機(jī)器學(xué)習(xí)算法評(píng)估實(shí)戰(zhàn)（全彩印刷）

第 1章 分類的藝術(shù)　1
1．1　訓(xùn)練集和測(cè)試集的選擇　1
1．2　準(zhǔn)召率和P-R曲線　6
1．3　ROC和AUC　8
1．5　異常檢測(cè)　12
1．5　小結(jié)　14
第　2章 一個(gè)好的回歸算法　15
2．1　ME那些事　15
2．2　方差和偏差　17
2．3　欠擬合和過(guò)擬合　18
2．4　正則化方法　20
2．5　回歸算法的對(duì)比　24
2．5．1　線性回歸　24
2．5．2　局部加權(quán)線性回歸　25
2．5．3　嶺回歸　26
2．6　梯度下降的對(duì)比　26
2．6．1　一般的梯度下降　26
2．6．2　隨機(jī)梯度下降和批量梯度下降　28
2．6．3　動(dòng)量梯度下降　29
2．6．4　AdaGrad、RMSProp和Adam　29
2．7　小結(jié)　31
第3章　“硬核”聚類　33
3．1　無(wú)監(jiān)督學(xué)習(xí)　33
3．2　聚類算法的評(píng)估指標(biāo)　34
3．2．1　霍普金斯統(tǒng)計(jì)量　34
3．2．2　類簇的數(shù)量　35
3．2．3　聚類效果　39
3．3　聚類算法的對(duì)比　44
3．3．1　基于密度的聚類　44
3．3．2　K-means　45
3．3．3　基于層次的聚類　46
3．3．4　基于概率的聚類　47
3．4　小結(jié)　48
第4章　慧眼識(shí)天下——深度學(xué)習(xí)算法原理對(duì)比　49
4．1　卷積神經(jīng)網(wǎng)絡(luò)　49
4．1．1　簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)　49
4．1．2　詳解卷積神經(jīng)網(wǎng)絡(luò)　53
4．2　循環(huán)神經(jīng)網(wǎng)絡(luò)　60
4．2．1　圖解RNN　60
4．2．2　RNN的訓(xùn)練　65
4．2．3　RNN的變化形式　67
4．3　更實(shí)用的模型　68
4．3．1　LSTM　69
4．3．2　Seq2Seq　71
4．3．3　注意力機(jī)制　73
4．4　小結(jié)　74
第5章　智慧的語(yǔ)言——NLP算法實(shí)戰(zhàn)與評(píng)估　76
5．1　文字的預(yù)處理　76
5．1．1　嵌入　76
5．1．2　word2vec　77
5．1．3　詞袋模型與TF-IDF　82
5．2　RNN文本分類　84
5．2．1　RNN文本分類的模塊　84
5．2．2　參數(shù)定義　84
5．2．3　預(yù)處理　85
5．2．4　模型定義　86
5．2．5　模型訓(xùn)練和評(píng)估　87
5．3　HAN文本分類　88
5．3．1　HAN和GRU的基本原理　88
5．3．2　HAN的注意力層　90
5．4　NLP評(píng)估　92
5．4．1　N-gram　92
5．4．2　BLEU　93
5．4．3　ROUGE　96
5．4．4　Pointwise、Pairwise和Listwise排序算法　98
5．5　小結(jié)　100
第6章　預(yù)言家的思考——樹(shù)模型的對(duì)比與評(píng)估　101
6．1　基礎(chǔ)樹(shù)模型的對(duì)比　101
6．1．1　ID3　101
6．1．2　C4．5　103
6．1．3　CART　104
6．2　隨機(jī)森林和AdaBoost　106
6．2．1　隨機(jī)森林　106
6．2．2　AdaBoost　108
6．3　GBDT　110
6．3．1　GBDT簡(jiǎn)介　110
6．3．2　GBDT和回歸問(wèn)題　111
6．3．3　GBDT和分類問(wèn)題　117
6．4　XGBoost　124
6．4．1　XGBoost簡(jiǎn)介　124
6．4．2　XGBoost回歸算法　127
6．4．3　XGBoost分類算法　132
6．4．4　XGBoost的優(yōu)化方法和特征評(píng)估　136
6．4．5　GBDT和XGBoost的對(duì)比評(píng)估　139
6．5　小結(jié)　140
第7章　愛(ài)我所愛(ài)——推薦算法對(duì)比與評(píng)估　141
7．1　多路召回　141
7．1．1　基于用戶的協(xié)同過(guò)濾　141
7．1．2　基于物品的協(xié)同過(guò)濾　144
7．2　邏輯斯諦回歸　145
7．2．1　邏輯斯諦回歸的基本原理　145
7．2．2　邏輯斯諦回歸和推薦排序　148
7．3　FM、FFM和特征組合　150
7．3．1　FM基本原理　151
7．3．2　用FFM和GBDT進(jìn)行高階特征組合　153
7．4　Wide&Deep　155
7．5　更有趣的模型——Transformer　157
7．5．1　模型整體架構(gòu)　158
7．5．2　注意力機(jī)制　159
7．5．3　編碼器　163
7．5．4　解碼器　163
7．5．5　基于位置的前饋神經(jīng)網(wǎng)絡(luò)　164
7．5．6　嵌入層　165
7．5．7　線性層和softmax層　166
7．5．8　Transformer在推薦系統(tǒng)的應(yīng)用　167
7．6　推薦算法的評(píng)估　170
7．6．1　準(zhǔn)確度指標(biāo)　171
7．6．2　排序指標(biāo)　172
7．6．3　覆蓋率　175
7．6．4　多樣性和新穎性　175
7．7　小結(jié)　176
第8章　奇門遁甲—LBS算法與評(píng)估　177
8．1　坐標(biāo)　177
8．1．1　坐標(biāo)生成　177
8．1．2　基于密度的坐標(biāo)生成　179
8．1．3　基于GeoHash塊熱度的坐標(biāo)生成　180
8．1．4　坐標(biāo)質(zhì)量評(píng)估　181
8．2　路線　183
8．2．1　路線相似度評(píng)估　183
8．2．2　路線規(guī)劃——Dijkstra算法　185
8．2．3　路線排序　188
8．2．4　路線質(zhì)量評(píng)估　194
8．3　小結(jié)　196
第9章　評(píng)估利器——交互式可視化　198
9．1　R語(yǔ)言簡(jiǎn)介　198
9．1．1　為什么要可視化　198
9．1．2　R語(yǔ)言介紹　199
9．1．3　數(shù)據(jù)生態(tài)　202
9．2　Shiny可視化　204
9．2．1　UI布局　204
9．2．2　服務(wù)器　209
9．2．3　可視化評(píng)估示例　212
9．3　小結(jié)　215
第　10章 像哲學(xué)家一樣思考——因果推斷　216
10．1　機(jī)器學(xué)習(xí)之殤　216
鸚鵡學(xué)舌vs．烏鴉喝水　216
10．2　辛普森悖論　218
10．3　伯克森悖論　223
10．4　智能之梯　224
10．4．1　因果推斷的起源　224
10．4．2　智能之梯　225
10．5　因果推斷的方法　228
10．5．1　雙重差分模型　228
10．5．2　工具變量　229
10．5．3　中介模型　231
10．6　小結(jié)　232
第　11章 基礎(chǔ)評(píng)估方法——假設(shè)檢驗(yàn)　234
11．1　卡方檢驗(yàn)　234
11．2　T檢驗(yàn)　236
11．3　Z檢驗(yàn)和F檢驗(yàn)　238
11．4　小結(jié)　241
參考文獻(xiàn)　242