描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787115477781丛书名: 图灵程序设计丛书
·利用R包轻松应用机器学习方法
·展示各类机器学习方法的优势与潜在问题
·技术与理论并重，通过丰富的商业案例实现机器学习高 级概念
本书适合试图理解和表述机器学习算法的IT人士、想在分析中发挥R强大威力的统计学专家。即使是同时精通IT技术和统计学的读者，在本书中仍然可以发现一些有用的窍门和技巧。
1.1 流程 1
1.2 业务理解 2
1.2.1 确定业务目标 3
1.2.2 现状评估 4
1.2.3 确定分析目标 4
1.2.4 建立项目计划 4
1.3 数据理解 4
1.4 数据准备 5
1.5 建模 5
1.6 评价 6
1.7 部署 6
1.8 算法流程图 7
1.9 小结 10
* 2章 线性回归：机器学习基础技术 11
2.1 单变量回归 11
2.2 多变量线性回归 18
2.2.1 业务理解 18
2.2.2 数据理解和数据准备 18
2.2.3 模型构建与模型评价 21
2.3 线性模型中的其他问题 30
2.3.1 定性特征 30
2.3.2 交互项 32
2.4 小结 34
第3章 逻辑斯蒂回归与判别分析 35
3.1 分类方法与线性回归 35
3.2 逻辑斯蒂回归 36
3.2.1 业务理解 36
3.2.2 数据理解和数据准备 37
3.2.3 模型构建与模型评价 41
3.3 判别分析概述 46
3.4 多元自适应回归样条方法 50
3.5 模型选择 54
3.6 小结 57
第4章 线性模型中的高 级特征选择技术 58
4.1 正则化简介 58
4.1.1 岭回归 59
4.1.2 LASSO 59
4.1.3 弹性网络 60
4.2 商业案例 60
4.2.1 业务理解 60
4.2.2 数据理解和数据准备 60
4.3 模型构建与模型评价 65
4.3.1 * 优子集 65
4.3.2 岭回归 68
4.3.3 LASSO 71
4.3.4 弹性网络 73
4.3.5 使用glmnet进行交叉验证 76
4.4 模型选择 78
4.5 正则化与分类问题 78
4.6 小结 81
第5章 更多分类技术：K-* 近邻与
支持向量机 82
5.1 K-* 近邻 82
5.2 支持向量机 84
5.3 商业案例 86
5.3.1 业务理解 86
5.3.2 数据理解和数据准备 87
5.3.3 模型构建与模型评价 92
5.3.4 模型选择 98
5.4 SVM中的特征选择 100
5.5 小结 101
第6章 分类回归树 103
6.1 本章技术概述 103
6.1.1 回归树 104
6.1.2 分类树 104
6.1.3 随机森林 105
6.1.4 梯度提升 106
6.2 商业案例 106
6.2.1 模型构建与模型评价 107
6.2.2 模型选择 121
6.2.3 使用随机森林进行特征选择 121
6.3 小结 123
第7章 神经网络与深度学习 124
7.1 神经网络介绍 124
7.2 深度学习简介 128
深度学习资源与高 级方法 130
7.3 业务理解 131
7.4 数据理解和数据准备 132
7.5 模型构建与模型评价 136
7.6 深度学习示例 139
7.6.1 H2O背景介绍 139
7.6.2 将数据上载到H2O平台 140
7.6.3 建立训练数据集和测试
数据集 141
7.6.4 模型构建 142
7.7 小结 146
第8章 聚类分析 147
8.1 层次聚类 148
8.2 K-均值聚类 149
8.3 果瓦系数与围绕中心的划分 150
8.3.1 果瓦系数 150
8.3.2 PAM 151
8.4 随机森林 151
8.5 业务理解 152
8.6 数据理解与数据准备 152
8.7 模型构建与模型评价 155
8.7.1 层次聚类 155
8.7.2 K-均值聚类 162
8.7.3 果瓦系数和PAM 165
8.7.4 随机森林与PAM 167
8.8 小结 168
第9章 主成分分析 169
9.1 主成分简介 170
9.2 业务理解 173
9.3 模型构建与模型评价 176
9.3.1 主成分抽取 176
9.3.2 正交旋转与解释 177
9.3.3 根据主成分建立因子得分 178
9.3.4 回归分析 178
9.4 小结 184
* 10章 购物篮分析、推荐引擎与
序列分析 185
10.1 购物篮分析简介 186
10.2 业务理解 187
10.3 数据理解和数据准备 187
10.4 模型构建与模型评价 189
10.5 推荐引擎简介 192
10.5.1 基于用户的协同过滤 193
10.5.2 基于项目的协同过滤 194
10.5.3 奇异值分解和主成分分析 194
10.6 推荐系统的业务理解 198
10.7 推荐系统的数据理解与数据准备 198
10.8 推荐系统的建模与评价 200
10.9 序列数据分析 208
10.10 小结 214
* 11章 创建集成多类分类 215
11.1 集成模型 215
11.2 业务理解与数据理解 216
11.3 模型评价与模型选择 217
11.4 多类分类 219
11.5 业务理解与数据理解 220
11.6 模型评价与模型选择 223
11.6.1 随机森林 224
11.6.2 岭回归 225
11.7 MLR集成模型 226
11.8 小结 228
* 12章 时间序列与因果关系 229
12.1 单变量时间序列分析 229
12.2 业务理解 235
12.3 模型构建与模型评价 240
12.3.1 单变量时间序列预测 240
12.3.2 检查因果关系 243
12.4 小结 249
* 13章 文本挖掘 250
13.1 文本挖掘框架与方法 250
13.2 主题模型 252
13.3 业务理解 254
13.4 模型构建与模型评价 257
13.4.1 词频分析与主题模型 257
13.4.2 其他定量分析 261
13.5 小结 267
* 14章 在云上使用R语言 268
14.1 创建AWS账户 269
14.1.1 启动虚拟机 270
14.1.2 启动Rstudio 272
14.2 小结 274
附录A R语言基础 275
“这是一本通俗易懂的机器学习和数据分析技巧参考书。书中的概念以清晰的逻辑形式展现，还给出了大量常被同类书所忽略的数据准备和商业案例。作者还提供了大量实用代码，非常适合自学。”
“本书附带大量实用代码。读者能保存书中代码并在必要时加载，也能修改代码以从中学习。说实话，我认为这本书是用R进行机器学习的不二参考。每章都涵盖一个问题，并逐步引入新技术和策略进行解决，然后通过实施以巩固所学知识。这能让读者看到相关技术适用于哪些情景及其使用方法，从而成为用R语言进行机器学习
评论
还没有评论。