更新时间：2019-01-05 00:52:04
封面
版权信息
内容提要
致词
作者简介
技术编辑简介
致谢
前言
本书的目标读者
本书包含的内容
本书的组织
如何使用本书
约定
源代码
勘误表
第1章 关于预测的两类核心算法
1.1 为什么这两类算法如此有用
1.2 什么是惩罚回归方法
1.3 什么是集成方法
1.4 算法的选择
1.5 构建预测模型的流程
1.6 各章内容及其依赖关系
小结
参考文献
第2章 通过理解数据来了解问题
2.1 “解剖”一个新问题
2.2 分类问题：用声纳发现未爆炸的水雷
2.3 对“岩石vs．水雷”数据集属性的可视化展示
2.4 基于因素变量的实数值预测：鲍鱼的年龄
2.5 用实数值属性预测实数值目标：评估红酒口感
2.6 多类别分类问题：它属于哪种玻璃
第3章 预测模型的构建：平衡性能、复杂性以及大数据
3.1 基本问题：理解函数逼近
3.2 影响算法选择及性能的因素——复杂度以及数据
3.3 度量预测模型性能
3.4 模型与数据的均衡
第4章 惩罚线性回归模型
4.1 为什么惩罚线性回归方法如此有效
4.2 惩罚线性回归：对线性回归进行正则化以获得最优性能
4.3 求解惩罚线性回归问题
4.4 输入为数值型数据的线性回归方法的扩展
第5章 使用惩罚线性方法来构建预测模型
5.1 惩罚线性回归的Python包
5.2 多变量回归：预测红酒口感
5.3 二分类：使用惩罚线性回归来检测未爆炸的水雷
5.4 多类别分类-分类犯罪现场的玻璃样本
第6章 集成方法
6.1 二元决策树
6.2 自举集成：Bagging算法
6.3 梯度提升法（Gradient Boosting）
6.4 随机森林
第7章 用Python构建集成模型
7.1 用Python集成方法工具包解决回归问题
7.2 用Bagging来预测红酒口感
7.3 Python集成方法引入非数值属性
7.4 用Python集成方法解决二分类问题
7.5 用Python集成方法解决多类别分类问题
7.6 算法比较
Python机器学习预测分析核心算法
