目　　錄
推薦序
譯者序
前言
關(guān)于審稿人
第1章　機(jī)器學(xué)習(xí)簡(jiǎn)介1
1.1　機(jī)器學(xué)習(xí)的起源1
1.2　機(jī)器學(xué)習(xí)的使用與濫用3
1.2.1　機(jī)器學(xué)習(xí)的成功使用3
1.2.2　機(jī)器學(xué)習(xí)的限制4
1.2.3　機(jī)器學(xué)習(xí)的倫理方面5
1.3　機(jī)器如何學(xué)習(xí)6
1.3.1　數(shù)據(jù)存儲(chǔ)7
1.3.2　抽象化7
1.3.3　一般化9
1.3.4　評(píng)估10
1.4　實(shí)踐中的機(jī)器學(xué)習(xí)11
1.4.1　輸入數(shù)據(jù)的類型11
1.4.2　機(jī)器學(xué)習(xí)算法的類型12
1.4.3　為輸入數(shù)據(jù)匹配算法14
1.5　使用R進(jìn)行機(jī)器學(xué)習(xí)15
1.5.1　安裝R添加包15
1.5.2　載入和卸載R添加包16
1.6　總結(jié)16
第2章　數(shù)據(jù)的管理和理解18
2.1　R數(shù)據(jù)結(jié)構(gòu)18
2.1.1　向量18
2.1.2　因子20
2.1.3　列表21
2.1.4　數(shù)據(jù)框23
2.1.5　矩陣和數(shù)組25
2.2　用R管理數(shù)據(jù)27
2.2.1　保存、載入和移除R數(shù)據(jù)結(jié)構(gòu)27
2.2.2　用CSV文件導(dǎo)入和保存數(shù)據(jù)28
2.3　探索和理解數(shù)據(jù)29
2.3.1　探索數(shù)據(jù)的結(jié)構(gòu)29
2.3.2　探索數(shù)值變量30
2.3.3　探索分類變量38
2.3.4　探索變量之間的關(guān)系40
2.4　總結(jié)43
第3章　懶惰學(xué)習(xí)—使用近鄰分類44
3.1　理解近鄰分類44
3.1.1　kNN算法45
3.1.2　為什么kNN算法是懶惰的50
3.2　例子—用kNN算法診斷乳腺癌51
3.2.1　第1步—收集數(shù)據(jù)51
3.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù)52
3.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型55
3.2.4　第4步—評(píng)估模型的性能56
3.2.5　第5步—提高模型的性能57
3.3　總結(jié)59
第4章　概率學(xué)習(xí)—樸素貝葉斯分類60
4.1　理解樸素貝葉斯60
4.1.1　貝葉斯方法的基本概念61
4.1.2　樸素貝葉斯算法65
4.2　例子—基于貝葉斯算法的手機(jī)垃圾短信過(guò)濾69
4.2.1　第1步—收集數(shù)據(jù)69
4.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù)70
4.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型81
4.2.4　第4步—評(píng)估模型的性能82
4.2.5　第5步—提高模型的性能83
4.3　總結(jié)84
第5章　分而治之—應(yīng)用決策樹(shù)和規(guī)則進(jìn)行分類85
5.1　理解決策樹(shù)85
5.1.1　分而治之86
5.1.2　C5.0決策樹(shù)算法89
5.2　例子—使用C5.0決策樹(shù)識(shí)別高風(fēng)險(xiǎn)銀行貸款91
5.2.1　第1步—收集數(shù)據(jù)92
5.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù)92
5.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型94
5.2.4　第4步—評(píng)估模型的性能97
5.2.5　第5步—提高模型的性能97
5.3　理解分類規(guī)則101
5.3.1　獨(dú)立而治之101
5.3.2　1R算法103
5.3.3　RIPPER算法104
5.3.4　來(lái)自決策樹(shù)的規(guī)則105
5.3.5　什么使決策樹(shù)和規(guī)則貪婪106
5.4　例子—應(yīng)用規(guī)則學(xué)習(xí)算法識(shí)別有毒的蘑菇108
5.4.1　第1步—收集數(shù)據(jù)108
5.4.2　第2步—探索和準(zhǔn)備數(shù)據(jù)108
5.4.3　第3步—基于數(shù)據(jù)訓(xùn)練模型109
5.4.4　第4步—評(píng)估模型的性能111
5.4.5　第5步—提高模型的性能112
5.5　總結(jié)114
第6章　預(yù)測(cè)數(shù)值型數(shù)據(jù)—回歸方法115
6.1　理解回歸115
6.1.1　簡(jiǎn)單線性回歸117
6.1.2　普通最小二乘估計(jì)119
6.1.3　相關(guān)性120
6.1.4　多元線性回歸121
6.2　例子—應(yīng)用線性回歸預(yù)測(cè)醫(yī)療費(fèi)用124
6.2.1　第1步—收集數(shù)據(jù)124
6.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù)125
6.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型129
6.2.4　第4步—評(píng)估模型的性能131
6.2.5　第5步—提高模型的性能132
6.3　理解回歸樹(shù)和模型樹(shù)134
6.4　例子—用回歸樹(shù)和模型樹(shù)估計(jì)葡萄酒的質(zhì)量136
6.4.1　第1步—收集數(shù)據(jù)137
6.4.2　第2步—探索和準(zhǔn)備數(shù)據(jù)137
6.4.3　第3步—基于數(shù)據(jù)訓(xùn)練模型139
6.4.4　第4步—評(píng)估模型的性能142
6.4.5　第5步—提高模型的性能143
6.5　總結(jié)145
第7章　黑箱方法—神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)147
7.1理解神經(jīng)網(wǎng)絡(luò)147
7.1.1從生物神經(jīng)元到人工神經(jīng)元148
7.1.2激活函數(shù)149
7.1.3網(wǎng)絡(luò)拓?fù)?51
7.1.4用后向傳播訓(xùn)練神經(jīng)網(wǎng)絡(luò)154
7.2例子—用人工神經(jīng)網(wǎng)絡(luò)對(duì)混凝土的強(qiáng)度進(jìn)行建模155
7.2.1第1步—收集數(shù)據(jù)155
7.2.2第2步—探索和準(zhǔn)備數(shù)據(jù)156
7.2.3第3步—基于數(shù)據(jù)訓(xùn)練模型157
7.2.4第4步—評(píng)估模型的性能159
7.2.5第5步—提高模型的性能159
7.3理解支持向量機(jī)161
7.3.1用超平面分類161
7.3.2對(duì)非線性空間使用核函數(shù)164
7.4例子—用支持向量機(jī)進(jìn)行光學(xué)字符識(shí)別166
7.4.1第1步—收集數(shù)據(jù)166
7.4.2第2步—探索和準(zhǔn)備數(shù)據(jù)167
7.4.3第3步—基于數(shù)據(jù)訓(xùn)練模型168
7.4.4第4步—評(píng)估模型的性能170
7.4.5第5步—提高模型的性能171
7.5總結(jié)172
第8章　探尋模式—基于關(guān)聯(lián)規(guī)則的購(gòu)物籃分析173
8.1理解關(guān)聯(lián)規(guī)則173
8.1.1用于關(guān)聯(lián)規(guī)則學(xué)習(xí)的Apriori算法174
8.1.2度量規(guī)則興趣度—支持度和置信度175
8.1.3用Apriori原則建立規(guī)則176
8.2例子—用關(guān)聯(lián)規(guī)則確定經(jīng)常一起購(gòu)買的食品雜貨177
8.2.1第1步—收集數(shù)據(jù)177
8.2.2第2步—探索和準(zhǔn)備數(shù)據(jù)178
8.2.3第3步—基于數(shù)據(jù)訓(xùn)練模型183
8.2.4第4步—評(píng)估模型的性能185
8.2.5第5步—提高模型的性能187
8.3總結(jié)190
第9章　尋找數(shù)據(jù)的分組—k均值聚類191
9.1理解聚類191
9.1.1聚類—一種機(jī)器學(xué)習(xí)任務(wù)192
9.1.2k均值聚類算法193
9.2例子—用k均值聚類探尋青少年市場(chǎng)細(xì)分198
9.2.1第1步—收集數(shù)據(jù)199
9.2.2第2步—探索和準(zhǔn)備數(shù)據(jù)199
9.2.3第3步—基于數(shù)據(jù)訓(xùn)練模型203
9.2.4第4步—評(píng)估模型的性能205
9.2.5第5步—提高模型的性能207
9.3總結(jié)208