機(jī)器學(xué)習(xí)：Python實(shí)踐

第一部分 初始
1 初識(shí)機(jī)器學(xué)習(xí) 2
1.1 學(xué)習(xí)機(jī)器學(xué)習(xí)的誤區(qū) 2
1.2 什么是機(jī)器學(xué)習(xí) 3
1.3 Python 中的機(jī)器學(xué)習(xí) 3
1.4 學(xué)習(xí)機(jī)器學(xué)習(xí)的原則 5
1.5 學(xué)習(xí)機(jī)器學(xué)習(xí)的技巧 5
1.6 這本書(shū)不涵蓋以下內(nèi)容 6
1.7 代碼說(shuō)明 6
1.8 總結(jié) 6
2 Python 機(jī)器學(xué)習(xí)的生態(tài)圈 7
2.1 Python 7
2.2 SciPy 9
2.3 scikit-learn 9
2.4 環(huán)境安裝 10
2.5 總結(jié) 12
3 第一個(gè)機(jī)器學(xué)習(xí)項(xiàng)目 13
3.1 機(jī)器學(xué)習(xí)中的 Hello World 項(xiàng)目 13
3.2 導(dǎo)入數(shù)據(jù) 14
3.3 概述數(shù)據(jù) 15
3.4 數(shù)據(jù)可視化 18
3.5 評(píng)估算法 20
3.6 實(shí)施預(yù)測(cè) 23
3.7 總結(jié) 24
4 Python 和 SciPy 速成 25
4.1 Python 速成 25
4.2 NumPy 速成 34
4.3 Matplotlib 速成 36
4.4 Pandas 速成 39
4.5 總結(jié) 41
第二部分 數(shù)據(jù)理解
5 數(shù)據(jù)導(dǎo)入 44
5.1 CSV 文件 44
5.2 Pima Indians 數(shù)據(jù)集 45
5.3 采用標(biāo)準(zhǔn) Python 類(lèi)庫(kù)導(dǎo)入數(shù)據(jù) 46
5.4 采用 NumPy 導(dǎo)入數(shù)據(jù) 46
5.5 采用 Pandas 導(dǎo)入數(shù)據(jù) 47
5.6 總結(jié) 47
6 數(shù)據(jù)理解 48
6.1 簡(jiǎn)單地查看數(shù)據(jù) 48
6.2 數(shù)據(jù)的維度 49
6.3 數(shù)據(jù)屬性和類(lèi)型 50
6.4 描述性統(tǒng)計(jì) 50
6.5 數(shù)據(jù)分組分布（適用于分類(lèi)算法） 51
6.6 數(shù)據(jù)屬性的相關(guān)性 52
6.7 數(shù)據(jù)的分布分析 53
6.8 總結(jié) 54
7 數(shù)據(jù)可視化 55
7.1 單一圖表 55
7.2 多重圖表 58
7.3 總結(jié) 61
第三部分 數(shù)據(jù)準(zhǔn)備
8 數(shù)據(jù)預(yù)處理 64
8.1 為什么需要數(shù)據(jù)預(yù)處理 64
8.2 格式化數(shù)據(jù) 65
8.3 調(diào)整數(shù)據(jù)尺度 65
8.4 正態(tài)化數(shù)據(jù) 67
8.5 標(biāo)準(zhǔn)化數(shù)據(jù) 68
8.6 二值數(shù)據(jù) 69
8.7 總結(jié) 70
9 數(shù)據(jù)特征選定 71
9.1 特征選定 72
9.2 單變量特征選定 72
9.3 遞歸特征消除 73
9.4 主要成分分析 75
9.5 特征重要性 76
9.6 總結(jié) 76
第四部分 選擇模型
10 評(píng)估算法 78
10.1 評(píng)估算法的方法 78
10.2 分離訓(xùn)練數(shù)據(jù)集和評(píng)估數(shù)據(jù)集 79
10.3 K 折交叉驗(yàn)證分離 80
10.4 棄一交叉驗(yàn)證分離 81
10.5 重復(fù)隨機(jī)分離評(píng)估數(shù)據(jù)集與訓(xùn)練數(shù)據(jù)集 82
10.6 總結(jié) 83
11 算法評(píng)估矩陣 85
11.1 算法評(píng)估矩陣 85
11.2 分類(lèi)算法矩陣 86
11.3 回歸算法矩陣 93
11.4 總結(jié) 96
12 審查分類(lèi)算法 97
12.1 算法審查 97
12.2 算法概述 98
12.3 線性算法 98
12.4 非線性算法 101
12.5 總結(jié) 105
13 審查回歸算法 106
13.1 算法概述 106
13.2 線性算法 107
13.3 非線性算法 111
13.4 總結(jié) 113
14 算法比較 115
14.1 選擇最佳的機(jī)器學(xué)習(xí)算法 115
14.2 機(jī)器學(xué)習(xí)算法的比較 116
14.3 總結(jié) 118
15 自動(dòng)流程 119
15.1 機(jī)器學(xué)習(xí)的自動(dòng)流程 119
15.2 數(shù)據(jù)準(zhǔn)備和生成模型的 Pipeline 120
15.3 特征選擇和生成模型的 Pipeline 121
15.4 總結(jié) 122
第五部分 優(yōu)化模型
16 集成算法 124
16.1 集成的方法 124
16.2 裝袋算法 125
16.3 提升算法 129
16.4 投票算法 131
16.5 總結(jié) 132
17 算法調(diào)參 133
17.1 機(jī)器學(xué)習(xí)算法調(diào)參 133
17.2 網(wǎng)格搜索優(yōu)化參數(shù) 134
17.3 隨機(jī)搜索優(yōu)化參數(shù) 135
17.4 總結(jié) 136
第六部分 結(jié)果部署
18 持久化加載模型 138
18.1 通過(guò) pickle 序列化和反序列化機(jī)器學(xué)習(xí)的模型 138
18.2 通過(guò) joblib 序列化和反序列化機(jī)器學(xué)習(xí)的模型 140
18.3 生成模型的技巧 141
18.4 總結(jié) 141
第七部分 項(xiàng)目實(shí)踐
19 預(yù)測(cè)模型項(xiàng)目模板 144
19.1 在項(xiàng)目中實(shí)踐機(jī)器學(xué)習(xí) 145
19.2 機(jī)器學(xué)習(xí)項(xiàng)目的 Python 模板 145
19.3 各步驟的詳細(xì)說(shuō)明 146
19.4 使用模板的小技巧 148
19.5 總結(jié) 149
20 回歸項(xiàng)目實(shí)例 150
20.1 定義問(wèn)題 150
20.2 導(dǎo)入數(shù)據(jù) 151
20.3 理解數(shù)據(jù) 152
20.4 數(shù)據(jù)可視化 155
20.5 分離評(píng)估數(shù)據(jù)集 159
20.6 評(píng)估算法 160
20.7 調(diào)參改善算法 164
20.8 集成算法 165
20.9 集成算法調(diào)參 167
20.10 確定最終模型 168
20.11 總結(jié) 169
21 二分類(lèi)實(shí)例 170
21.1 問(wèn)題定義 170
21.2 導(dǎo)入數(shù)據(jù) 171
21.3 分析數(shù)據(jù) 172
21.4 分離評(píng)估數(shù)據(jù)集 180
21.5 評(píng)估算法 180
21.6 算法調(diào)參 184
21.7 集成算法 187
21.8 確定最終模型 190
21.9 總結(jié) 190
22 文本分類(lèi)實(shí)例 192
22.1 問(wèn)題定義 192
22.2 導(dǎo)入數(shù)據(jù) 193
22.3 文本特征提取 195
22.4 評(píng)估算法 196
22.5 算法調(diào)參 198
22.6 集成算法 200
22.7 集成算法調(diào)參 201
22.8 確定最終模型 202
22.9 總結(jié) 203