精通機(jī)器學(xué)習(xí)：基于R（第2版）

第1章 成功之路1
1．1 流程1
1．2 業(yè)務(wù)理解2
1．2．1 確定業(yè)務(wù)目標(biāo)3
1．2．2 現(xiàn)狀評(píng)估4
1．2．3 確定分析目標(biāo)4
1．2．4 建立項(xiàng)目計(jì)劃4
1．3 數(shù)據(jù)理解4
1．4 數(shù)據(jù)準(zhǔn)備5
1．5 建模5
1．6 評(píng)價(jià)6
1．7 部署6
1．8 算法流程圖7
1．9 小結(jié)10
第 2章 線性回歸：機(jī)器學(xué)習(xí)基礎(chǔ)技術(shù)11
2．1 單變量回歸11
2．2 多變量線性回歸18
2．2．1 業(yè)務(wù)理解18
2．2．2 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備18
2．2．3 模型構(gòu)建與模型評(píng)價(jià)21
2．3 線性模型中的其他問題30
2．3．1 定性特征30
2．3．2 交互項(xiàng)32
2．4 小結(jié)34
第3章 邏輯斯蒂回歸與判別分析35
3．1 分類方法與線性回歸35
3．2 邏輯斯蒂回歸36
3．2．1 業(yè)務(wù)理解36
3．2．2 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備37
3．2．3 模型構(gòu)建與模型評(píng)價(jià)41
3．3 判別分析概述46
3．4 多元自適應(yīng)回歸樣條方法50
3．5 模型選擇54
3．6 小結(jié)57
第4章 線性模型中的高 級(jí)特征選擇技術(shù)58
4．1 正則化簡(jiǎn)介58
4．1．1 嶺回歸59
4．1．2 LASSO59
4．1．3 彈性網(wǎng)絡(luò)60
4．2 商業(yè)案例60
4．2．1 業(yè)務(wù)理解60
4．2．2 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備60
4．3 模型構(gòu)建與模型評(píng)價(jià)65
4．3．1 * 優(yōu)子集65
4．3．2 嶺回歸68
4．3．3 LASSO71
4．3．4 彈性網(wǎng)絡(luò)73
4．3．5 使用glmnet進(jìn)行交叉驗(yàn)證76
4．4 模型選擇78
4．5 正則化與分類問題78
4．6 小結(jié)81
第5章 更多分類技術(shù)：K-* 近鄰與
支持向量機(jī)82
5．1 K-* 近鄰82
5．2 支持向量機(jī)84
5．3 商業(yè)案例86
5．3．1 業(yè)務(wù)理解86
5．3．2 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備87
5．3．3 模型構(gòu)建與模型評(píng)價(jià)92
5．3．4 模型選擇98
5．4 SVM中的特征選擇100
5．5 小結(jié)101
第6章 分類回歸樹103
6．1 本章技術(shù)概述103
6．1．1 回歸樹104
6．1．2 分類樹104
6．1．3 隨機(jī)森林105
6．1．4 梯度提升106
6．2 商業(yè)案例106
6．2．1 模型構(gòu)建與模型評(píng)價(jià)107
6．2．2 模型選擇121
6．2．3 使用隨機(jī)森林進(jìn)行特征選擇121
6．3 小結(jié)123
第7章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)124
7．1 神經(jīng)網(wǎng)絡(luò)介紹124
7．2 深度學(xué)習(xí)簡(jiǎn)介128
深度學(xué)習(xí)資源與高 級(jí)方法130
7．3 業(yè)務(wù)理解131
7．4 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備132
7．5 模型構(gòu)建與模型評(píng)價(jià)136
7．6 深度學(xué)習(xí)示例139
7．6．1 H2O背景介紹139
7．6．2 將數(shù)據(jù)上載到H2O平臺(tái)140
7．6．3 建立訓(xùn)練數(shù)據(jù)集和測(cè)試
數(shù)據(jù)集141
7．6．4 模型構(gòu)建142
7．7 小結(jié)146
第8章 聚類分析147
8．1 層次聚類148
8．2 K-均值聚類149
8．3 果瓦系數(shù)與圍繞中心的劃分150
8．3．1 果瓦系數(shù)150
8．3．2 PAM151
8．4 隨機(jī)森林151
8．5 業(yè)務(wù)理解152
8．6 數(shù)據(jù)理解與數(shù)據(jù)準(zhǔn)備152
8．7 模型構(gòu)建與模型評(píng)價(jià)155
8．7．1 層次聚類155
8．7．2 K-均值聚類162
8．7．3 果瓦系數(shù)和PAM165
8．7．4 隨機(jī)森林與PAM167
8．8 小結(jié)168
第9章 主成分分析169
9．1 主成分簡(jiǎn)介170
9．2 業(yè)務(wù)理解173
9．3 模型構(gòu)建與模型評(píng)價(jià)176
9．3．1 主成分抽取176
9．3．2 正交旋轉(zhuǎn)與解釋177
9．3．3 根據(jù)主成分建立因子得分178
9．3．4 回歸分析178
9．4 小結(jié)184
* 10章 購(gòu)物籃分析、推薦引擎與
序列分析185
10．1 購(gòu)物籃分析簡(jiǎn)介186
10．2 業(yè)務(wù)理解187
10．3 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備187
10．4 模型構(gòu)建與模型評(píng)價(jià)189
10．5 推薦引擎簡(jiǎn)介192
10．5．1 基于用戶的協(xié)同過濾193
10．5．2 基于項(xiàng)目的協(xié)同過濾194
10．5．3 奇異值分解和主成分分析194
10．6 推薦系統(tǒng)的業(yè)務(wù)理解198
10．7 推薦系統(tǒng)的數(shù)據(jù)理解與數(shù)據(jù)準(zhǔn)備198
10．8 推薦系統(tǒng)的建模與評(píng)價(jià)200
10．9 序列數(shù)據(jù)分析208
10．10 小結(jié)214
* 11章 創(chuàng)建集成多類分類215
11．1 集成模型215
11．2 業(yè)務(wù)理解與數(shù)據(jù)理解216
11．3 模型評(píng)價(jià)與模型選擇217
11．4 多類分類219
11．5 業(yè)務(wù)理解與數(shù)據(jù)理解220
11．6 模型評(píng)價(jià)與模型選擇223
11．6．1 隨機(jī)森林224
11．6．2 嶺回歸225
11．7 MLR集成模型226
11．8 小結(jié)228
* 12章 時(shí)間序列與因果關(guān)系229
12．1 單變量時(shí)間序列分析229
12．2 業(yè)務(wù)理解235
12．3 模型構(gòu)建與模型評(píng)價(jià)240
12．3．1 單變量時(shí)間序列預(yù)測(cè)240
12．3．2 檢查因果關(guān)系243
12．4 小結(jié)249
* 13章 文本挖掘250
13．1 文本挖掘框架與方法250
13．2 主題模型252
13．3 業(yè)務(wù)理解254
13．4 模型構(gòu)建與模型評(píng)價(jià)257
13．4．1 詞頻分析與主題模型257
13．4．2 其他定量分析261
13．5 小結(jié)267
* 14章 在云上使用R語(yǔ)言268
14．1 創(chuàng)建AWS賬戶269
14．1．1 啟動(dòng)虛擬機(jī)270
14．1．2 啟動(dòng)Rstudio272
14．2 小結(jié)274
附錄A R語(yǔ)言基礎(chǔ)275