基于R語言的機器學習

前言 1 \n
第1章 什么是模型？ 5 \n
算法與模型有什么不同？ 10 \n
術語說明 12 \n
模型的局限性 13 \n
建模中的統(tǒng)計與計算 15 \n
數(shù)據(jù)訓練 16 \n
交叉驗證 17 \n
為什么使用R語言？ 18 \n
優(yōu)點 19 \n
缺點 22 \n
小結 23 \n
第2章 監(jiān)督學習與無監(jiān)督機器學習 25 \n
監(jiān)督模型 26 \n
回歸 26 \n
訓練數(shù)據(jù)與測試數(shù)據(jù) 28 \n
分類 30 \n
混合方法 37 \n
無監(jiān)督學習 47 \n
無監(jiān)督聚類方法 48 \n
小結 50 \n
第3章 R語言中的采樣統(tǒng)計和模型訓練 52 \n
偏差 53 \n
R語言中的采樣 58 \n
訓練與測試 61 \n
交叉驗證 74 \n
小結 76 \n
第4章 全面解析回歸 78 \n
線性回歸 79 \n
多項式回歸 88 \n
擬合數(shù)據(jù)的優(yōu)點——過度擬合的風險 95 \n
邏輯回歸 98 \n
小結 112 \n
第5章 全面解析神經(jīng)網(wǎng)絡 115 \n
單層神經(jīng)網(wǎng)絡 115 \n
用R語言建立一個簡單的神經(jīng)網(wǎng)絡 116 \n
多層神經(jīng)網(wǎng)絡 125 \n
回歸神經(jīng)網(wǎng)絡 131 \n
神經(jīng)網(wǎng)絡分類 136 \n
使用caret的神經(jīng)網(wǎng)絡 137 \n
小結 139 \n
第6章 基于樹的方法 141 \n
簡單的樹模型 141 \n
決定樹的分割方式 143 \n
決策樹的優(yōu)點和缺點 147 \n
條件推理樹 158 \n
隨機森林 161 \n
小結 164 \n
第7章 其他高級方法 165 \n
樸素貝葉斯分類 165 \n
主成分分析 169 \n
支持向量機 179 \n
k最近鄰算法 185 \n
小結 191 \n
第8章 使用caret包實現(xiàn)機器學習 192 \n
泰坦尼克號數(shù)據(jù)集 193 \n
使用caret 196 \n
小結 207 \n
附錄A caret機器學習模型大全 209