM稱為“輕量級” 140
5.3.2　利用LightGBM進行梯度提升 142
5.4　LightGBM在實踐中的應用 143
5.4.1　學習率 143
5.4.2　早停 146
5.4.3　自定義損失函數(shù) 148
5.5　案例研究：文檔檢索 151
5.5.1　LETOR數(shù)據(jù)集 151
5.5.2　使用LightGBM進行文檔檢索 153
5.6　小結(jié) 156
第6章　順序集成：牛頓提升 157
6.1　最小化牛頓法 158
6.1.1　舉例說明牛頓法 160
6.1.2　訓練過程中的損失函數(shù)的牛頓下降· 165
6.2　牛頓提升：牛頓法 Boosting 167
6.2.1　直覺：使用加權殘差進行學習 167
6.2.2　直覺：使用正則化損失函數(shù)進行學習 170
6.2.3　實現(xiàn)牛頓提升 173
6.3　XGBoost：牛頓提升框架 177
6.3.1　XGBoost的“極端”之處在哪里？ 178
6.3.2　XGBoost的牛頓提升 179
6.4　XGBoost實踐 181
6.4.1　學習率 181
6.4.2　早停 184
6.5　案例研究：文檔檢索 185
6.5.1　LETOR數(shù)據(jù)集 185
6.5.2　使用XGBoost進行文檔檢索 186
6.6　小結(jié) 188
第III部分　集成之外：將集成方法應用于你的數(shù)據(jù)
第7章　學習連續(xù)和計數(shù)標簽 193
7.1　回歸的簡要回顧 194
7.1.1　連續(xù)標簽的線性回歸 194
7.1.2　用于計數(shù)標簽的泊松回歸 200
7.1.3　用于分類標簽的邏輯回歸 203
7.1.4　廣義線性模型 204
7.1.5　非線性回歸 205
7.2　回歸的并行集成 208
7.2.1　隨機森林和極度隨機樹 209
7.2.2　結(jié)合回歸模型 212
7.2.3　Stacking回歸模型 213
7.3　用于回歸的順序集成 214
7.3.1　用于回歸的損失和似然函數(shù) 216
7.3.2　LightGBM和XGBoost的梯度提升 218
7.4　案例研究：需求預測 221
7.4.1　UCI自行車共享數(shù)據(jù)集 222
7.4.2　GLM和Stacking· 224
7.4.3　隨機森林和極度隨機樹 227
7.4.4　XGBoost和LightGBM 228
7.5　小結(jié) 231
第8章　學習分類特征 233
8.1　編碼分類特征 234
8.1.1　分類特征的類型 235
8.1.2　有序編碼和獨熱編碼 235
8.1.3　使用目標統(tǒng)計信息進行編碼 238
8.1.4　類別編碼器包 244
8.2　CatBoost：有序提升框架 247
8.2.1　有序目標統(tǒng)計和有序提升 247
8.2.2　無意識決策樹 249
8.2.3　CatBoost實踐 250
8.3　案例研究：收入預測 253
8.3.1　adult數(shù)據(jù)集 254
8.3.2　創(chuàng)建預處理和建模流程 256
8.3.3　類別編碼和集成 259
8.3.4　有序編碼和CatBoost提升 261
8.4　編碼高基數(shù)字符串特征 263
8.5　小結(jié) 267
第9章　集成學習可解釋性 269
9.1　可解釋性的含義 270
9.1.1　黑盒與白盒模型 270
9.1.2　決策樹(和決策規(guī)則) 273
9.1.3　廣義線性模型 276
9.2　案例研究：數(shù)據(jù)驅(qū)動的營銷 278
9.2.1　銀行營銷數(shù)據(jù)集 279
9.2.2　訓練集成 281
9.2.3　樹集成中的特征重要性 282
9.3　全局可解釋性的黑盒方法 283
9.3.1　排列特征重要性 284
9.3.2　部分依賴圖 286
9.3.3　全局代理模型· 289
9.4　適用于局部可解釋性的黑盒方法 292
9.4.1　借助LIME的局部代理模型 292
9.4.2　借助SHAP的局部可解釋性 296
9.5　白盒集成：訓練解釋性 302
9.5.1　可解釋性提升機 303
9.5.2　EBM實踐 306
9.6　小結(jié) 309
結(jié)語 311