快乐机器学习

目录

第1章 机器学习是什么――机器学习定义 1

引言 2

1．1 数据 5

1．1．1 结构型与非结构型数据 5

1．1．2 原始数据与加工 7

1．1．3 样本内数据与样本外数据 9

1．2 机器学习类别 9

1．2．1 有监督学习 10

1．2．2 无监督学习 10

1．2．3 半监督学习 11

1．2．4 增强学习 11

1．2．5 深度学习 11

1．2．6 迁移学习 12

1．3 性能度量 12

1．3．1 误差函数 13

1．3．2 回归度量 14

1．3．3 分类度量 15

1．4 总结 19

参考资料 20

第2章 机器学习可行吗――计算学习理论 22

引言 23

2．1 基础知识 25

2．1．1 二分类 25

2．1．2 对分 26

2．1．3 增长函数 29

2．1．4 突破点 30

2．2 核心推导 31

2．2．1 机器学习可行条件 31

2．2．2 从已知推未知 33

2．2．3 从民意调查到机器学习 35

2．2．4 从单一到有限 36

2．2．5 从有限到无限 37

2．2．6 从无限到有限 38

2．3 结论应用 39

2．3．1 VC 不等式 39

2．3．2 VC 维度 40

2．3．3 模型复杂度 40

2．3．4 样本复杂度 41

2．4 总结 42

参考资料 43

技术附录 43

第3章 机器学习怎么学――模型评估选择 47

引言 48

3．1 模型评估 52

3．2 训练误差和测试误差 52

3．2．1 训练误差 52

3．2．2 真实误差 54

3．2．3 测试误差 57

3．2．4 学习理论 57

3．3 验证误差和交叉验证误差 60

3．3．1 验证误差 60

3．3．2 交叉验证误差 61

3．3．3 学习理论 62

3．4 误差剖析 64

3．4．1 误差来源 64

3．4．2 偏差―方差权衡 66

3．5 模型选择 67

3．6 总结 70

参考资料 71

技术附录 71

第4章 线性回归 73

引言 74

4．1 基础知识 75

4．1．1 标量微积分 75

4．1．2 向量微积分 76

4．2 模型介绍 77

4．2．1 核心问题 77

4．2．2 通用线性回归模型 83

4．2．3 特征缩放 84

4．2．4 学习率设定 86

4．2．5 数值算法比较 87

4．2．6 代码实现 89

4．3 总结 90

参考资料 90

第5章 对率回归 92

引言 93

5．1 基础内容 94

5．1．1 联系函数 94

5．1．2 函数绘图 95

5．2 模型介绍 96

5．2．1 核心问题 96

5．2．2 查准和查全 102

5．2．3 类别不平衡 104

5．2．4 线性不可分 105

5．2．5 多分类问题 106

5．2．6 代码实现 109

5．3 总结 110

参考资料 111

第6章 正则化回归 112

引言 113

6．1 基础知识 114

6．1．1 等值线图 114

6．1．2 坐标下降 116

6．2 模型介绍 116

6．2．1 核心问题 116

6．2．2 模型对比 122

6．2．3 最佳模型 125

6．2．4 代码实现 126

6．3 总结 126

参考资料 127

第7章 支持向量机 128

引言 129

7．1 基础知识 133

7．1．1 向量初体验 133

7．1．2 拉格朗日量 136

7．1．3 原始和对偶 137

7．2 模型介绍 138

7．2．1 硬间隔 SVM 原始问题 138

7．2．2 硬间隔 SVM 对偶问题 144

7．2．3 软间隔 SVM 原始问题 148

7．2．4 软间隔 SVM 对偶问题 150

7．2．5 空间转换 151

7．2．6 核技巧 155

7．2．7 核 SVM 158

7．2．8 SMO 算法 159

7．2．9 模型选择 161

7．3 总结 162

参考资料 164

技术附录 164

第8章 朴素贝叶斯 170

引言 171

8．1 基础知识 174

8．1．1 两种概率学派 174

8．1．2 两种独立类别 174

8．1．3 两种学习算法 175

8．1．4 两种估计方法 176

8．1．5 两类概率分布 177

8．2 模型介绍 179

8．2．1 问题剖析 179

8．2．2 朴素贝叶斯算法 182

8．2．3 多元伯努利模型 183

8．2．4 多项事件模型 184

8．2．5 高斯判别分析模型 184

8．2．6 多分类问题 186

8．2．7 拉普拉斯校正 187

8．2．8 最大似然估计和最大后验估计 188

8．3 总结 190

参考资料 191

技术附录 191

第9章 决策树 195

引言 196

9．1 基础知识 198

9．1．1 多数规则 198

9．1．2 熵和条件熵 198

9．1．3 信息增益和信息增益比 200

9．1．4 基尼指数 201

9．2 模型介绍 201

9．2．1 二分类决策树 201

9．2．2 多分类决策树 209

9．2．3 连续值分裂 210

9．2．4 欠拟合和过拟合 211

9．2．5 预修剪和后修剪 212

9．2．6 数据缺失 215

9．2．7 代码实现 218

9．3 总结 219

参考资料 219

第10章 人工神经网络 220

引言 221

10．1 基本知识 223

10．1．1 转换函数 223

10．1．2 单输入单层单输出神经网络 224

10．1．3 多输入单层单输出神经网络 224

10．1．4 多输入单层多输出神经网络 225

10．1．5 多输入多层多输出神经网络 225

10．2 模型应用 227

10．2．1 创建神经网络模型 227

10．2．2 回归应用 230

10．2．3 分类应用 238

第11章 正向/反向传播 246

引言 247

11．1 基础知识 250

11．1．1 神经网络元素 250

11．1．2 链式法则 254

11．2 算法介绍 254

11．2．1 正向传播 254

11．2．2 梯度下降 257

11．2．3 反向传播 258

11．2．4 代码实现 262

11．3 总结 268

参考资料 268

技术附录 269

第12章 集成学习 272

引言 273

12．1 结合假设 277

12．1．1 语文和数学 277

12．1．2 准确和多样 278

12．1．3 独裁和民主 279

12．1．4 学习并结合 279

12．2 装袋法 280

12．2．1 基本概念 280

12．2．2 自助采样 280

12．2．3 结合假设 281

12．3 提升法 282

12．3．1 基本概念 282

12．3．2 最优加权 283

12．3．3 结合假设 285

12．4 集成方式 286

12．4．1 同质学习器 286

12．4．2 异质学习器 286

12．5 总结 288

参考资料 288

第13章 随机森林和提升树 289

引言 290

13．1 基础知识 293

13．1．1 分类回归树 293

13．1．2 前向分布算法 294

13．1．3 置换检验 295

13．2 模型介绍 296

13．2．1 随机森林 296

13．2．2 提升树 302

13．2．3 代码实现 306

13．3 总结 307

参考资料 307

第14章 极度梯度提升 309

引言 310

14．1 基础知识 311

14．1．1 树的重定义 311

14．1．2 树的复杂度 313

14．2 模型介绍 313

14．2．1 XGB 简介 313

14．2．2 XGB 的泛化度 314

14．2．3 XGB 的精确度 315

14．2．4 XGB 的速度 318

14．2．5 代码实现 324

14．3 总结 325

参考资料 326

第15章 本书总结 327

15．1 正交策略 328

15．2 单值评估指标 330

15．3 偏差和方差 332

15．3．1 理论定义 332

15．3．2 实用定义 334

15．3．3 最优误差 335

15．3．4 两者权衡 336

15．3．5 学习曲线 336

结语 339