前言
第1章 機(jī)器學(xué)
本書(shū)使用的庫(kù)
用pip安裝庫(kù)
用conda安裝庫(kù)
第2章 機(jī)器學(xué)概覽
第3章 數(shù)據(jù)分類(lèi)工作流：泰坦尼克號(hào)數(shù)據(jù)集
項(xiàng)目布局建議
導(dǎo)入
提出問(wèn)題
數(shù)據(jù)術(shù)語(yǔ)
獲取數(shù)據(jù)
清洗數(shù)據(jù)
創(chuàng)建特征
數(shù)據(jù)采樣
數(shù)據(jù)r/> 規(guī)范數(shù)據(jù)
重構(gòu)
基準(zhǔn)模型
不同算法族
模型堆疊
建模
評(píng)估模型
優(yōu)化模型
混淆矩陣
ROC曲線
學(xué)
部署模型
第4章 數(shù)據(jù)缺失
檢查數(shù)據(jù)缺失情況
刪除缺數(shù)據(jù)的行或列
r/> 添加標(biāo)識(shí)列
第5章 清洗數(shù)據(jù)
處理列名
替換缺失值
第6章 探索數(shù)據(jù)
數(shù)據(jù)大小
計(jì)
直方圖
散點(diǎn)圖
Joint Plot圖
Pair Grid圖
箱形圖和小提琴圖
比較兩個(gè)序數(shù)型特征
相關(guān)性
RadViz圖
行坐標(biāo)圖
第7章 預(yù)處理數(shù)據(jù)
標(biāo)準(zhǔn)化
調(diào)整取值范圍
虛擬變量
標(biāo)簽編碼
頻數(shù)編碼
從字符串抽取類(lèi)別型數(shù)據(jù)
類(lèi)別型數(shù)據(jù)的其他編碼方法
日期特征的法
添加col_na特征
特征工程
第8章 特征選擇
共線列
套索回歸
遞歸特征消除
互信息
主成分分析
特征重要性
第9章 類(lèi)別衡
采用不同度量標(biāo)準(zhǔn)
樹(shù)模型和集成方法
懲罰模型
對(duì)小眾類(lèi)別上采樣
生成小眾數(shù)據(jù)
對(duì)大眾類(lèi)別下采樣
先上采樣，再下采樣
第10章 分類(lèi)
對(duì)數(shù)概率回歸
樸素貝葉斯
支持向量機(jī)
鄰
決策樹(shù)
隨機(jī)森林
XGBoor/> LightGBM
TPOT
第11章 模型選擇
驗(yàn)證曲線
學(xué)
第12章 度量標(biāo)準(zhǔn)和分類(lèi)評(píng)估
混淆矩陣
度量標(biāo)準(zhǔn)
準(zhǔn)確率
召回率
精準(zhǔn)率
fl值
分類(lèi)報(bào)告
ROC曲線
精準(zhǔn)率-召回率曲線
累積增益圖
lift曲線
類(lèi)衡
類(lèi)別預(yù)測(cè)錯(cuò)誤
判別閾值
第13章 解釋模型
回歸系數(shù)
特征重要性
LIM
解釋樹(shù)模型
部分依賴(lài)圖
替代模型
Shapley值
第14章 回歸
基準(zhǔn)模型
線性回歸
支持向量機(jī)
鄰
決策樹(shù)
隨機(jī)森林
XGBoost回歸
LightGBM回歸
第15章 度量標(biāo)準(zhǔn)和回歸模型的評(píng)估
度量標(biāo)準(zhǔn)
殘差圖
異方差性
殘差正態(tài)性
預(yù)測(cè)誤差圖
第16章 解釋回歸模型
Shapley值
第17章 降維技術(shù)
PCA方法
UMAP方法
t-SNE方法
PHATE方法
第18章 聚類(lèi)
k-means算法
層次聚類(lèi)
理解簇
第19章 流水線
分類(lèi)流水線
回歸流水線
PCA流水線