更新时间：2023-08-10 16:31:37
封面
版权信息
作者简介
内容简介
前言PREFACE
第1章 环境配置
1.1 安装Conda
1.1.1 Windows环境
1.1.2 Linux环境
1.2 替换源
1.3 Conda环境管理
1.3.1 虚拟环境安装
1.3.2 虚拟环境使用
1.4 PyCharm安装与配置
1.5 小结
第2章 线性回归
2.1 模型的建立与求解
2.1.1 理解线性回归模型
2.1.2 建立线性回归模型
2.1.3 求解线性回归模型
2.1.4 sklearn简介
2.1.5 安装sklearn及其他库
2.1.6 线性回归示例代码
2.1.7 小结
2.2 多变量线性回归
2.2.1 理解多变量
2.2.2 多变量线性回归建模
2.2.3 多变量回归示例代码
2.3 多项式回归
2.3.1 理解多项式
2.3.2 多项式回归建模
2.3.3 多项式回归示例代码
2.3.4 小结
2.4 回归模型评估
2.4.1 常见回归评估指标
2.4.2 回归指标示例代码
2.4.3 小结
2.5 梯度下降
2.5.1 方向导数与梯度
2.5.2 梯度下降算法
2.5.3 小结
2.6 正态分布
2.6.1 一个问题的出现
2.6.2 正态分布
2.7 目标函数推导
2.7.1 目标函数
2.7.2 求解梯度
2.7.3 矢量化计算
2.7.4 从零实现线性回归
2.7.5 小结
第3章 逻辑回归
3.1 模型的建立与求解
3.1.1 理解逻辑回归模型
3.1.2 建立逻辑回归模型
3.1.3 求解逻辑回归模型
3.1.4 逻辑回归示例代码
3.1.5 小结
3.2 多变量与多分类
3.2.1 多变量逻辑回归
3.2.2 多分类逻辑回归
3.2.3 多分类示例代码
3.2.4 小结
3.3 常见的分类评估指标
3.3.1 二分类场景
3.3.2 二分类指标示例代码
3.3.3 多分类场景
3.3.4 多分类指标示例代码
3.3.5 小结
3.4 目标函数推导
3.4.1 映射函数
3.4.2 概率表示
3.4.3 极大似然估计
3.4.4 求解梯度
3.4.5 从零实现二分类逻辑回归
3.4.6 从零实现多分类逻辑回归
3.4.7 小结
第4章 模型的改善与泛化
4.1 基本概念
4.2 特征标准化
4.2.1 等高线
4.2.2 梯度与等高线
4.2.3 标准化方法
4.2.4 特征组合与映射
4.2.5 小结
4.3 过拟合
4.3.1 模型拟合
4.3.2 过拟合与欠拟合
4.3.3 解决欠拟合与过拟合问题
4.3.4 小结
4.4 正则化
4.4.1 测试集导致糟糕的泛化误差
4.4.2 训练集导致糟糕的泛化误差
4.4.3 正则化中的参数更新
4.4.4 正则化示例代码
4.4.5 小结
4.5 偏差、方差与交叉验证
4.5.1 偏差与方差定义
4.5.2 模型的偏差与方差
4.5.3 超参数选择
4.5.4 模型选择
